检索结果-南通市图书馆

图像描述任务致力于赋予计算机“看图说话”的能力,即在给定输入图片的条件下自动生成符合自然语言表达习惯且真实反应图像内容的文字序列。该任务通常会采用图像识别模型或物体检测模型作为特征提取器或实体检测器来获取供描述模型进一步使用的图像特征。然而,现存的图像描述算法并不能很好地利用上游任务的输出,这往往是由于模型在解决序列到序列生成任务中的长距依赖问题时引入了注意力机制,从而引发“过关注”问题,最终导致模型忽略图像中不显著的内容,造成描述模型生成的语句缺失部分图像细节。此外,通过最小化交叉熵目标函数优化模型参数时会引入曝光偏差和标签偏差:曝光偏差是指模型在训练阶段总是输入参考语句中的单词而在测试阶段使用的是生成语句的单词,这会导致误差积累,标签偏差是指测试阶段总是生成训练阶段图像中出现的高频场景或参考语句中出现的高频词汇。同时,交叉熵损失函数也会导致描述语句缺乏多样性和过矫正问题。虽然在图像描述任务中引入强化学习算法能够部分解决曝光偏差和标签偏差的问题,但这类算法通常采用“自动评价指标”(如Bleu、Meteor、CIDEr和Rouge)作为奖励值;由于这些指标并不完全与人类专家的评价标准成正相关,进而造成模型虽然强化了指标但并没有提升描述语句质量的现象。本文提出一种带有混合注意力机制的对抗逆强化学习图像描述框架,该框架通过两种设计:混合注意力机制和对抗逆强化学习方法提升模型表现,主要贡献包括:(1)混合注意力机制由视觉自注意力机制和软注意力机制组成,前者用于关注图像中的主要对象,后者用于表征所有被检测出来的目标之间的相互关系,这种设计避免了注意力机制对某个主要对象的过度关注问题,最后将两种注意力机制的输出拼接作为后续模块的输入。(2)在对抗逆强化学习框架中模型自学习的奖励同时由图像特征和语句特征映射得到,“评价指标”类奖励仅由语句自身的n-gram匹配度决定,前者能确保语句与图像的对应。(3)在训练阶段,文章将生成语句和参考语句均映射为玻尔兹曼分布,再通过对抗生成网络训练生成器,用以解决曝光偏差、标签偏差及过矫正问题,同时增加语句的多样性。最后,在Microsoft COCO数据集上进行的实验结果表明,本文提出的算法在定性和定量上较当前一些算法有一定的优势。

关键词：图像描述深度学习物体检测注意力机制逆强化学习生成对抗网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

地震巨灾债券产品设计研究 ——以云南省为例

地震巨灾债券产品设计研究 ——以云南省为例

引用

作者：胡今朝云南财经大学

学位级别：硕士

云南省地处于中国大陆西南地区,自古以来就是我国地震发生频率高、损失金额大的省份。2014年8月更是发生了云南省18年来地震等级最高的一次地震——6.5级鲁甸地震,这次灾害造成的损失金额达到235.78亿元,给灾区人民正常的生产生活带来... 详细信息

云南省地处于中国大陆西南地区,自古以来就是我国地震发生频率高、损失金额大的省份。2014年8月更是发生了云南省18年来地震等级最高的一次地震——6.5级鲁甸地震,这次灾害造成的损失金额达到235.78亿元,给灾区人民正常的生产生活带来严重影响,考验着云南省抗震救灾的能力。尽管云南省地震灾害损失日益加剧,但是目前云南省在巨灾风险保障能力方面的十分有限,传统保险行业保障能力不足,灾区恢复重建过度依赖政府救助,现有保险产品无法满足投保人的购买需求,保险市场亟需设计创新型产品来提高对巨灾风险的保障水平,减少各级地方政府财政救济支出。作为一种重要的金融创新产品,地震巨灾债券可以将云南省的地震风险转移到资本市场中,有效避免传统保险市场保障能力不足的问题。债券发行人通过发行地震巨灾债券,可以为地震灾区灾后重建提供资金支持,缓解传统保险业务的保费压力,还可以为债券持有人提供额外的获利机会,提高投资组合的获利水平。探讨地震巨灾债券的设计可以帮助云南省提高保险行业应对巨灾风险的保障水平,提供保险产品创新的新思路。在文章的开始阐述了地震巨灾债券的内涵与特性,然后对比研究了国际上较为成功的巨灾债券案例,根据云南省的实际情况,设计出由政府参与的、多种金融机构协同发展的地震巨灾债券制度。随后,运用云南省已经发生的地震灾害历史数据,根据精算数学模型确定损失分布函数,利用地震灾害期望损失和保险公司风险自留额度确定巨灾债券的触发条件,最后,根据不同的本金保障机制,利用利率结构模型对地震巨灾债券定价机制进行分析,确定了债券的发行价格。在文章结尾,结合云南省问题提出了政策建议。

关键词：地震巨灾债券发行方式参与主体触发条件

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于视觉自注意力机制的图像描述系统设计

引用

信息与电脑 2020年第17期32卷 77-79页

作者：胡今朝合肥工业大学电子科学与应用物理学院安徽合肥230009

现有基于深度学习的注意力机制的图像描述算法往往会过分关注输入图像中的主要对象,这会导致生成的描述产生细节缺失和单词重复的缺陷。笔者采用视觉自注意力机制来避免模型在不同时间将注意力重复集中在相同内容上。系统首先通过目标... 详细信息

现有基于深度学习的注意力机制的图像描述算法往往会过分关注输入图像中的主要对象,这会导致生成的描述产生细节缺失和单词重复的缺陷。笔者采用视觉自注意力机制来避免模型在不同时间将注意力重复集中在相同内容上。系统首先通过目标检测算法Faster R-CNN获取实体的矩形边界,紧接着提取出各矩形区域及整张图片的特征向量,然后通过视觉自注意力机制处理特征向量得到图像的特征表示,最后将图像特征输入给由双层LSTM组成的语言模型,由语言模型输出图像的自然语言描述。本文选用图像描述领域最大的数据集Microsoft COCO验证设计系统的有效性,实验结果表明基于视觉自注意力机制的图像描述系统能够有效地抓住图像细节,生成通顺的描述语句。

关键词：深度学习注意力机制图像描述视觉自注意力机制目标检测语言模型

来源：