检索结果-南通市图书馆

遥感信息 2023年第6期38卷 22-28页

作者：刘涛余志奇武汉市政工程设计研究院有限责任公司武汉430000

由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on d... 详细信息

由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on deep metric network,BEDMN)。该方法使用相似性正则化计算像素样本在深度特征空间的相似性,使得同类样本特征相近、异类样本特征相远,增加深度特征的辨别性。为验证该方法的精度,选取两个区域进行实验,在城市实验区和农村实验区的建筑物提取查全率/查准率分别为88.01%/89.30%、95.13%/94.15%。结果表明,该方法可以有效提升深度网络的辨别能力,提高建筑物的提取精度。

关键词：建筑物提取深度学习度量网络相似度辨别性

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

有限训练样本条件下的文本分类方法研究

有限训练样本条件下的文本分类方法研究

引用

作者：王婷重庆理工大学

学位级别：硕士

随着深度学习技术在自然语言处理领域的不断发展,文本分类任务取得了重大进展,其成功的主要原因之一在于拥有海量的有标注训练数据,但是在现实场景中,大量的训练数据是难以获取的,这极大地限制了文本分类任务的发展。为了打破文本分类... 详细信息

随着深度学习技术在自然语言处理领域的不断发展,文本分类任务取得了重大进展,其成功的主要原因之一在于拥有海量的有标注训练数据,但是在现实场景中,大量的训练数据是难以获取的,这极大地限制了文本分类任务的发展。为了打破文本分类任务的发展瓶颈,业内提出多种方法来解决有限训练样本条件下的文本分类问题。本文主要针对该问题进行探究,研究内容包括以下三点:(1)针对现有方法大多专注于挖掘文本内部浅层的语义信息,而忽略了引入额外知识来解决标注数据短缺问题,我们提出了一种新的基于知识增强的文本分类模型。详细介绍了模型的整体架构,具体实现细节以及所用到的实验环境、实验数据、参数信息,并在4个公开数据集上设计了对比实验,实验结果均显示我们的模型具有一定的竞争优势。(2)借助元学习和少样本学习的思想,赋予深度神经网络处理有限样本的能力。以往的研究大多忽略了支持集与查询集之间存在的交互信息且忽略了样本间的重要性程度不同,我们提出了一种基于特征提取和度量网络的少样本分类模型,共分为四部分:词嵌入模块、上下文编码模块、双向注意力模块和度量模块。模型结合GRU的全局信息提取能力和注意力的局部细节学习能力对文本特征进行建模,同时构建双向注意力网络来捕获支持样本与查询样本间的交互信息,并创新性的提出“类别表示生成器”用以区分同类样本间的不同重要性同时生成更具判别性的类别表示。此外,为了获得更为清晰的分类界限,还设计了一个类别感知的正则化项来优化类别表示。实验结果表明,本文提出的模型相较于其他基线模型的分类准确率均有提升。(3)本文关注如何充分挖掘文本深层连续的语义信息并区分不同样本、不同特征的重要性,缓解样本特征稀疏的问题。因此本文提出了一种基于双向门控时间卷积和混合注意力机制的少样本分类新方法。设计了带有注意力机制的双向门控时间卷积网络作为特征提取器,既克服了RNN不能并行处理的局限性又能够有效的从文本数据中提取到时序特征。在此基础上还提出了混合注意力机制,帮助区分不同样本和特征的重要性,突出特征空间的重要维度并针对不同查询样本形成对应的距离公式,缓解样本特征稀疏问题。为了验证设计,我们在2个真实数据集上进行了对比实验,并对实验结果进行了分析。

关键词：文本分类元学习少样本学习度量网络知识嵌入

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

基于双向注意力和类生成器的小样本文本分类

引用

小型微型计算机系统 2023年第12期44卷 2744-2751页

作者：王婷朱小飞唐顾重庆理工大学计算机科学与工程学院重庆400054

在小样本文本分类领域中,查询集和支持集的特征提取是影响分类结果的关键之一,但以往的研究大多忽略了两者之间存在匹配信息且在各自的信息提取中忽略了特征间的重要性程度不同,因此提出了一种新的小样本分类模型.模型结合GRU的全局信... 详细信息

在小样本文本分类领域中,查询集和支持集的特征提取是影响分类结果的关键之一,但以往的研究大多忽略了两者之间存在匹配信息且在各自的信息提取中忽略了特征间的重要性程度不同,因此提出了一种新的小样本分类模型.模型结合GRU的全局信息提取能力和注意力机制的局部细节学习能力对文本特征进行建模,同时采用双向注意力机制来获取支持样本与查询样本间的交互信息,并创新性的提出“类生成器”用以区分同类样本间的不同重要性同时生成更具判别性的类别表示.此外,为了获得更为清晰的分类界限,还设计了一个原型感知的正则化项来优化原型学习.模型在2个小样本分类数据集上进行了实验,均取得了比目前最优基线模型更好的分类效果.

关键词：小样本学习度量网络双向注意力文本分类

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

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

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

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：