检索结果-南通市图书馆

中文信息（程序春秋） 2003年第6期 15-19页

作者：冯睿

在这篇文章中我们会讨论关于如何设计实体的超类型和子类型的问题。这个问题又被称作范化层次(GeneralizationHierarchy)或继承(Inheritance)。在这篇文章中将回答下面两个关键问题:在什么时候,什么地方以及为什么要使用超类型和子类型... 详细信息

在这篇文章中我们会讨论关于如何设计实体的超类型和子类型的问题。这个问题又被称作范化层次(GeneralizationHierarchy)或继承(Inheritance)。在这篇文章中将回答下面两个关键问题:在什么时候,什么地方以及为什么要使用超类型和子类型来定义实体?如何保证产生的 DDL 脚本真正实现用上述方法定义的数据模型?

关键词：数据建模超类子类范化层次继承

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

基于蚁群优化信息素标准差的关系型数据隐含超类挖掘算法

基于蚁群优化信息素标准差的关系型数据隐含超类挖掘算法

引用

第十二届中国指挥控制大会

作者：李翔王珵珺刘艺刘坤王强中国人民解放军军事科学院

为解决关系型数据库中本体隐含语义挖掘问题,提出了基于蚁群优化信息素标准差的隐含超类挖掘算法。通过实验验证了当数据库中各表代表各物品,部分物品的种类相同度明显高于其他物品,物品信息列命名统一,且种类特征明显,即多个列名可表... 详细信息

为解决关系型数据库中本体隐含语义挖掘问题,提出了基于蚁群优化信息素标准差的隐含超类挖掘算法。通过实验验证了当数据库中各表代表各物品,部分物品的种类相同度明显高于其他物品,物品信息列命名统一,且种类特征明显,即多个列名可表征该种类时,算法效果显著。其在大数据背景下,对仅仅依托数据库中表、列、主外键信息构建本体是一种补充。隐含超类语义的发现更拓展了对数据的应用,挖掘出概括性信息。

关键词：隐含语义关系型数据库本体蚁群优化信息素标准差超类

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

OBMS/IDKE系统综述

引用

计算机工程与应用 1992年第6期28卷 59-66页

作者：唐元昌王珊中国人民大学数据与知识工程研究所

本文描述了一个对象库管理系统OBMS/IDKE的体系结构和研制目标,并对其数据模型、对象存贮、模式定义及动态更新、面向对象的数据库程序设计语言ODPL几方面进行了介绍,粗略地刻画了系统对ODPL的处理过程。

关键词：对象库永久对象数据模型对象定义语言体系结构触发器属性超类面向对象类层次

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

零样本目标检测算法研究

零样本目标检测算法研究

引用

作者：邵逸岚浙江大学

学位级别：硕士

深度学习技术的迅速发展与大规模类别的标注数据集推动了计算机视觉任务的发展与进步,包括图像识别、目标检测与图像分割。由卷积神经网络组成的复杂模型,其性能很大程度上依赖于完备的训练数据。然而,收集并标注日常生活中所有类别的... 详细信息

深度学习技术的迅速发展与大规模类别的标注数据集推动了计算机视觉任务的发展与进步,包括图像识别、目标检测与图像分割。由卷积神经网络组成的复杂模型,其性能很大程度上依赖于完备的训练数据。然而,收集并标注日常生活中所有类别的物体图片是不现实的事情,训练数据的缺乏便阻碍了这些模型在更大规模类别上的应用。为了解决这个问题,研究者们提出了零样本识别的概念,并基于此做了很多工作。他们利用语义知识作为中间桥梁来推理从未见过的新类,这些语义知识可以是类别的属性向量或者词向量。从分类再前进一步,我们也可以在零样本的条件下进行目标检测,但是目前这个问题还未得到深入的研究。零样本检测的主要目标是同时对图片中不可见类的目标对象进行定位与识别。目前,有研究人员尝试将零样本识别的算法移植到检测模型中来完成零样本检测的任务。虽然这个方法起到了一定作用,但是效果却差强人意。其实原因在于人们往往会忽略目标建议阶段的泛化能力,仅将关注点放在不可见类对象的识别上。作为一个检测问题,首先要解决的就是如何将目标找出,也就是将物体从背景中分离出来。这是零样本检测与零样本识别关键的不同之处,也是该问题的难点之一。零样本目标检测作为一个极具挑战性的现实问题,正在逐渐成为计算机视觉领域的研究热点。本文的工作致力于提升零样本目标检测的性能。前期工作以大量的基础调研为主,以熟悉该领域的发展概况并把握问题核心。通过分析通用检测器的算法原理,我们提出了两种新算法,分别用于增强目标建议的迁移能力和优化不可见类的预测能力。文章的主要贡献为以下三点:1.对零样本识别、目标检测以及零样本检测的研究进展进行综述,使用形式化的语言对零样本目标检测进行问题定义与算法描述。我们也着重介绍了算法中用到的关键技术基础,如视觉特征提取、候选区域生成和视觉语义映射。2.提出使用置信度分布增强目标建议模块迁移能力的零样本检测算法。置信度分布能够通过关联各类别之间的共现性来激励模型去评估某区域所有类别上出现的可能性,使目标建议模块实现知识迁移,这样可以提高测试阶段不可见类的召回率从而提升检测器的性能。3.提出基于超类引导的零样本检测算法以优化类别预测的环节。利用空洞卷积提取的上下文特征预测超类,超类概率分布可以为最终的分类提供有效的引导。与单纯使用语义向量来预测不可见类的方法相比,该方法在类别预测上具有更佳的表现。

关键词：零样本学习目标检测零样本检测迁移学习置信度分布语义知识上下文超类

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

连续学习场景下的表示学习算法与网络结构研究

连续学习场景下的表示学习算法与网络结构研究

引用

作者：展旭晖中国石油大学(北京)

学位级别：硕士

机器学习的目标之一是更自然地学习一系列即将到达的任务。连续学习模仿了人类的真实学习模式,在不忘记旧知识的同时,不断学习新知识。在过去的几十年里,这种学习方法受到了很大关注。然而,由于连续学习中普遍存在的灾难性遗忘现象,即... 详细信息

机器学习的目标之一是更自然地学习一系列即将到达的任务。连续学习模仿了人类的真实学习模式,在不忘记旧知识的同时,不断学习新知识。在过去的几十年里,这种学习方法受到了很大关注。然而,由于连续学习中普遍存在的灾难性遗忘现象,即模型在学习新知识的过程中很容易忘记先前学习过的旧知识。这种现象将影响模型的鲁棒性能。因此,如何克服灾难性遗忘问题以提高模型的整体稳定性仍然是当前深度学习中连续学习领域的一大挑战。目前连续学习场景存在三种方法策略,其中,通过回放先前任务样例来避免遗忘的策略是一种较为理想的方式。然而,简单的回放行为缺乏策略性,既忽略了样例内部具有的丰富特征,也忽略了真实环境中的数据复杂度与安全性。因此,本文从表示学习出发,对优化记忆回放策略进行了如下的研究:(1)本文在类增量学习场景下建立了特征分离的连续学习模型。该模型将输入样例转化为不同类样例间的共享特征和同类样例间的特有特征。在新任务即将到来时,不同类样例间的共享特征将通过深度生成式模型转化为重构样本,加入新任务进行共同训练,在缓解灾难性遗忘问题的同时,优化了模型的体量并减少了运算代价。(2)模型在训练后期,存在输入样例类型过于复杂的现象,特征分离的连续学习模型难以提取出多类样例间的共享特征,因此,本文提出“超类设想”以简化样例的分类机制。在这个设想下,本文通过引入非对比学习的思想,探索出了一种基于任务级共享隐表示对齐的连续学习模型。为了验证上述两种模型的稳定性能与抗遗忘能力,本文在通用数据集Split-MINST与Fashion-MINST上进行训练,并通过两个衡量指数进行分析。实验结果表明,本文提出的两种模型可以出色地学习不同任务间样例的相似性特征,其中,任务级共享隐表示对齐的连续学习模型拥有更好的性能,可以更好地缓解对连续学习场景中出现的灾难性遗忘问题。

关键词：连续学习表示学习深度生成式模型超类非对比学习

来源：

同方学位论文库评论