检索结果-南通市图书馆

湖南大学学报（自然科学版） 2023年第2期50卷 86-94页

作者：孙琛琛许雷申德荣聂铁铮天津理工大学计算机科学与工程学院天津300384 东北大学计算机科学与工程学院辽宁沈阳110169

实体解析致力于识别多条记录是否描述真实世界相同实体,这是数据清洗和数据集成中的关键问题.近年来,基于深度学习的实体解析广受欢迎,它们需要大量标注数据才能达到较优的效果.然而,在现实场景中,大量高质量标注数据不容易获得.本文提... 详细信息

实体解析致力于识别多条记录是否描述真实世界相同实体,这是数据清洗和数据集成中的关键问题.近年来,基于深度学习的实体解析广受欢迎,它们需要大量标注数据才能达到较优的效果.然而,在现实场景中,大量高质量标注数据不容易获得.本文提出了一个基于深度迁移学习的实体解析模型,通过域分离网络提取源域和目标域的公共特征,并利用公共特征得到实体解析结果,从而实现从源域到目标域的迁移.实验结果表明,在多个数据集上,本文提出的方法比之前最好的方法在F1度量上最大提高了40%左右.实验证明本文的方法具有更好的表现,并且训练时间更短.

关键词：实体解析域分离网络变分自编码器数据集成迁移学习

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

接收域分离的跨接收系统通用性辐射源指纹识别

引用

电子与信息学报 2024年第10期46卷 3966-3978页

作者：孙丽婷柳征黄知涛国防科技大学电子科学学院长沙410073

受辐射源硬件失真和接收机硬件失真的耦合作用,实际接收信号中带有当前辐射源系统和接收系统共同的“个体信息”,导致辐射源指纹识别技术(RFF)在跨接收系统场景下无法通用。为消除接收机染色效应,该文将接收机影响作为单独作用域,提出... 详细信息

受辐射源硬件失真和接收机硬件失真的耦合作用,实际接收信号中带有当前辐射源系统和接收系统共同的“个体信息”,导致辐射源指纹识别技术(RFF)在跨接收系统场景下无法通用。为消除接收机染色效应,该文将接收机影响作为单独作用域,提出一种基于接收域分离的跨接收系统通用性辐射源指纹识别方法。该方法通过双标签多通道特征联合和域分离对抗重构方式实现信号中辐射源指纹作用域与接收机染色作用域分离,利用多部接收机数据预先训练网络对两种作用域的分离能力,聚焦辐射源指纹信息提取,从而提升辐射源指纹识别技术在跨平台跨接收系统、更新接收设备等场景下的适应能力。相比于直接特征提取和多接收机打包训练方式,所提方法能够真正适应实际无监督场景,且参与训练的源域接收机数目越多,域适应效果越好,不需要重复训练即可直接推广应用于新接收系统,具有较高的实际应用价值。

关键词：辐射源指纹识别特定辐射源识别域分离网络对抗训练无监督域适应

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

深度多模态不确定度的短视频事件检测方法

引用

哈尔滨工业大学学报 2024年第5期56卷 36-45页

作者：苏育挺王富铕井佩光天津大学电气自动化与信息工程学院天津300072

随着短视频的快速发展,短视频事件检测任务受到越来越多的关注。现有短视频事件检测研究普遍采用深度神经网络来获得确定的检测结果,但是网络忽略了不确定度的影响从而导致错误的预测结果也会产生过度置信的决策。为了解决上述问题,本... 详细信息

随着短视频的快速发展,短视频事件检测任务受到越来越多的关注。现有短视频事件检测研究普遍采用深度神经网络来获得确定的检测结果,但是网络忽略了不确定度的影响从而导致错误的预测结果也会产生过度置信的决策。为了解决上述问题,本文提出了一个深度多模态不确定度网络的短视频事件检测方法。首先,该方法在传统域分离网络中嵌入变分层,用来获得预测分布;然后,将视觉模态信息和音频模态信息输入到网络中,利用该方法所构建的独立性和相关性损失可以获得包含不确定度的音频模态共、私有域预测分布以及视觉模态共、私有域预测分布;最后,提出了一个不确定度判别法则用来筛选4个域的预测分布,从而得到最终的预测结果。在公开数据集(UCF-101与HMDB51)和新构建的短视频事件检测数据集上进行了实验。实验结果表明,面对不同的深度分类方法以及不同的数据集,本文方法不仅有着更高的分类准确率,还可以对输出结果进行不确定度估计,针对音频的干扰也具有较强的鲁棒性。

关键词：深度神经网络短视频事件检测域分离网络变分层模态不确定度

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

面向特征抽取的迁移学习方法在情绪分析中的研究

面向特征抽取的迁移学习方法在情绪分析中的研究

引用

作者：周枝凝中国人民公安大学

学位级别：硕士

一直以来,人们都试图从文本信息中抽取有价值的知识,这也是自然语言处理领域的热门话题之一,得益于计算机人工智能技术的发展,如今也能够从文本数据中抽取更为准确的情绪信息。目前,文本情绪分析中基于深度神经网络的分析方法取得了较... 详细信息

一直以来,人们都试图从文本信息中抽取有价值的知识,这也是自然语言处理领域的热门话题之一,得益于计算机人工智能技术的发展,如今也能够从文本数据中抽取更为准确的情绪信息。目前,文本情绪分析中基于深度神经网络的分析方法取得了较好的成绩。然而,由于模型的训练过程基于传统的机器学习训练方法,测试样本和训练样本来自于同一数据域,这导致模型在另一相关域的数据集上表现不佳,存在严重数据依赖问题。随着网络数据的激增,基于传统假设的模型训练方式显然难以完成现实应用的需求。对此,本文讨论了影响跨数据域模型预测效果的可能因素,通过实验对比分析了字级模型与词级模型在中文情绪分析任务中的效果,从特征抽取的角度出发,将迁移学习与情绪分析模型相结合,提出了一种带有域分离自适应机制的深度迁移网络,并在情绪分类任务实验中验证了该方案的有效性。本文主要研究内容和贡献有:1.提出了一种基于ALBERT的动态词向量构建方案。结合前人的研究结果,本文发现使用多层动态词向量的方法构建文本特征抽取模型,能够解决传统方法中词典外未知单词无法识别的问题,同时也能增加模型的可解释性。此外,利用ALBERT的预训练-微调机制,还可以增加模型的泛化能力。基于ALBERT的动态词向量模型在多分类情绪数据集达到了93.52%的准确率,并通过对比实验证明该方案能够达到更优的特征表示效果。2.提出了一个带域分离自适应机制的深度迁移网络模型。该模型划分为动态词向量层、特征抽取层、域自适应层、特征融合层和分类层,是融合了迁移学习机制的情绪分析模型。模型构建了公有网络和私有网络,分别学习源域和目标域的公有特征和私有特征,以自适应的方式达成模型在不同数据域之间的可迁移性。通过在中英文数据集上的实验证明,该模型能够实现不同数据域之间的迁移预测。

关键词：情绪分析深度学习迁移学习 ALBERT动态词向量域分离网络

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

基于深度学习的真实世界图像超分辨率重建研究

基于深度学习的真实世界图像超分辨率重建研究

引用

作者：张超东南大学

学位级别：硕士

作为计算机视觉的基础任务,单图像超分辨率重建随着深度学习的进步已经取得了显著的发展。但早期的模型大多是基于理想下采样假设训练的,这导致它们在真实世界的场景中表现并不良好;而且大规模获得真实世界中严格配准的高分辨率与低分... 详细信息

作为计算机视觉的基础任务,单图像超分辨率重建随着深度学习的进步已经取得了显著的发展。但早期的模型大多是基于理想下采样假设训练的,这导致它们在真实世界的场景中表现并不良好;而且大规模获得真实世界中严格配准的高分辨率与低分辨率图像对是一项具有挑战性的任务。因此本文围绕这些问题进行研究,利用复杂退化模型设计与无监督学习来改善模型在真实世界场景下的表现。本文的具体工作如下:首先,梳理了基于深度学习的图像超分辨率基础理论与实现方法,依次讨论了图像超分辨率中常见的设计结构,上采样方法,损失函数。同时分析了在真实世界场景中超分辨率重建任务的问题与挑战,并研究了四种解决方法,其中基于退化模型的方法旨在合成退化模式更加丰富的低分辨率图像,基于真实图像对的方法实践了可行的配准图像收集策略,基于域转换的无监督学习方法使用未配对的高、低分辨率图像对实现训练,基于自学习的方法在测试阶段使用图像先验进行训练以改善重建表现。之后还介绍了常见的图像超分辨率任务相关数据集和图像质量评价标准。然后,引入了一个复杂的退化模型来扩大合成数据集中低分辨率图像的退化空间。使用自适应下采样模型获取退化过程中的模糊核,并使用深度学习网络来估计待退化图像的噪声参数,从而生成与图像内容相关的噪声图。再将这两个关键参数输入多阶随机顺序退化模型中实现高分辨率图像到低分辨率图像的合成,解决了理想假设下合成低分辨率图像与真实低分辨率图像分布差距较大的问题,提高了合成数据集用于真实场景的能力。在合成数据集的基础上,设计了Swin USR模型,利用其自注意力机制和多尺度特征提取能力实现更细致的图像重建效果。在常用数据集DIV2K unknown和真实世界数据集DReal SR上使用五个图像质量评价指标对不同训练设置下的模型和退化方法效果进行客观评估,均取得了最多的最佳成绩;在视觉效果方面,本文提出的方法还原了更多细节。最后,基于对抗域转换框架和特征域正则化方法,采用域分离的策略,设计了一套基于特征分离与对齐的无监督学习模型用于图像超分辨率重建任务,解决了监督学习无法有效利用广泛存在的非配对高、低分辨率图像的问题。特征分离与对齐网络利用域共享特征编码器和多组域私有特征编码器分别获得来自真实低分辨率图像域和合成低分辨率图像域的共有特征和私有特征,并基于解码器为不同特征组合的恢复目标设计了有效的约束条件,以对齐来自两个域的共有特征。在共有特征的基础上,对合成和真实低分辨率图像域分别采用监督学习和无监督学习,既考虑到了训练的稳定性与效率,又提高了模型重建效果和泛化能力。在采用数据集DIV2K unknown进行训练和测试后,相较于其它基于无监督学习的方法,本文提出的模型架构与训练方式可以在重建图像上获得更好的纹理一致性,同时避免伪影。

关键词：图像超分辨率重建深度学习真实世界场景退化模型域分离网络

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：