214,937 research outputs found
Test Make Sense?
No full textCorresponding author Changyu Liu should be listed as the first corresponding author.No Full Tex
A Subband-Selective Broadband GSC with Cosine-Modulated Blocking Matrix
Get PDFIn this paper, a novel subband-selective generalized sidelobe canceller (GSC) for partially adaptive broadband beamforming is proposed. The columns of the blocking matrix are derived from a prototype vector by cosine-modulation, and the broadside constraint is incorporated by imposing zeros on the prototype vector appropriately. These columns constitute a series of bandpass filters, which select signals with specific angles of arrival and frequencies. This results in highpass-type bandlimited spectra of the blocking matrix outputs, which is further exploited by subbands decomposition and suitably discarding the low-pass subbands prior to running independent unconstrained adaptive filters in each non-redundant subband. By these steps, the computational complexity of a GSC implementation is greatly reduced compared to fully adaptive GSC schemes, while performance is comparable or even enhanced due to subband decorrelation in both spatial and temporal domains
Reaction of 3-chloro-3-methyldiazirines with hydrogen atoms
No full textPT: J; CR: BINGHAM RC, 1975, J AM CHEM SOC, V97, P1285 BRADLEY GF, 1977, J CHEM SOC P2, P1214 BRASLAVSKY S, 1977, CHEM REV, V77, P473 CHADWELL HM, 1933, J AM CHEM SOC, V55, P1363 CLARK DT, 1969, T FARADAY SOC, V62, P393 CLARK DT, 1969, T FARADAY SOC, V62, P399 CLARK DT, 1969, T FARADAY SOC, V62, P405 CLOUGH PN, 1970, CAN J CHEM, V48, P2919 DYKSTRA CE, 1978, J AM CHEM SOC, V100, P1378 FIGUERA JM, 1978, J CHEM SOC F1, P809 FREY HM, 1966, ADV PHOTOCHEM, V4, P225 FREY HM, 1977, J CHEM SOC F1, P2010 GILBERT JC, 1979, TETRAHEDRON LETT, P4619 GRAHAM WH, 1965, J AM CHEM SOC, V87, P4306 JAMIESON JWS, 1970, CAN J CHEM, V48, P3619 JENNINGS BM, 1976, J AM CHEM SOC, V98, P6416 JONES M, 1973, CARBENES, V1 JONES WE, CHEM BIOMED ENV INST JONES WE, 1973, CHEM REV, V73, P407 JONES WE, 1978, J CHEM SOC F2, V74, P831 LAU A, 1964, SPECTROCHIM ACTA, V20, P97 LIU MTH, UNPUBLISHED LIU MTH, 1973, CAN J CHEM, V51, P2393 LIU MTH, 1977, CAN J CHEM, V55, P3596 MAEDA Y, 1979, J AM CHEM SOC, V101, P837 MARTIN LR, 1979, INT J CHEM KINET, V11, P543 MEIER H, 1977, ANGEW CHEM INT EDIT, V16, P835 MOFFAT JB, 1978, CHEM DIAZONIUM DIA 1 MOSS RA, 1978, J CHEM SOC CHEM COMM, P775 SCHMITZ E, 1964, ANGEW CHEM INT EDIT, V3, P333 SCHMITZ E, 1971, 23RD INT C PUR ALL C, V2, P283 SCOTT PM, 1969, J PHYS CHEM-US, V73, P1513 SMITH NP, 1979, J CHEM SOC P2, P213 WITTER RA, 1973, J ORG CHEM, V38, P484; NR: 34; TC: 3; J9: J AMER CHEM SOC; PG: 2; GA: JN379Source type: Electronic(1
Measurement of the ratio of prompt χ c to J / ψ production in pp collisions at √s = 7 TeV
Get PDFThe prompt production of charmonium χ c and J / ψ states is studied in proton-proton collisions at a centre-of-mass energy of √s = 7 TeV at the Large Hadron Collider. The χ c and J / ψ mesons are identified through their decays χ c → J / ψ γ and J / ψ → μ + μ - using 36 pb - 1 of data collected by the LHCb detector in 2010. The ratio of the prompt production cross-sections for χ c and J / ψ, σ (χ c → J / ψ γ) / σ (J / ψ), is determined as a function of the J / ψ transverse momentum in the range 2 < p T J / ψ < 15 GeV / c. The results are in excellent agreement with next-to-leading order non-relativistic expectations and show a significant discrepancy compared with the colour singlet model prediction at leading order, especially in the low p T J / ψ region
1, 2-H shift in benzylchlorocarbene: isotope effect and influence of the solvent
No full textLaser flash photolysis of 3-chloro-3-benzyldiazirine and 3-chloro-3-(phenyldideuteriomethyl)diazirine in isooctane over the 60 to -80-degrees-C temperature range gives rise to curved Arrhenius plots for both 1,2-H and 1,2-D migration in benzylchlorcarbene. The k(H)/k(D) values increase smoothly from 0.87 to 2.62 when the temperature increases from -60 to +30-degrees-C. The k(H)/k(D) value is approximately 4 for most of the temperatures studied if a solvent correction is applied. Quantum mechanical tunnelling or the influence of the solvent may be a possible explanation for these observations.PT: J; CR: BONNEAU R, 1989, J AM CHEM SOC, V111, P5973 BONNEAU R, 1992, J PHOTOCH PHOTOBIO A, V68, P97 DIX EJ, 1993, J AM CHEM SOC, V115, P10424 EVANSECK JD, 1990, J PHYS CHEM-US, V94, P5518 GRAHAM WH, 1965, J AM CHEM SOC, V87, P4396 JACKSON JE, 1994, ADV CARBENE CHEM JONES M, 1980, REACTIVE INTERMEDIAT, V2 KIRMSE W, 1971, CARBENE CHEM LIU MTH, 1984, TETRAHEDRON, V40, P887 LIU MTH, 1990, J AM CHEM SOC, V112, P3915 LIU MTH, 1992, J PHOTOCH PHOTOBIO A, V63, P115 LIU MTH, 1992, J PHYS ORG CHEM, V15, P285 LIU MTH, 1994, RES CHEM INTERMEDIAT, V20, P195 MODARELLI DA, 1992, J AM CHEM SOC, V114, P7034 MOSS RA, 1992, TETRAHEDRON LETT, V33, P4287 MOSS RA, 1994, ADV CARBENE CHEM MUROV SL, 1973, HDB PHOTOCHEMISTRY NICKON A, 1993, ACCOUNTS CHEM RES, V26, P84 SALIS GA, 1968, J PHYS CHEM-US, V72, P752 SANDER W, 1994, UNPUB SCHAEFER HF, 1979, ACCOUNTS CHEM RES, V12, P288 SCHOLLER WW, 1989, HOUBEN WEYL METHODEN, P41 SHIMANOUCHI T, 1972, TABLES MOL VIBRATION, V1 SUGIYAMA MH, 1992, J AM CHEM SOC, V114, P966 WIERLACHER S, 1993, J AM CHEM SOC, V115, P8943; NR: 25; TC: 20; J9: J PHOTOCHEM PHOTOBIOL A-CHEM; PG: 5; GA: PV021Source type: Electronic(1
Toward scalable and unbiased scene graph generation : active learning and causal inference perspectives
Get PDFAbstract
Scene Graph Generation (SGG) aims to construct structured representations of visual scenes by identifying objects and their pairwise relationships. Despite significant progress, SGG remains challenged by two core issues: the high cost of triplet-level annotations and the persistent biases in relationship prediction. This thesis addresses both challenges through two complementary research threads—label-efficient SGG and bias-mitigated SGG.
In the first thread, we introduce EDAL, a novel active learning framework that integrates evidential uncertainty estimation with diversity-aware sample selection. EDAL enables SGG models to achieve competitive performance using only 10\% of labeled data, dramatically reducing annotation costs while preserving generalization. In the second thread, we investigate the origin of biased predictions in SGG, which are often caused by long-tailed distributions, semantic confusion, and spurious correlations. To this end, we present a series of causal debiasing methods—TsCM, CAModule, and RcSGG—that leverage structural causal modeling, triplet-level logit adjustment, and reverse causal reasoning to systematically mitigate these biases.
Our methods are validated on multiple SGG benchmarks and backbones, achieving state-of-the-art performance on debiasing metrics while preserving overall accuracy. In addition, we highlight the potential of large-scale foundation models in future SGG research, given their success in improving generalization and alleviating annotation burdens in other vision tasks.
By unifying active learning and causal debiasing, this thesis offers a comprehensive framework for building scalable and fair SGG systems, opening new directions for structured visual understanding. Original papers Sun, S., Zhi, S., Heikkilä, J., & Liu, L. (2023). Evidential uncertainty and diversity guided active learning for scene graph generation. In ICLR 2023 : The Eleventh International Conference on Learning Representations. OpenReview.net. https://openreview.net/forum?id=xI1ZTtVOtlz Self-archived version Sun, S., Zhi, S., Liao, Q., Heikkilä, J., & Liu, L. (2023). Unbiased scene graph generation via two-stage causal modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12562–12580. https://doi.org/10.1109/TPAMI.2023.3285009 https://doi.org/10.1109/TPAMI.2023.3285009 Self-archived version Liu, L., Sun, S., Zhi, S., Shi, F., Liu, Z., Heikkilä, J., & Liu, Y. (2025). A causal adjustment module for debiasing scene graph generation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(5), 4024–4043. https://doi.org/10.1109/TPAMI.2025.3537283 https://doi.org/10.1109/TPAMI.2025.3537283 Self-archived version Sun, S., Liu, L., Liu, T., Zhi, S., Cheng, M.-M., Heikkilä, J., & Liu, Y. (2025). A reverse causal framework to mitigate spurious correlations for debiasing scene graph generation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(9), 7470–7489. https://doi.org/10.1109/TPAMI.2025.3568644 https://doi.org/10.1109/TPAMI.2025.3568644 Self-archived version Tiivistelmä
Scene Graph Generation (SGG) pyrkii rakentamaan visuaalisista kohtauksista jäsenneltyjä esityksiä tunnistamalla objektit ja niiden väliset parisuhteet. Huolimatta merkittävästä edistyksestä alalla, SGG:tä vaivaavat edelleen kaksi keskeistä haastetta: kolmikkoanotointien korkeat kustannukset sekä pysyvät vinoumat suhdepäätelmissä. Tämä väitöskirja käsittelee molempia ongelmia kahden toisiaan täydentävän tutkimuslinjan kautta: tehokas annotointi (label-efficient SGG) ja vinoumien poistaminen (bias-mitigated SGG).
Ensimmäisessä tutkimuslinjassa esittelemme EDAL:n, uuden aktiiviseen oppimiseen perustuvan kehyksen, joka yhdistää todisteperusteisen epävarmuuden arvioinnin sekä monimuotoisuustietoisen näytevalinnan. EDAL mahdollistaa SGG-mallien kilpailukykyisen suorituskyvyn käyttämällä vain 10\% anotetuista tiedoista, mikä vähentää merkittävästi anotointikustannuksia ilman, että yleistettävyys kärsii. Toisessa tutkimuslinjassa tarkastelemme SGG:n vinoutuneiden ennusteiden alkuperää, jotka johtuvat usein pitkähäntäisistä jakaumista, semanttisesta sekaannuksesta ja näennäiskorrelaatioista. Esittelemme joukon kausaaliperustaisia vinoumanpoistomenetelmiä—TsCM, CAModule ja RcSGG—jotka hyödyntävät rakenteellista kausaalimallinnusta, triplatasoista logit-säätöä ja käänteistä kausaalipäättelyä näiden vinoumien systemaattiseen lievittämiseen.
Menetelmämme on validoitu useilla SGG-vertailuaineistoilla ja selkärankamalleilla, ja ne saavuttavat huipputason tuloksia vinoumametriikoissa samalla säilyttäen kokonaistarkkuuden. Lisäksi tuomme esiin suurten perusmallien (foundation models) potentiaalin tulevassa SGG-tutkimuksessa, erityisesti niiden yleistämiskyvyn ja anotointitarpeen keventämisen ansiosta muissa visuaalisissa tehtävissä.
Yhdistämällä aktiivisen oppimisen ja kausaalisen vinoumanpoiston tämä väitöskirja esittää kokonaisvaltaisen kehyksen skaalautuvien ja reilujen SGG-järjestelmien rakentamiseen, avaten uusia tutkimussuuntia jäsenneltyyn visuaaliseen ymmärrykseen. Osajulkaisut Sun, S., Zhi, S., Heikkilä, J., & Liu, L. (2023). Evidential uncertainty and diversity guided active learning for scene graph generation. In ICLR 2023 : The Eleventh International Conference on Learning Representations. OpenReview.net. https://openreview.net/forum?id=xI1ZTtVOtlz Rinnakkaistallennettu versio Sun, S., Zhi, S., Liao, Q., Heikkilä, J., & Liu, L. (2023). Unbiased scene graph generation via two-stage causal modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(10), 12562–12580. https://doi.org/10.1109/TPAMI.2023.3285009 https://doi.org/10.1109/TPAMI.2023.3285009 Rinnakkaistallennettu versio Liu, L., Sun, S., Zhi, S., Shi, F., Liu, Z., Heikkilä, J., & Liu, Y. (2025). A causal adjustment module for debiasing scene graph generation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(5), 4024–4043. https://doi.org/10.1109/TPAMI.2025.3537283 https://doi.org/10.1109/TPAMI.2025.3537283 Rinnakkaistallennettu versio Sun, S., Liu, L., Liu, T., Zhi, S., Cheng, M.-M., Heikkilä, J., & Liu, Y. (2025). A reverse causal framework to mitigate spurious correlations for debiasing scene graph generation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 47(9), 7470–7489. https://doi.org/10.1109/TPAMI.2025.3568644 https://doi.org/10.1109/TPAMI.2025.3568644 Rinnakkaistallennettu versio Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Information Technology and Electrical Engineering of the University of Oulu for public defence via remote access, on 27 November 2025, at 9 a.m.Abstract
Scene Graph Generation (SGG) aims to construct structured representations of visual scenes by identifying objects and their pairwise relationships. Despite significant progress, SGG remains challenged by two core issues: the high cost of triplet-level annotations and the persistent biases in relationship prediction. This thesis addresses both challenges through two complementary research threads—label-efficient SGG and bias-mitigated SGG.
In the first thread, we introduce EDAL, a novel active learning framework that integrates evidential uncertainty estimation with diversity-aware sample selection. EDAL enables SGG models to achieve competitive performance using only 10\% of labeled data, dramatically reducing annotation costs while preserving generalization. In the second thread, we investigate the origin of biased predictions in SGG, which are often caused by long-tailed distributions, semantic confusion, and spurious correlations. To this end, we present a series of causal debiasing methods—TsCM, CAModule, and RcSGG—that leverage structural causal modeling, triplet-level logit adjustment, and reverse causal reasoning to systematically mitigate these biases.
Our methods are validated on multiple SGG benchmarks and backbones, achieving state-of-the-art performance on debiasing metrics while preserving overall accuracy. In addition, we highlight the potential of large-scale foundation models in future SGG research, given their success in improving generalization and alleviating annotation burdens in other vision tasks.
By unifying active learning and causal debiasing, this thesis offers a comprehensive framework for building scalable and fair SGG systems, opening new directions for structured visual understanding.Tiivistelmä
Scene Graph Generation (SGG) pyrkii rakentamaan visuaalisista kohtauksista jäsenneltyjä esityksiä tunnistamalla objektit ja niiden väliset parisuhteet. Huolimatta merkittävästä edistyksestä alalla, SGG:tä vaivaavat edelleen kaksi keskeistä haastetta: kolmikkoanotointien korkeat kustannukset sekä pysyvät vinoumat suhdepäätelmissä. Tämä väitöskirja käsittelee molempia ongelmia kahden toisiaan täydentävän tutkimuslinjan kautta: tehokas annotointi (label-efficient SGG) ja vinoumien poistaminen (bias-mitigated SGG).
Ensimmäisessä tutkimuslinjassa esittelemme EDAL:n, uuden aktiiviseen oppimiseen perustuvan kehyksen, joka yhdistää todisteperusteisen epävarmuuden arvioinnin sekä monimuotoisuustietoisen näytevalinnan. EDAL mahdollistaa SGG-mallien kilpailukykyisen suorituskyvyn käyttämällä vain 10\% anotetuista tiedoista, mikä vähentää merkittävästi anotointikustannuksia ilman, että yleistettävyys kärsii. Toisessa tutkimuslinjassa tarkastelemme SGG:n vinoutuneiden ennusteiden alkuperää, jotka johtuvat usein pitkähäntäisistä jakaumista, semanttisesta sekaannuksesta ja näennäiskorrelaatioista. Esittelemme joukon kausaaliperustaisia vinoumanpoistomenetelmiä—TsCM, CAModule ja RcSGG—jotka hyödyntävät rakenteellista kausaalimallinnusta, triplatasoista logit-säätöä ja käänteistä kausaalipäättelyä näiden vinoumien systemaattiseen lievittämiseen.
Menetelmämme on validoitu useilla SGG-vertailuaineistoilla ja selkärankamalleilla, ja ne saavuttavat huipputason tuloksia vinoumametriikoissa samalla säilyttäen kokonaistarkkuuden. Lisäksi tuomme esiin suurten perusmallien (foundation models) potentiaalin tulevassa SGG-tutkimuksessa, erityisesti niiden yleistämiskyvyn ja anotointitarpeen keventämisen ansiosta muissa visuaalisissa tehtävissä.
Yhdistämällä aktiivisen oppimisen ja kausaalisen vinoumanpoiston tämä väitöskirja esittää kokonaisvaltaisen kehyksen skaalautuvien ja reilujen SGG-järjestelmien rakentamiseen, avaten uusia tutkimussuuntia jäsenneltyyn visuaaliseen ymmärrykseen
- …
