检索结果-南通市图书馆

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

基于负学习的重加权鲁棒学习方法

计算机应用 2023年

作者：邹博士杨铭宗辰辰谢明昆黄圣君南京航空航天大学计算机科学与技术学院

噪声标记学习方法能够有效利用含有标记噪声的数据来训练模型，显著降低大规模数据集的标注成本。现有的噪声标记学习方法通常假设数据集中各个类别的样本数目是平衡的。然而，在许多真实场景下，数据往往存在噪声标记，且数据的真实分... 详细信息

噪声标记学习方法能够有效利用含有标记噪声的数据来训练模型，显著降低大规模数据集的标注成本。现有的噪声标记学习方法通常假设数据集中各个类别的样本数目是平衡的。然而，在许多真实场景下，数据往往存在噪声标记，且数据的真实分布具有长尾现象，这导致现有方法难以设计有效的指标，如训练损失或置信度区分尾部类别中的干净样本和噪声样本。为了解决噪声长尾学习问题，提出一种基于负学习的样本重加权鲁棒学习算法。具体来说，根据模型对头部类别和尾部类别样本的输出分布，提出一种新的样本权重计算方法，能够使干净样本的权重接近1，噪声样本的权重接近0。为了保证模型对样本的输出准确，结合负学习和交叉熵损失使用样本加权的损失函数训练模型。实验结果表明，在多种不平衡率和噪声率的CIFAR-10以及CIFAR-100数据集上，所提出方法相较于噪声长尾分类的最优基线模型TBSS (Two Stage BiDimensional Sample Selection)，平均准确率分别提升4.79%和3.46%。

关键词：噪声标记学习长尾学习噪声长尾学习样本重加权负学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于负学习的样本重加权鲁棒学习方法

计算机应用 2024年第5期44卷 1479-1484页

作者：邹博士杨铭宗辰辰谢明昆黄圣君南京航空航天大学计算机科学与技术学院南京211106

噪声标记学习方法能够有效利用含有噪声标记的数据训练模型,显著降低大规模数据集的标注成本。现有的噪声标记学习方法通常假设数据集中各个类别的样本数目是平衡的,但许多真实场景下的数据往往存在噪声标记,且数据的真实分布具有长尾现... 详细信息

噪声标记学习方法能够有效利用含有噪声标记的数据训练模型,显著降低大规模数据集的标注成本。现有的噪声标记学习方法通常假设数据集中各个类别的样本数目是平衡的,但许多真实场景下的数据往往存在噪声标记,且数据的真实分布具有长尾现象,这导致现有方法难以设计有效的指标,如训练损失或置信度区分尾部类别中的干净样本和噪声样本。为了解决噪声长尾学习问题,提出一种基于负学习的样本重加权鲁棒学习(NLRW)方法。具体来说,根据模型对头部类别和尾部类别样本的输出分布,提出一种新的样本权重计算方法,能够使干净样本的权重接近1,噪声样本的权重接近0。为了保证模型对样本的输出准确,结合负学习和交叉熵损失使用样本加权的损失函数训练模型。实验结果表明,在多种不平衡率和噪声率的CIFAR-10以及CIFAR-100数据集上,NLRW方法相较于噪声长尾分类的最优基线模型TBSS(Two stage Bi-dimensional Sample Selection),平均准确率分别提升4.79%和3.46%。

关键词：噪声标记学习长尾学习噪声长尾学习样本重加权负学习

维普期刊数据库

负例伪标签分析用于视频Transformer的半监督动作识别研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年

作者：罗德艳徐杨左锋云王明刚贵州大学大数据与信息工程学院遵义铝业股份有限公司

动作识别作为一种模式识别技术，旨在通过分析视频或图像序列来识别和分类人体动作或行为。由于当前视频数量的激增，半监督学习被引入到动作识别的相关模型中，但分类效果仍然存在较大的提升空间。视觉Transformer在图像处理中相较于CN... 详细信息

动作识别作为一种模式识别技术，旨在通过分析视频或图像序列来识别和分类人体动作或行为。由于当前视频数量的激增，半监督学习被引入到动作识别的相关模型中，但分类效果仍然存在较大的提升空间。视觉Transformer在图像处理中相较于CNN有更好的效果。因此，改进视频Transformer在半监督学习中的训练范式。首先，使用预训练权重对网络进行初始化，解决Transformer架构训练成本高的问题。其次，引入logit标准化预处理技术，解除学生与教师之间logit的强制匹配限制。最后，结合负学习技术对模型性能动态评估并分配负伪标签，解决模糊预测示例利用不充分的问题。实验结果表明，相对于传统卷积网络，改进的半监督视频Transformer网络在两个广泛的视频动作识别数据集UCF-101和HMDB-51上，能够取得更好的识别效果，且改进网络模型在UCF-101数据集1%和10%标签率上比基础模型分别提高6.4%和1.5%，在HMDB-51数据集40%、50%和60%标签率上分别提高5.2%、3.6%和3.1%。

关键词：动作识别半监督学习视觉Transformer logit标准化预处理负学习

GHPN：面向半监督小样本节点分类的图超球面原型网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年

作者：徐祖豪陈鑫龙李进黄益颂傅仰耿福州大学计算机与大数据学院香港科技大学(广州)信息枢纽

图神经网络已经成功应用于各种与图相关的任务中。以有监督的方式训练一个图神经网络需要大量标签，而现实世界中受到成本制约难以获取大量标签，因此在小样本学习或半监督学习场景的标签就更为稀少。为了克服这个问题，许多方法通过标... 详细信息

图神经网络已经成功应用于各种与图相关的任务中。以有监督的方式训练一个图神经网络需要大量标签，而现实世界中受到成本制约难以获取大量标签，因此在小样本学习或半监督学习场景的标签就更为稀少。为了克服这个问题，许多方法通过标签传播的方法来估计标签，但通常会受到图上连接性和同质性假设的限制，容易生成带有噪声的伪标签。为了解决这些限制，本文提出了一个名为图超球面原型网络的新方法GHPN，专注于半监督小样本节点分类。为了减轻图结构对预测结果的影响，GHPN在超球面表示空间中建模类别表示，通过类级别表示在语义空间中传播标签信息。此外，为了利用未标记节点的监督信息，本文设计了一个基于原型网络预测结果的负学习框架，用于补充监督信号，调整各类别原型之间的距离。在五个真实世界的数据集上进行的实验表明，该方法与十个最先进的方法相比能够有效提高性能，在四个数据集上能取得平均排名最佳结果。

关键词：半监督学习图表示学习小样本学习原型网络负学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的颅内脑电信号分类研究

基于深度学习的颅内脑电信号分类研究

作者：于梦馨山东师范大学

学位级别：硕士

癫痫是一种神经系统疾病,其特征是由异常脑电活动引起的突发性、非自愿性的意识、行为、感觉或运动异常。脑电图是一种记录大脑放电活动的模式,通过记录时间序列可以有效反映癫痫患者的情况。根据电极的位置不同,脑电图可分为头皮脑电图... 详细信息

癫痫是一种神经系统疾病,其特征是由异常脑电活动引起的突发性、非自愿性的意识、行为、感觉或运动异常。脑电图是一种记录大脑放电活动的模式,通过记录时间序列可以有效反映癫痫患者的情况。根据电极的位置不同,脑电图可分为头皮脑电图(Electroencephalography,EEG)和颅内脑电图(Intracranial EEG,iEEG)两种。EEG记录信号时将电极放置在头皮上,而iEEG则直接将电极植入人类大脑以记录信号。对于耐药性癫痫患者,iEEG是一种关键、有效且相对安全的方法,在手术前准确识别癫痫发生区域具有重要意义。早期癫痫发作的检查通常需要电生理学家进行目视观察,这种方法费时费力,并且容易受到电生理学家主观经验的影响。因此,需要一种自动检测方法来进行iEEG信号的临床检测。近年来,深度学习方法在iEEG自动分类方面取得了显著的进展。然而,仍然存在一些限制,例如,iEEG分类方法准确率较低,以及如何有效利用无标签iEEG数据进行模型训练等问题。针对以上问题,本文研究了基于深度学习的iEEG信号分类方法,论文的主要工作如下:(1)为解决iEEG分类方法准确率较低的问题,本文设计并提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)和Transformer的iEEG分类方法(iEEG classification method based on CNN and Transformer,IEEG-CT)。首先,通过深度一维CNN模块从iEEG信号中提取生理特征;其次,利用基于因果卷积的多头注意力机制有效挖掘iEEG信号中的关键信息,从而提高iEEG分类准确率。在公开的多中心iEEG数据集上,IEEG-CT展现出良好的性能,为改善iEEG分类准确率提供了有效的解决方案。本文提出的方法具有良好的应用前景,可为癫痫等神经系统疾病的诊断和治疗提供技术参考。(2)为解决如何有效利用无标签iEEG数据进行模型训练问题,本文设计并提出了一种基于注意力和自训练的伪标签优化半监督学习方法(Attention-based and Self-training Pseudo-label optimized semi-supervised learning method for iEEG classification,IEEG-ASP),用于iEEG信号分类。IEEG-ASP由基于注意力机制的神经网络(Attention-based Neural Network,Att NN)和伪标签优化算法组成。在Att NN中,首先,引入了一维卷积块注意力模块(Convolutional Block Attention Module,CBAM)和挤压与激励模块(Squeeze-andExcitation Network,SENet),以增强对信号特征的识别能力和特征提取质量;其次,使用双向门控循环单元获取iEEG信号的时间信息。伪标签优化算法采用自训练方法,应用了不确定性感知(Uncertainty Awareness,UA)和负学习技术(Negative Learning,NL),以减轻偏差和校准误差,并增强了模型的泛化能力。在公开的多中心iEEG数据集上,IEEG-ASP在准确度、AUROC和AUPRC等方面优于现有的iEEG半监督分类方法。这一研究对于利用无标签数据提升模型iEEG分类性能具有参考价值。

关键词：颅内脑电信号注意力机制半监督学习不确定性感知负学习

基于多模式增广的复杂环境半监督图像分类研究

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

基于多模式增广的复杂环境半监督图像分类研究

作者：姚博杭州电子科技大学

学位级别：硕士

半监督学习能够在少量的标注数据下对模型进行训练,通过挖掘大量无标注数据隐藏的信息,解决标注数据难以获取的问题,是深度学习的重点研究方向。在半监督学习领域中,由于多视图学习结构复杂,训练难度大;对抗生成模型又对标注数据完备性... 详细信息

半监督学习能够在少量的标注数据下对模型进行训练,通过挖掘大量无标注数据隐藏的信息,解决标注数据难以获取的问题,是深度学习的重点研究方向。在半监督学习领域中,由于多视图学习结构复杂,训练难度大;对抗生成模型又对标注数据完备性要求高,因此不适用于复杂场景的图像分类;而一致性正则化可以从样本扰动的误差上对模型进行约束,将标注信息传播至无标注数据,是目前解决半监督图像分类问题的主流方案。但是当前一致性正则化方法未能在增广模式多样性上取得进一步成果,因此模型在特征数量不足或者错误标签等复杂情况下的分类效果不达预期。为此,本文围绕着多模式增广改进模型训练方法,重点解决半监督分类模型在小样本标注和失配样本下的泛化能力下降问题,具体研究内容如下:（1）提出一种新的多模式增广半监督图像分类方法。首先,结合预测输出置信度和偏差度量,提出基于不确定性筛选的样本增质方法;其次,建立多种增广模式相结合的样本增容方法;最后,基于增质增容样本集构造伪标签一致性度量的损失函数,建立一种新的半监督图像分类方法。（2）提出基于小样本标注的内嵌打标器半监督分类方法。首先,在已有的网络模型中建立基于小样本标注的打标模块;其次,再将标注数据的先验信息用于深度网络分类器集中训练,校正网络参数;最后,通过周期性打标及冻结训练,实现小样本标注下半监督模型泛化能力的提升。（3）提出基于负学习的开集半监督分类方法。首先,结合特征的余弦相似度及其欧式距离,建立失配样本检测方法;其次,基于失配样本与已知类别的差异引入负学习机制,用失配特征反向约束模型,使其聚焦于已知类别的泛化;最后,构建多个开集数据集,验证模型在已知类别下的泛化能力。

关键词：图像分类深度学习半监督学习样本增广负学习