检索结果-南通市图书馆

基于互学习和促进分割的RGB-D显著性目标检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

通化师范学院学报 2024年第6期45卷 52-58页

作者：夏晨星王晶晶葛斌安徽理工大学计算机科学与工程学院安徽淮南232001

RGB-D显著性目标检测主要通过融合RGB图像和深度图(Depth)从给定场景中分割最显著的对象.由于受到原始深度图固有噪声的影响,会导致模型在检测过程中拟入错误的信息.为了改善检测效果,该文提出了一种基于互学习和促进分割的RGB-D显著性... 详细信息

RGB-D显著性目标检测主要通过融合RGB图像和深度图(Depth)从给定场景中分割最显著的对象.由于受到原始深度图固有噪声的影响,会导致模型在检测过程中拟入错误的信息.为了改善检测效果,该文提出了一种基于互学习和促进分割的RGB-D显著性目标检测模型,设计一个深度优化模块来获取深度图和预测深度图之间最优的深度信息;引入特征对齐模块和跨模态集成模块完成跨模态的融合;针对分割造成的精度损失问题,构建了一个基于多源特征集成机制的分离重构解码器.在5个公开数据集上进行了实验测试,实验结果表明:所提模型与其他模型相比,准确率更高,网络更加稳定.

关键词： RGB-D显著性目标检测互学习特征对齐跨模态集成

在线全文

学校读者我要写书评

暂无评论

基于拓扑一致性对抗互学习的知识蒸馏

自动化学报 2023年第1期49卷 102-110页

作者：赖轩曲延云谢源裴玉龙厦门大学信息学院厦门361005 华东师范大学计算机科学与技术学院上海200064

针对基于互学习的知识蒸馏方法中存在模型只关注教师网络和学生网络的分布差异,而没有考虑其他的约束条件,只关注了结果导向的监督,而缺少过程导向监督的不足,提出了一种拓扑一致性指导的对抗互学习知识蒸馏方法(Topology-guided advers... 详细信息

针对基于互学习的知识蒸馏方法中存在模型只关注教师网络和学生网络的分布差异,而没有考虑其他的约束条件,只关注了结果导向的监督,而缺少过程导向监督的不足,提出了一种拓扑一致性指导的对抗互学习知识蒸馏方法(Topology-guided adversarial deep mutual learning,TADML).该方法将教师网络和学生网络同时训练,网络之间相互指导学习,不仅采用网络输出的类分布之间的差异,还设计了网络中间特征的拓扑性差异度量.训练过程采用对抗训练,进一步提高教师网络和学生网络的判别性.在分类数据集CIFAR10、CIFAR100和Tiny-ImageNet及行人重识别数据集Market1501上的实验结果表明了TADML的有效性,TADML取得了同类模型压缩方法中最好的效果.

关键词：互学习生成对抗网络特征优化知识蒸馏

在线全文

学校读者我要写书评

暂无评论

基于深度互学习的多标记零样本分类

计算机工程 2023年第10期49卷 64-71页

作者：袁志祥王雅卿黄俊安徽工业大学计算机科学与技术学院安徽马鞍山243032

目前已有大量方案解决零样本图像分类问题,但对多标记零样本图像分类问题的研究很少,在现有的解决方案中,模型在训练时除了利用已标注的数据集和给定的先验知识外,只利用图像区域信息或只利用标签语义信息。基于深度互学习技术,提出一... 详细信息

目前已有大量方案解决零样本图像分类问题,但对多标记零样本图像分类问题的研究很少,在现有的解决方案中,模型在训练时除了利用已标注的数据集和给定的先验知识外,只利用图像区域信息或只利用标签语义信息。基于深度互学习技术,提出一种能同时利用图像区域和标签语义两种信息的解决方法。设计两个子网络,将子网络1用于增强图像视觉特征,通过多头自注意机制关联图像中不同区域的特征信息,得到基于区域的视觉特征表示,再将该特征表示映射到语义空间中,并输出预测概率分布;使子网络2用于融合标签语义信息与图像视觉特征,通过计算标签和图像区域特征的相关性,得到基于语义的视觉特征表示,将特征表示映射到语义空间中输出概率分布。最后引入深度互学习技术,利用两个子网络得到的概率分布为对方提供训练经验以进行互相学习,该过程中子网络在训练自身分类性能的同时也学习对方的训练经验,有效提升多标记零样本图像分类的性能。实验结果表明,所提方法在MS COCO数据集上的F1值相比Deep0Tag方法提升了5.2个百分点。

关键词：深度学习图像分类多标记学习零样本学习互学习

在线全文

学校读者我要写书评

暂无评论

结合时空距离的多网络互学习行人重识别

中国图象图形学报 2023年第5期28卷 1409-1421页

作者：李宽龚勋樊剑锋西南交通大学唐山研究生院唐山063000 西南交通大学计算机与人工智能学院成都611756 可持续城市交通智能化教育部工程研究中心成都611756 四川省制造业产业链协同与信息化支撑技术重点实验室成都610031

目的在真实行人识别场景中,获得准确的标注需要耗费大量人力,因此无监督领域自适应成为行人重识别具有潜力的研究方向,这类方法通常需要聚类生成伪标签,往往会存在噪音。此外,在行人搜索过程中,好的排序算法也是取得更好识别性能的关键... 详细信息

目的在真实行人识别场景中,获得准确的标注需要耗费大量人力,因此无监督领域自适应成为行人重识别具有潜力的研究方向,这类方法通常需要聚类生成伪标签,往往会存在噪音。此外,在行人搜索过程中,好的排序算法也是取得更好识别性能的关键,但寻常的Re-Ranking排序优化由于巨大的性能消耗,限制了在真实场景下的应用。针对这两个问题,本文提出了一个联合多网络、分摄像头训练的框架,利用时空信息对排序进行优化。方法对源域数据使用有监督进行预训练,利用未标记的目标域样本进行多个网络模型的深度互学习无监督训练,提高网络的泛化能力,同时在训练过程中进行分摄像头处理,减小跨摄像头的影响,提升伪标签的质量。在排序匹配阶段利用时空信息对排序进行优化,进一步提升匹配性能。结果实验在2个跨域实验数据集上进行测试比较,在源域为DukeMTMC-ReID(Duke multi-tracking multi-camera re-identification)数据集,目标域为Market-1501数据集的实验中,本文方法的平均精度均值(mean average precision,mAP)和Rank1分别为82.5%和95.3%;在源域为Market-1501,目标域为DukeMTMC-ReID数据集的实验中,mAP和Rank1分别为75.3%和90.2%。结论提出的结合时空距离排序的分摄像头网络互学习模型,提升了伪标签的精度,并优化了匹配排序,相比于其他优化算法大幅减少了计算量,进一步提升了行人重识别性能。

关键词：行人重识别互学习分摄像头跨域时空距离

在线全文

学校读者我要写书评

暂无评论

基于互学习的多词向量融合情感分类框架

中文信息学报 2022年第7期36卷 164-172页

作者：曹柳文周艳艳邬昌兴黄兆华华东交通大学软件学院江西南昌330013 江西卫生职业学院江西南昌330052

方面级情感分类是当前的研究热点之一,其目标是自动推断文本中特定方面的情感倾向。融合多种不同类型的词向量作为基于深度学习模型的输入,在该任务上取得了较好的效果。然而,通过直接拼接或门控机制等方式融合多种不同的词向量,不能充... 详细信息

方面级情感分类是当前的研究热点之一,其目标是自动推断文本中特定方面的情感倾向。融合多种不同类型的词向量作为基于深度学习模型的输入,在该任务上取得了较好的效果。然而,通过直接拼接或门控机制等方式融合多种不同的词向量,不能充分发挥每种词向量的作用。为了解决这个问题,该文提出了一种基于互学习的多词向量融合情感分类框架,其目的是充分利用普通词向量、领域词向量和情感词向量中的信息,提高分类的性能。具体地,首先构建以三种词向量的融合作为输入的主模型,然后分别构建三个以单一词向量作为输入的辅助模型,最后基于互学习的方式联合训练主模型和辅助模型,以达到相互促进的效果。在三个常用数据集上的实验表明,该文提出框架的性能明显好于基准方法。

关键词：方面级情感分类互学习领域词向量情感词向量深度学习

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于视觉和语义互学习的标签完备标注

小型微型计算机系统 2022年第3期43卷 632-637页

作者：杨凯婷张素兰张继福胡立华杨海峰太原科技大学计算机科学与技术学院太原030024

大多数图像标签完备方法仅依据待完备图像的视觉特征搜索近邻图像,获取候选标签实现完备,往往忽略候选标签与初始标签隐含的语义和视觉关系.为有效完备图像标签,本文依据信息的相互学习机制提出一种基于视觉和语义互学习的标签完备标注... 详细信息

大多数图像标签完备方法仅依据待完备图像的视觉特征搜索近邻图像,获取候选标签实现完备,往往忽略候选标签与初始标签隐含的语义和视觉关系.为有效完备图像标签,本文依据信息的相互学习机制提出一种基于视觉和语义互学习的标签完备标注方法.首先,依据待完备图像的视觉特征和初始标签语义,搜索其近邻图像集并获取候选标签;其次,根据候选标签与初始标签的视觉内容相似性和语义相关性度量候选标签与待完备图像的关联度;最后,结合候选标签频率,选取关联程度高的候选标签实现标签补全.在基准数据集Corel5K以及真实数据集Flickr30Concepts上进行实验验证,结果表明该方法在图像标签完备的平均准确率、平均召回率以及覆盖率上均表现出更优的性能.

关键词：图像标签完备互学习视觉相似性语义相关度

在线全文

学校读者我要写书评

暂无评论

基于互学习网格标签的方面情感词提取

测试科学与仪器:英文版 2023年第3期14卷 369-378页

作者：王伟李婷葛洪伟江南大学人工智能与计算机学院江苏无锡214122

随着人们生活质量的提高,对服务质量的要求日益提高,用户对商家评论从简单的好坏判断提升到了具体方面,而传统的情感分类方法无法解决这个问题,其中,文本的情感方面提取是关键。现有模型大多使用分段式子任务来进行训练,为了解决模型在... 详细信息

随着人们生活质量的提高,对服务质量的要求日益提高,用户对商家评论从简单的好坏判断提升到了具体方面,而传统的情感分类方法无法解决这个问题,其中,文本的情感方面提取是关键。现有模型大多使用分段式子任务来进行训练,为了解决模型在多个子任务中错误传播的问题,并提高对数据的深层学习,提出一种基于BERT的互学习网格标签的方面情感分析模型。首先,利用旋转位置编码来加强模型对位置的敏感度,同时采用降维方式对词对进行标注,以提升学习效率。然后,将两个基于位置编码的网格标签进行互学习,使模型具有更好的泛化能力。最后,为了进一步发挥互学习的效果,提出了两种数据扩充方法:拼接法和移花接木法,使模型的性能得到进一步提升。在4个标准数据集上测试了三元组提取和二元组提取任务,在F 1值上平均提升了4%以上,最高提升了7%。实验结果表明,IGTS-BERT模型在情感词提取上表现出优越的性能。

关键词：方面情感词提取网格标签旋转位置编码互学习数据扩充

在线全文

学校读者我要写书评

暂无评论

互学习神经网络训练方法研究

计算机学报 2017年第6期40卷 1291-1308页

作者：刘威刘尚白润才周璇周定宁辽宁工程技术大学数学与系统科学研究所辽宁阜新123000 辽宁工程技术大学智能工程与数学研究院辽宁阜新123000 辽宁工程技术大学矿业学院辽宁阜新123000

由于BP神经网络具有表达能力强,模型简单等特点,经过近30年的发展,在理论和应用研究上都取得了巨大的进步,然而容易陷入局部最优和泛化能力差等问题却限制了神经网络的发展.同时,大数据的出现和深度学习算法的提出与应用,为神经网络向... 详细信息

由于BP神经网络具有表达能力强,模型简单等特点,经过近30年的发展,在理论和应用研究上都取得了巨大的进步,然而容易陷入局部最优和泛化能力差等问题却限制了神经网络的发展.同时,大数据的出现和深度学习算法的提出与应用,为神经网络向更类脑的方向发展提出了新的要求.针对上述问题,该文从模拟生物双向认知能力的角度出发,构造了一种新的神经网络模型——互学习神经网络模型,该模型在标准正向神经网络的基础上,引入了与其具有结构对称性的负向神经网络,利用正、负向神经网络分别模拟生物的顺向和逆向认知过程,并在此基础上提出了一种新的神经网络训练方法——互学习神经网络训练方法,该方法通过网络连接权值转置共享,正、负双向交替训练的方式对互学习神经网络模型进行训练,从而实现输入数据和输出标签之间的相互学习,使网络具有双向认知能力.实验表明,互学习神经网络训练方法可以同时训练正、负两个神经网络,并使网络收敛.同时,在此基础上提出了"互学习预训练+标准正向训练"的两阶段学习策略和相应的转换学习方法,这种转换学习方法起到了和"无监督预训练+监督微调"相同的效果,能够使网络训练效果更好,是一种快速、稳定、泛化能力强的新型神经网络学习方法.

关键词：神经网络互学习权值共享 BP算法双向认知分类识别人工智能

基于互学习与注意力机制的晋南牛个体细粒度识别研究

在线全文

学校读者我要写书评

暂无评论

基于互学习与注意力机制的晋南牛个体细粒度识别研究

作者：王晶山西农业大学

学位级别：硕士

目前,我国畜牧业呈现出智能化、精准化、规模化发展趋势,尤其是牛只这种牲畜,它本身就有很高的单体经济价值,更有必要将传统牧场升级改造为智慧牧场,可以实时对养殖环境和牛只个体生长数据进行监测,采用智能控制、精准管理,实现牧场养... 详细信息

目前,我国畜牧业呈现出智能化、精准化、规模化发展趋势,尤其是牛只这种牲畜,它本身就有很高的单体经济价值,更有必要将传统牧场升级改造为智慧牧场,可以实时对养殖环境和牛只个体生长数据进行监测,采用智能控制、精准管理,实现牧场养殖高效率、降低养殖风险的同时,优化牛只的个体成长。但当前对于牲畜个体识别的研究仍存在一些问题:人工观测法工作效率较低、劳动力强度过大;刻耳法产生的应急挣扎会使牛只的生长受损;电子耳标法的成本相对较高,不能满足大规模牧场的需求。同时由于图像识别领域的图像细粒度识别任务因其子类多样性少,差异特征不明显,识别过程中存在很大的挑战,在未来有很大的研究空间。针对以上问题,本文利用计算机视觉领域中的非接触式的图像识别方式,以晋南牛为主要研究对象,提出了一种基于互学习与注意力机制的晋南牛个体细粒度识别的方法,为了有效提升识别准确率,本文主要研究工作如下:(1)通过实地采集的数据,构建一个关于晋南牛个体数据集,包含227头个体牛只数据量相当,共包含37011张图像。将数据集按7:3比例划分,其中,用于训练集26152张,测试集10859张。(2)基于卷积神经网络的晋南牛个体细粒度识别的研究,选择特征提取网络Res Net、Efficient Net进行训练。Efficient Net-B1的识别准确率最高,可以达到97.59%。(3)基于互学习的晋南牛个体细粒度识别的研究,从相同结构相同深度、相同结构不同深度、不同结构的三个维度的互学习模型进行了对比实验。相同结构的网络参与互学习,准确率可以提升0.33%至1.09%,准确率最高可以达到97.85%。在为了进一步验证互学习模型的有效性和泛化能力,本文还选取了牛只品种数据集和不同种类动物数据集进行了实验,在牛只品种数据集上准确率可以提升0.66%至3.22%,在不同种类动物数据集上,准确率可以提升6.01%至9.25%,进一步验证了互学习模型的有效性。(4)基于注意力机制的晋南牛个体细粒度识别的研究,本文使用了三种注意力方法,BAM、CBAM、Triplet Attention注意力机制。引入三种注意力机制后模型的识别准确率最高可以达到97.23%。(5)提出了基于互学习与注意力机制的晋南牛个体细粒度识别的研究。将BAM、CBAM、Triplet Attention注意力机制加入互学习网络进行联合训练,互学习与CBAM表现最好,准确率最高可以达到97.98%。本文的创新点是提出了基于互学习与注意力机制的研究方法,模型之间可以相互学习,参考同伴网络的学习经验,同时引入注意力机制来增强或抑制原始特征图的局部描述。通过该方法在晋南牛个体数据集上进行训练与测试,与单个网络模型对比,识别准确率都有不同程度的提升,为今后的其他牲畜个体识别及后续的晋南牛性别识别、年龄识别工作提供了启示。

关键词：晋南牛个体细粒度识别卷积神经网络互学习注意力机制