細(xì)粒度
- 細(xì)粒度云數(shù)據(jù)自適應(yīng)去重方法研究
有幫助[1]。細(xì)粒度云數(shù)據(jù)指的是各個(gè)方面信息都非常詳細(xì)具體的云數(shù)據(jù)，具有多層次化與高效化的特點(diǎn)。與傳統(tǒng)意義上的云數(shù)據(jù)存在一定差異，細(xì)粒度云數(shù)據(jù)獲取的難度較高，需要經(jīng)過大量的訓(xùn)練與學(xué)習(xí)才能獲得。隨著數(shù)據(jù)量的快速增長，細(xì)粒度云數(shù)據(jù)中不可避免會(huì)存在各類重復(fù)數(shù)據(jù)。相似重復(fù)的數(shù)據(jù)一方面消耗了大量不必要的存儲(chǔ)空間與人力開支，另一方面增大了云數(shù)據(jù)的管理難度，降低了云數(shù)據(jù)管理的效率與質(zhì)量[2]?；诖?，科學(xué)合理的細(xì)粒度云數(shù)據(jù)去重方法至關(guān)重要。當(dāng)前，傳統(tǒng)的云數(shù)據(jù)去重方法逐步
電腦與電信 2023年9期2024-01-14
- 基于代價(jià)敏感的細(xì)粒度服裝圖片檢索
檢索技術(shù)逐漸向細(xì)粒度方向深入發(fā)展。細(xì)粒度服裝圖片檢索主要通過對(duì)圖像的相似度進(jìn)行比較實(shí)現(xiàn)［1-4］，該類方法在服裝圖片像素層面構(gòu)建檢索模型提取全局或局部特征進(jìn)行相似度的排序比較。然而，細(xì)粒度服裝圖片檢索中廣泛存在類別不平衡問題，即當(dāng)部分類別數(shù)量遠(yuǎn)高于其他類別數(shù)量時(shí)，在學(xué)習(xí)過程中通常會(huì)導(dǎo)入有利于數(shù)量占比多類別的分布偏差，導(dǎo)致數(shù)量少類別的條件概率被低估，從而影響分類和檢索結(jié)果。由于相同類別服裝圖片之間高度相似，以及部分服裝圖片數(shù)據(jù)集存在類別不平衡現(xiàn)象，面向服裝圖
軟件導(dǎo)刊 2023年10期2023-10-31
- 結(jié)合金字塔和長短期記憶網(wǎng)絡(luò)的細(xì)粒度圖像分類
引 言近年來,細(xì)粒度圖像分類在學(xué)術(shù)界和工業(yè)界都展現(xiàn)出巨大的應(yīng)用前景[1,2].與一般的圖像分類[3]不同,細(xì)粒度圖像分類的目的是在于從一個(gè)大類的各子類中識(shí)別出細(xì)微的視覺差異,比如,鳥的種類[4]、汽車品牌[5]和飛機(jī)型號(hào)[6].由于這種差異通常太小而難以被人類區(qū)分,導(dǎo)致從圖像中挖掘局部細(xì)微差異成為細(xì)粒度圖像分類任務(wù)的關(guān)鍵問題之一.為了解決這個(gè)問題,目前大多數(shù)的方法主要集中在兩個(gè)方面,即定位多樣性的局部和提取鑒別性的特征.最近的研究表明,特征金字塔[7,8]
小型微型計(jì)算機(jī)系統(tǒng) 2023年8期2023-08-29
- 基于鑒別注意力融合的儀表細(xì)粒度分類方法
些研究者們應(yīng)用細(xì)粒度圖像分類算法挖掘儀表的鑒別特征。文獻(xiàn)[1]通過圖像生成器增廣數(shù)據(jù)集,從而為細(xì)粒度分類模型提供更多可鑒別粒度;文獻(xiàn)[2]使用基于注意力機(jī)制的裁剪方式增廣圖像達(dá)到擴(kuò)充訓(xùn)練數(shù)據(jù)集的目的,提高了細(xì)粒度識(shí)別的準(zhǔn)確率。圖1 某變電站儀表數(shù)據(jù)示例圖針對(duì)上述儀表數(shù)據(jù)的特點(diǎn),該文提出了基于鑒別注意力融合的儀表細(xì)粒度圖像分類方法,設(shè)計(jì)的鑒別注意力模塊(Discriminant Attention Model,DAM)是通過雙線性池化進(jìn)行融合的,亮點(diǎn)在于利用
計(jì)算機(jī)技術(shù)與發(fā)展 2023年7期2023-07-21
- 基于高低階特征交互學(xué)習(xí)的點(diǎn)擊率預(yù)測(cè)模型研究
階特征進(jìn)行更加細(xì)粒度的特征交互，實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更細(xì)粒度的高階交互特征，兼顧高低階特征學(xué)習(xí)，獲取更加全面的潛在特征相關(guān)性。在Criteo和Avazu兩個(gè)公開的大數(shù)據(jù)集上實(shí)驗(yàn)發(fā)現(xiàn)，與已提出的相關(guān)模型相比較，新模型在性能方面均有所提升。關(guān)鍵詞：點(diǎn)擊率；高低階特征交互；壓縮交互網(wǎng)絡(luò)；細(xì)粒度中圖分類號(hào)：TP39文獻(xiàn)標(biāo)志碼：A0 引言2023年1月12日發(fā)布的《2022中國互聯(lián)網(wǎng)廣告數(shù)據(jù)報(bào)告》顯示，2022年，國內(nèi)互聯(lián)網(wǎng)廣告市場(chǎng)規(guī)模已達(dá)5 088億元，規(guī)模巨大。
無線互聯(lián)科技 2023年5期2023-05-24
- 基于細(xì)粒度特征與注意力機(jī)制的機(jī)載圖像匹配
,無法在不破壞細(xì)粒度特征的同時(shí)獲取全局特征關(guān)聯(lián)。為此,學(xué)者們將具有全局感受野的注意力機(jī)制[7]引入機(jī)載圖像匹配任務(wù),如文獻(xiàn)[8-9]分別基于空間轉(zhuǎn)換器[10](Spatial Transformer, ST)和視覺轉(zhuǎn)換器[11](Vision Transformer, ViT)來處理多視角機(jī)載圖像匹配問題。但上述方法在特征提取階段忽略了匹配圖像間的關(guān)聯(lián)關(guān)系。而文獻(xiàn)[12]已證明,進(jìn)一步學(xué)習(xí)圖像間的相似性特征能有效提高后續(xù)匹配的精度。因此,本文提出了一種基于
航天控制 2023年2期2023-05-12
- 基于視覺一致性增強(qiáng)的細(xì)粒度圖像檢索
制化和精細(xì)化，細(xì)粒度圖像檢索近年來逐漸受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。對(duì)于給定的屬于同一大類(如，狗)的圖像，細(xì)粒度圖像檢索旨在進(jìn)一步檢索屬于相同子類的圖像(如，沃克獵犬和巴塞特犬)。相較于經(jīng)典圖像檢索，細(xì)粒度圖像檢索的主要難點(diǎn)包括：(1)類間差異小。不同子類的圖像高度相似，區(qū)分性的差異信息僅體現(xiàn)細(xì)微的局部區(qū)域；(2)類內(nèi)差異大。相同子類的圖像由于姿態(tài)、光照、背景和拍攝角度的不同，差異巨大難以區(qū)分。因此，將經(jīng)典圖像檢索算法應(yīng)用在細(xì)粒度圖像數(shù)據(jù)集[8-11]上
計(jì)算機(jī)技術(shù)與發(fā)展 2022年12期2022-12-11
- 基于混合蟻群優(yōu)化的邊緣計(jì)算細(xì)粒度任務(wù)調(diào)度方法
，實(shí)現(xiàn)邊緣計(jì)算細(xì)粒度任務(wù)高效率調(diào)度，以期為邊緣計(jì)算任務(wù)調(diào)度問題提供參考和借鑒。1 邊緣計(jì)算細(xì)粒度任務(wù)調(diào)度的原理邊緣計(jì)算細(xì)粒度任務(wù)調(diào)度屬于一種連續(xù)性問題，使用單一的蟻群算法進(jìn)行調(diào)度，容易產(chǎn)生收斂速度慢，計(jì)算時(shí)間長，易于過早陷入局部最優(yōu)的問題。為此，本文引入遺傳算法，構(gòu)建混合蟻群算法對(duì)細(xì)粒度任務(wù)調(diào)度進(jìn)行優(yōu)化，解決單一蟻群算法易于過早陷入局部最優(yōu)的問題，提高邊緣計(jì)算細(xì)粒度任務(wù)調(diào)度性能，具體描述如下。1.1 問題描述邊緣計(jì)算任務(wù)調(diào)度是指將原本應(yīng)由本地服務(wù)器或中心云
計(jì)算機(jī)測(cè)量與控制 2022年11期2022-12-01
- 基于貝葉斯算法的弱監(jiān)督細(xì)粒度圖像分類方法
類的視覺判讀。細(xì)粒度圖像分類是近年來計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域的研究熱點(diǎn)之一，其為一種類似于傳統(tǒng)圖像分類任務(wù)的分類方法。由于細(xì)粒度圖像的信噪比很小，而具有足夠分辨力的信息通常只存在于很小的局部區(qū)域，因此細(xì)粒度圖像的分類比一般的圖像分類更具挑戰(zhàn)性。該方法只需對(duì)圖像進(jìn)行分類就可以解決局部區(qū)域的定位問題，并在保證分類精度的前提下，可以有效地減少計(jì)算量。細(xì)粒度圖像的分類是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。常用的弱監(jiān)督細(xì)粒度圖像分類方法主要有基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度圖像分類方法
計(jì)算機(jī)仿真 2022年9期2022-10-25
- CNN和Transformer在細(xì)粒度圖像識(shí)別中的應(yīng)用綜述
0022近年，細(xì)粒度圖像識(shí)別在計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域掀起了一陣熱潮，其在學(xué)術(shù)界和工業(yè)界都獲得了極大的關(guān)注度，在智能零售系統(tǒng)[1-2]、生物多樣性監(jiān)測(cè)[3]等領(lǐng)域具有廣泛的應(yīng)用價(jià)值。而傳統(tǒng)的計(jì)算機(jī)視覺研究方法不能夠勝任復(fù)雜的細(xì)粒度圖像識(shí)別任務(wù)，因此許多研究將深度學(xué)習(xí)技術(shù)[4]應(yīng)用于細(xì)粒度圖像識(shí)別領(lǐng)域，其在定位局部、特征表示，分類等方面都取得了良好的效果。由于人類視覺系統(tǒng)本質(zhì)上對(duì)細(xì)粒度圖像[5]具有推理能力，不僅能識(shí)別出狗類和鳥類，還能區(qū)分出具有細(xì)微差異的
計(jì)算機(jī)工程與應(yīng)用 2022年19期2022-10-18
- 基于深度聚類的目標(biāo)細(xì)粒度分類方法
0065）引言細(xì)粒度目標(biāo)分類又被稱為子類圖像分類，是近幾年計(jì)算機(jī)視覺領(lǐng)域熱門且富有挑戰(zhàn)的研究課題之一[1]。與傳統(tǒng)的粗粒度分類問題不同，細(xì)粒度分類根據(jù)目標(biāo)關(guān)鍵位置或區(qū)域的特征屬性實(shí)現(xiàn)類內(nèi)更精細(xì)劃分，如圖1 所示。根據(jù)毛發(fā)、眼睛、體型實(shí)現(xiàn)狗的不同品種區(qū)分，如數(shù)據(jù)集Stanford Dogs[2]；根據(jù)眼瞼、羽毛、喙、尾巴等特征實(shí)現(xiàn)對(duì)鳥品種的區(qū)分，如數(shù)據(jù)集CUB200[3]；根據(jù)尺寸、外觀、長寬比等特征實(shí)現(xiàn)不同飛機(jī)類型的區(qū)分等，如數(shù)據(jù)集FGVC。圖 1 細(xì)粒度
應(yīng)用光學(xué) 2022年4期2022-09-13
- 添加晶粒長大抑制劑對(duì)細(xì)粒度金剛石復(fù)合片燒結(jié)的影響
密度加工領(lǐng)域，細(xì)粒度刀具用PCD刀具的優(yōu)勢(shì)更為明顯。目前高質(zhì)量的細(xì)粒度PCD復(fù)合片產(chǎn)品主要從國外進(jìn)口，因?yàn)榇蟪叽?span id="syggg00" class="hl">細(xì)粒度PCD復(fù)合片的制造技術(shù)難度大。通常在制備過程中合成腔體越大，其溫度、壓力梯度越大，導(dǎo)致大尺寸細(xì)粒度PCD復(fù)合片容易在合成過程出現(xiàn)金剛石顆粒異常長大的情況，嚴(yán)重影響了產(chǎn)品的質(zhì)量及穩(wěn)定性[1-8]。本文研究了添加兩種不同的晶粒長大抑制劑TiC和cBN對(duì)細(xì)粒度PCD復(fù)合片晶粒異常生長的影響，嘗試通過添加抑制劑控制金剛石晶粒異常長大，得到具有均勻顯
超硬材料工程 2022年2期2022-08-29
- 基于細(xì)粒度實(shí)體分類的對(duì)比研究
展到更深層次的細(xì)粒度實(shí)體類型。由于上游分配粗粒度的實(shí)體類型，后續(xù)選取實(shí)體間的候選關(guān)系就會(huì)復(fù)雜，相應(yīng)的關(guān)系抽取任務(wù)會(huì)變得愈加困難，于是就促進(jìn)了細(xì)粒度實(shí)體分類任務(wù)的研究。通過細(xì)粒度實(shí)體分類概念的引入，有效地將粗粒度的實(shí)體類型標(biāo)簽細(xì)化、層次化，從而使得下游任務(wù)(關(guān)系抽取、事件抽取、問答系統(tǒng)、實(shí)體推薦等)的工作效率降低，提高工作效率。細(xì)粒度實(shí)體分類[2](Fine-grained Entity Typing，F(xiàn)ET)在給定實(shí)體指稱的情況下，依據(jù)其上下文給實(shí)體指稱賦
- 網(wǎng)絡(luò)監(jiān)督數(shù)據(jù)下的細(xì)粒度圖像識(shí)別綜述
940 引 言細(xì)粒度圖像識(shí)別是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的基礎(chǔ)研究課題，旨在對(duì)某一傳統(tǒng)語義類別下細(xì)粒度級(jí)別的不同子類類別進(jìn)行視覺識(shí)別(Wei等，2019b)，如不同子類的狗、不同子類的鳥、不同車型的汽車等。細(xì)粒度圖像識(shí)別是視覺感知嵌入的基礎(chǔ)性工作(Belongie，2017)，長期受到計(jì)算機(jī)視覺界的高度關(guān)注，美國的斯坦福大學(xué)、加州大學(xué)伯克利分校、哥倫比亞大學(xué)、英國牛津大學(xué)等一些計(jì)算機(jī)學(xué)科的頂尖單位都是該領(lǐng)域非?；钴S的研究機(jī)構(gòu)(Berg等，2014；Jader
中國圖象圖形學(xué)報(bào) 2022年7期2022-07-15
- 融合弱監(jiān)督目標(biāo)定位的細(xì)粒度小樣本學(xué)習(xí)
別。進(jìn)一步地，細(xì)粒度圖像識(shí)別旨在對(duì)屬于相同類別的不同子類的圖像進(jìn)行分類，例如各種鳥類、各種狗類和各種汽車的識(shí)別。區(qū)分一個(gè)子類與另一子類的特征通常是細(xì)微的和局部的，這使得細(xì)粒度圖像分類比常規(guī)圖像分類更具挑戰(zhàn)性。因此大多數(shù)現(xiàn)有的細(xì)粒度分類方法需要大量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)一個(gè)更魯棒性的分類器。但是由于標(biāo)注細(xì)粒度圖像需要專業(yè)知識(shí)，例如標(biāo)注各種鳥類可能需要求助鳥類學(xué)家等，而且許多細(xì)粒度方法還需要有邊界框標(biāo)注等。這些都給細(xì)粒度圖像標(biāo)注帶來巨大成本。此外，許多瀕臨滅絕和稀有
中國圖象圖形學(xué)報(bào) 2022年7期2022-07-15
- 基于優(yōu)化錨點(diǎn)的細(xì)粒度文本檢測(cè)與識(shí)別
文本檢測(cè)模型在細(xì)粒度文本檢測(cè)過程中會(huì)出現(xiàn)斷連、漏檢的情況，尤其是在細(xì)粒度的文本場(chǎng)景下。針對(duì)以上問題，提出了一種細(xì)粒度文本檢測(cè)算法。該算法基于CTPN模型網(wǎng)絡(luò)進(jìn)行改進(jìn)，重新設(shè)計(jì)了垂直錨點(diǎn)尺度，以適應(yīng)細(xì)粒度文本的特征;同時(shí)調(diào)整主干網(wǎng)絡(luò)的結(jié)構(gòu)適應(yīng)錨點(diǎn)的尺度。在anchor的連接過程中采用了自適應(yīng)間隔的連接方式，從而保留水平語義信息的完整性。文本識(shí)別階段采用CRNN方式進(jìn)行識(shí)別。通過PyTorch環(huán)境驗(yàn)證細(xì)粒度的發(fā)票數(shù)據(jù)集，所提方法相比于原CTPN文本定位方法效果
電腦知識(shí)與技術(shù) 2022年10期2022-05-30
- 基于模板的軟件缺陷修復(fù)推薦方法
]第一次提出從細(xì)粒度的代碼修改序列中識(shí)別未知的頻繁代碼修改模式，并分析修改模式，歸納了10種高級(jí)程序轉(zhuǎn)換模式.Zhao等人[4]開發(fā)了一種代碼更改自動(dòng)分類工具CTforC，它依據(jù)代碼更改將其分成5種更改類型和9種更改子類型.雖然這些方法在修復(fù)bug方面有一定的幫助，剖析了較常用的修復(fù)模式，但是修復(fù)模板涉及人工手動(dòng)分析，模板較單一，能提供的修復(fù)信息適合有針對(duì)性的代碼修復(fù).目前，深度學(xué)習(xí)技術(shù)廣泛應(yīng)用于缺陷定位、缺陷預(yù)測(cè)和缺陷修復(fù)等方面[5-7].Tufano等
小型微型計(jì)算機(jī)系統(tǒng) 2022年5期2022-05-10
- 基于詞典分類器的細(xì)粒度機(jī)構(gòu)名識(shí)別
針對(duì)開放領(lǐng)域的細(xì)粒度命名實(shí)體識(shí)別。如盛劍等[2]采用LSTM-CNN-CRF完成中文細(xì)粒度命名實(shí)體識(shí)別，其F1值為0.8左右；Xu, Liang等[3]采用RoBERTa-wwm-large[4]模型對(duì)CLUENER20 20數(shù)據(jù)集實(shí)現(xiàn)細(xì)粒度命名實(shí)體識(shí)別，其F1值為0.8042。在開放領(lǐng)域下人名、機(jī)構(gòu)名、地名的研究十分必要，其中機(jī)構(gòu)名所占比重較高，但由于機(jī)構(gòu)名結(jié)構(gòu)復(fù)雜、罕見詞多且存在別名、縮略詞(如“哈佛”與“哈佛大學(xué)”)、數(shù)據(jù)文本中存在英文實(shí)體等問題，因
計(jì)算機(jī)工程與設(shè)計(jì) 2022年1期2022-02-15
- 基于注意力機(jī)制的弱監(jiān)督細(xì)粒度圖像分類①
而更加精細(xì)化的細(xì)粒度圖像分類更加值得關(guān)注,例如在生態(tài)保護(hù)場(chǎng)景中識(shí)別不同種類的珍稀鳥類,水稻種植生產(chǎn)中識(shí)別不同種類的蟲害,新零售場(chǎng)景下對(duì)同類食品的細(xì)分類等等.利用計(jì)算機(jī)視覺方法識(shí)別細(xì)粒度類別（如鳥類[1,2]、花卉[3,4]、狗類[5,6]、車型[7]等）的技術(shù)已引起研究者們的廣泛關(guān)注[8-10].其中能夠準(zhǔn)確定位和表示類別中細(xì)微視覺差異的細(xì)粒度圖像識(shí)別技術(shù)是非常具有挑戰(zhàn)性的.1.1 細(xì)粒度圖像分類的研究歷史與現(xiàn)狀隨著計(jì)算機(jī)硬件算力的提升,深度學(xué)習(xí)技術(shù)被廣泛
計(jì)算機(jī)系統(tǒng)應(yīng)用 2021年10期2022-01-06
- 一種基于注意力機(jī)制的細(xì)粒度圖像分類方法
650500)細(xì)粒度圖像分類(FGVC)作為當(dāng)前研究的熱點(diǎn)，與常規(guī)的粗粒度圖像分類相比，為人們提供了更加詳細(xì)的圖像信息，并可以區(qū)分圖像中的各基本級(jí)別的類別.例如，鳥類和車輛之間存在細(xì)微的視覺差異[1-2]，在區(qū)分圖像中鳥和車的同時(shí)，還能分別出鳥類和車輛的特定種類和類別.由于傳統(tǒng)的圖像分類方法無法產(chǎn)生良好的分類效果，研究人員開始將深度學(xué)習(xí)技術(shù)引入到圖像分類、識(shí)別任務(wù)中[3].目前關(guān)于細(xì)粒度圖像分類的研究已取得一些成果.例如，Huang等[4]提出1種基于多視
- 基于改進(jìn)膠囊網(wǎng)絡(luò)的文本細(xì)粒度情感分類方法
2]提出了基于細(xì)粒度多通道卷積神經(jīng)網(wǎng)絡(luò)的文本情感分析方法，該方法可深入挖掘文本深層次的語義信息，實(shí)現(xiàn)文本情感分析，但是該方法不適用于文本樣本數(shù)較多的情況。文獻(xiàn)[3]提出融合注意力機(jī)制的多語言文本情感分析方法，該方法的優(yōu)勢(shì)在于可實(shí)現(xiàn)多語言文本情感分析，但對(duì)具有歧義的文本情感的分類精度有待優(yōu)化。針對(duì)上述問題，以文本細(xì)粒度情感分析為主，細(xì)粒度情感可以在指定的角度分析文本的情感態(tài)度，提出基于改進(jìn)膠囊網(wǎng)絡(luò)的文本細(xì)粒度情感分類方法，以期實(shí)現(xiàn)文本細(xì)粒度情感分類。2 基于
計(jì)算機(jī)仿真 2021年10期2021-11-19
- 基于注意力特征融合的SqueezeNet 細(xì)粒度圖像分類模型
650500)細(xì)粒度圖像分類問題的目標(biāo)是對(duì)子類進(jìn)行識(shí)別，如區(qū)分不同種類的狗、鳥、飛機(jī)等，是計(jì)算機(jī)視覺領(lǐng)域一項(xiàng)具有挑戰(zhàn)性的研究課題. 細(xì)粒度圖像分類難點(diǎn)在于子類別間細(xì)微的類間差異和較大的內(nèi)類差異. 傳統(tǒng)的分類算法不得不依賴于大量的人工標(biāo)注信息，但隨著深度學(xué)習(xí)的發(fā)展，基于深度卷積特征的算法被大量提出，深度卷積神經(jīng)網(wǎng)絡(luò)為細(xì)粒度圖像分類帶來了許多新的機(jī)遇，促進(jìn)了該領(lǐng)域的快速發(fā)展.文獻(xiàn)[1]提出的姿態(tài)規(guī)范化細(xì)粒度識(shí)別框架，首先使用可變形部件模型通過語義部件的特征點(diǎn)計(jì)
- 細(xì)粒度圖像分類的深度學(xué)習(xí)方法
缺失等問題。而細(xì)粒度圖像處于這兩者的中間狀態(tài)，兼具了語義級(jí)圖像分類特征難以提取和定位以及實(shí)例級(jí)圖像分類中類間差異小而類內(nèi)差異大的問題，但同時(shí)該領(lǐng)域的研究往往會(huì)大量借鑒前兩個(gè)領(lǐng)域的研究成果。細(xì)粒度圖像分類旨在區(qū)分同一類別的子類別，如識(shí)別出車的品牌、鳥的種類、貓的品種等，也可叫作子類別分類。相較于對(duì)象識(shí)別等語義級(jí)圖像分類任務(wù)，細(xì)粒度圖像往往需要借助非常微小的局部差異才能區(qū)分出不同的類別。和人臉識(shí)別等實(shí)例級(jí)分類任務(wù)相比，細(xì)粒度圖像的類內(nèi)差異更加巨大，并且受到姿勢(shì)
計(jì)算機(jī)與生活 2021年10期2021-10-12
- 深度學(xué)習(xí)在細(xì)粒度圖像識(shí)別中的應(yīng)用綜述
“鳥”.然而，細(xì)粒度圖像識(shí)別(fine-grained image recognition，F(xiàn)GIR)則是針對(duì)同一大類別下的不同子類別給予識(shí)別，比如對(duì)不同子類別的“狗”的識(shí)別.相對(duì)圖像識(shí)別技術(shù)，細(xì)粒度識(shí)別的準(zhǔn)確率還有較大的提升空間，事實(shí)上，細(xì)粒度識(shí)別任務(wù)的挑戰(zhàn)性比較大，主要是由于來自不同子類的目標(biāo)之間的零部件構(gòu)成普遍相同，相同子類的各個(gè)零部件之間卻又有豐富的多樣性，這些因素導(dǎo)致機(jī)器很難準(zhǔn)確識(shí)別這些目標(biāo)圖像的類別，甚至導(dǎo)致普通人類也很難辨別這些差異和多樣性，
北京工業(yè)大學(xué)學(xué)報(bào) 2021年8期2021-08-05
- 選煤廠超細(xì)粒度物料高效回收新工藝的探索與應(yīng)用
此，必須探索超細(xì)粒度物料高效回收新方法，進(jìn)行超細(xì)粒度物料的深度回收，才能解決制約選煤廠生產(chǎn)經(jīng)營中存在的問題。一、現(xiàn)狀分析及存在的問題1.普通分級(jí)旋流器分級(jí)粒度大、濃度低使用普通分級(jí)旋流器進(jìn)行中矸磁尾和TBS底流中的粗粒物料回收，分級(jí)粒度在0.2—0.25mm，底流濃度在300—350g/L，大部分0.2—0.25mm以下的細(xì)顆粒會(huì)進(jìn)入溢流中，造成超細(xì)粒度物料不能有效回收。2.傳統(tǒng)的中矸磁尾回收篩篩板篩縫大，篩分效率低中矸磁尾回收篩主要用于回收超細(xì)粒度物料進(jìn)
中文信息 2021年5期2021-07-14
- 基于屬性感知輔助學(xué)習(xí)的細(xì)粒度性格推理
中傾向于設(shè)定更細(xì)粒度且具體的性格特征，在商業(yè)場(chǎng)景下可以表現(xiàn)出“理性”或“善于洞察”的性格傾向，在醫(yī)療場(chǎng)景下可以表現(xiàn)出“富于同情心”或“慈愛”的性格傾向等。因此，本文提出了一種新的細(xì)粒度性格推理任務(wù)，致力于從用戶的評(píng)論文本中分析用戶實(shí)時(shí)的性格傾向(如浪漫、害羞等)。首先，僅根據(jù)句子級(jí)文本來判斷用戶實(shí)時(shí)的細(xì)粒度性格傾向是本文的挑戰(zhàn)之一?，F(xiàn)今，性格推理任務(wù)方法主要分為機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。機(jī)器學(xué)習(xí)方法中，常用的方法有樸素貝葉斯(NB)、支持向量機(jī)(SVM)
鄭州大學(xué)學(xué)報(bào)（理學(xué)版） 2021年2期2021-05-24
- 交互式人臉編輯框架：只需說出指令就能美顏
作不同，這里的細(xì)粒度編輯實(shí)際上是一條細(xì)粒度屬性的曲線軌跡。2、每個(gè)步驟里面的曲率是基于位置因素的，并且由圖像和用戶的語言請(qǐng)求決定。3、研究體系的系統(tǒng)會(huì)根據(jù)用戶請(qǐng)求和語義場(chǎng)狀態(tài)來生成反饋，這樣有助于用戶體驗(yàn)操作的對(duì)話?？蒲腥藛T還提供了Celeb ADialog，一個(gè)可視化語言面部編輯數(shù)據(jù)集， 以促進(jìn)大規(guī)模研究。具體來說， 每個(gè)圖像都有手動(dòng)注釋的細(xì)粒度屬性注釋以及自然語言中基于模板的文本描述。大量的定量和定性實(shí)驗(yàn)證明了此項(xiàng)研究的框架在以下方面的優(yōu)越性：1、細(xì)粒
海外星云 2021年21期2021-01-19
- FACR：一種快速且準(zhǔn)確的車輛識(shí)別器*
49)近年來，細(xì)粒度識(shí)別在計(jì)算機(jī)視覺領(lǐng)域受到廣泛關(guān)注，包括識(shí)別鳥類[1]、花類[2]、車型[3-4]、犬種[5]等。由于車型具有獨(dú)特的分層結(jié)構(gòu)和大量的子類別，細(xì)粒度車輛識(shí)別成為一個(gè)具有挑戰(zhàn)性的課題。不同于其他細(xì)粒度類別，車輛具有獨(dú)特的分層結(jié)構(gòu)[6]，自頂向下分為4層，即汽車類型、生產(chǎn)商、汽車型號(hào)和生產(chǎn)年份，如圖1所示。因此，分層分類對(duì)于識(shí)別車輛是一個(gè)很好的選擇。不同于一般的圖像識(shí)別，細(xì)粒度車輛識(shí)別目的是識(shí)別車輛更精細(xì)的子類別，由于細(xì)粒度類別存在細(xì)微的局部類
中國科學(xué)院大學(xué)學(xué)報(bào) 2021年1期2021-01-14
- 一種基于特征點(diǎn)的卷煙商標(biāo)紙配準(zhǔn)方法
卷煙商標(biāo)紙圖像細(xì)粒度配準(zhǔn)，細(xì)粒度配準(zhǔn)的含義是基于開源的圖像配準(zhǔn)框架BIRL（Benchmark on Image Registration methods with Landmark validations）提供的彈性配準(zhǔn)方法實(shí)現(xiàn)圖像的精細(xì)配準(zhǔn)。本文的目的是提升卷煙商標(biāo)紙配準(zhǔn)的精度，并能夠?qū)φ鎮(zhèn)尉頍煂?shí)現(xiàn)有效區(qū)分。1 相關(guān)技術(shù)1.1 SIFT 算法SIFT 算法主要分為四步[9]：（1）尺度空間的建立SIFT 算法用DOG 尺度空間代替LOG 尺度函數(shù)，是為
數(shù)據(jù)與計(jì)算發(fā)展前沿 2020年4期2020-12-02
- 基于多尺度特征融合與反復(fù)注意力機(jī)制的細(xì)粒度圖像分類算法
復(fù)注意力機(jī)制的細(xì)粒度圖像分類算法何?凱，馮?旭，高圣楠，馬希濤(天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津 300072)細(xì)粒度圖像分類是對(duì)某一類別下的圖像子類進(jìn)行精確劃分．細(xì)粒度圖像分類以其特征相似、姿態(tài)各異、背景干擾等特點(diǎn)，一直是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的研究熱點(diǎn)和難點(diǎn)，具有重要的研究價(jià)值．細(xì)粒度圖像分類的關(guān)鍵在于如何實(shí)現(xiàn)對(duì)圖像判別性區(qū)域的精確提取，已有的基于神經(jīng)網(wǎng)絡(luò)算法在精細(xì)特征提取方面仍有不足．為解決這一問題，本文提出了一種多尺度反復(fù)注意力機(jī)制下的細(xì)粒
天津大學(xué)學(xué)報(bào)(自然科學(xué)與工程技術(shù)版) 2020年10期2020-09-03
- 基于SVM多分類的超分辨圖像細(xì)粒度分類方法
進(jìn)行超分辨圖像細(xì)粒度分類優(yōu)化處理，構(gòu)建超分辨圖像細(xì)粒度融合模型，結(jié)合人工智能方法進(jìn)行圖像的優(yōu)化分類，提高超分辨圖像細(xì)粒度的檢索和信息提取能力。研究超分辨圖像細(xì)粒度分類方法，在圖像數(shù)據(jù)庫構(gòu)建和優(yōu)化檢索中具有很好的應(yīng)用價(jià)值[1]。超分辨圖像細(xì)粒度分類建立在圖像的特征提取基礎(chǔ)上，通過提取超分辨圖像細(xì)粒度特征量，根據(jù)超分辨圖像細(xì)粒度特征量的分布屬性作圖像分類處理。傳統(tǒng)方法中，超分辨圖像細(xì)粒度分類方法主要有小波檢測(cè)方法、BP神經(jīng)網(wǎng)絡(luò)分類方法[2-3]，以及Harri
安陽工學(xué)院學(xué)報(bào) 2020年2期2020-06-05
- 基于細(xì)粒度聚合單元元數(shù)據(jù)的書目資源聚合研究
關(guān)鍵問題在于從細(xì)粒度層面深入挖掘信息資源之間的關(guān)聯(lián)及特征，現(xiàn)有的細(xì)粒度網(wǎng)絡(luò)學(xué)術(shù)資源研究主要集中在關(guān)聯(lián)數(shù)據(jù)[11-13]、知識(shí)元[14,15]、粒度劃分[16,17]等層面，這些研究為細(xì)粒度網(wǎng)絡(luò)學(xué)術(shù)資源的抽取、識(shí)別與關(guān)聯(lián)分析奠定了理論基礎(chǔ)。但關(guān)于細(xì)粒度網(wǎng)絡(luò)學(xué)術(shù)資源的劃分研究側(cè)重于從形式結(jié)構(gòu)的角度出發(fā)來構(gòu)建元數(shù)據(jù)框架[18]，基于邏輯結(jié)構(gòu)劃分細(xì)粒度網(wǎng)絡(luò)學(xué)術(shù)資源的研究較少，同時(shí)也缺乏相應(yīng)的元數(shù)據(jù)描述標(biāo)準(zhǔn)。在專題數(shù)據(jù)庫開發(fā)中，書目的著錄會(huì)以資源類別(比如圖書以種類
國家圖書館學(xué)刊 2020年6期2020-03-10
- 基于改進(jìn)的Mask RCNN的行人細(xì)粒度檢測(cè)算法
寸;然后，結(jié)合細(xì)粒度圖像識(shí)別技術(shù)，實(shí)現(xiàn)行人的高定位精度;其次，采用全卷積網(wǎng)絡(luò)（FCN）分割前景對(duì)象，并進(jìn)行像素預(yù)測(cè)獲得行人的局部掩碼（上半身、下半身），實(shí)現(xiàn)對(duì)行人的細(xì)粒度檢測(cè); 最后，通過學(xué)習(xí)行人的局部特征獲得行人的整體掩碼。為了驗(yàn)證改進(jìn)算法的有效性，將其與當(dāng)前具有代表性的目標(biāo)檢測(cè)方法（如更快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster RCNN）、YOLOv2、RFCN）在同數(shù)據(jù)集上進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的算法提高了行人檢測(cè)的速度和精度，并且降低了誤檢率。關(guān)
計(jì)算機(jī)應(yīng)用 2019年11期2019-12-23
- 基于聯(lián)合優(yōu)化多任務(wù)學(xué)習(xí)的細(xì)粒度圖像識(shí)別
物種類或食物等細(xì)粒度類別仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。原因是細(xì)粒度類別的外觀可能非常相似，如何識(shí)別它們?cè)陉P(guān)鍵部分上的微妙差異至關(guān)重要[2]。在深度神經(jīng)網(wǎng)絡(luò)發(fā)展之前，研究人員使用一些比較強(qiáng)大的特征，如Kernel descriptors[3]、Poof[4]和SIFT等，然后使用定位精度比較高的算法，在CUB200-2011[5]鳥類數(shù)據(jù)集上達(dá)到了50%～60%的分類精度[6]。隨著深度學(xué)習(xí)的發(fā)展，在細(xì)粒度圖像識(shí)別方向也取得了突破性進(jìn)展。如Zhang等[7]提
- 一種靈活的小顆粒權(quán)限管理方法及其實(shí)踐
“權(quán)限矩陣”的細(xì)粒度權(quán)限管理的方法（Flex?RBAC），實(shí)現(xiàn)了相應(yīng)的權(quán)限分配算法，減小了權(quán)限分配的粒度，增加了權(quán)限管理的靈活性。提出的細(xì)粒度、配置靈活的權(quán)限管理方法及設(shè)計(jì)的原型系統(tǒng)，為應(yīng)用軟件的細(xì)粒度權(quán)限管理提出一種切實(shí)可行的方法。Flex?RBAC方法的創(chuàng)新點(diǎn)在于權(quán)限管理的粒度細(xì)小、配置靈活、算法實(shí)現(xiàn)簡單，具有較高的通用性。關(guān)鍵詞： Flex?RBAC; 細(xì)粒度; 權(quán)限管理; 角色; 位示權(quán)限; 權(quán)限矩陣中圖分類號(hào)： TN911?34 ? ? ? ?
現(xiàn)代電子技術(shù) 2019年11期2019-06-19
- 基于RPN與B-CNN的細(xì)粒度圖像分類算法研究
行分類。還包括細(xì)粒度分類[2]，如對(duì)狗的不同品種進(jìn)行分類。由于細(xì)微的類內(nèi)差異，往往只能借助微小的局部差異才能分出不同的子類別，使得細(xì)粒度分類十分具有挑戰(zhàn)性。細(xì)粒度分類的方法主要包括兩種：一種是基于強(qiáng)監(jiān)督的分類模型，如Part-based R-CNN[3]不僅需要物體級(jí)標(biāo)注，還需要局部區(qū)域的標(biāo)注，這大大限制了在實(shí)際場(chǎng)景的應(yīng)用；另一種是基于弱監(jiān)督的分類模型，如B-CNN[4]僅僅需要圖像級(jí)別的標(biāo)注，不需要局部信息的標(biāo)注。因此，基于弱監(jiān)督的分類模型在識(shí)別精度上要
計(jì)算機(jī)應(yīng)用與軟件 2019年3期2019-04-01
- 面向細(xì)粒度隱式篇章關(guān)系識(shí)別的遠(yuǎn)距離監(jiān)督特征學(xué)習(xí)算法
, 尚未見有關(guān)細(xì)粒度隱式篇章關(guān)系識(shí)別的研究報(bào)道。然而, 明確定位每個(gè)文本單元的篇章語義角色會(huì)更有意義。例如, 在具有“因果關(guān)系”的文本單元中, 識(shí)別出哪一個(gè)文本單元表示原因, 哪一個(gè)文本單元表示結(jié)果, 更有利于問答系統(tǒng)、文本蘊(yùn)含等任務(wù)的研究。本文將這種能表示文本單元的邏輯語義角色的篇章關(guān)系稱為細(xì)粒度篇章關(guān)系。相比粗粒度篇章關(guān)系, 細(xì)粒度篇章關(guān)系具有方向性, 屬于同種粗粒度關(guān)系下的不同細(xì)粒度關(guān)系具有語義差異(如“原因在前”和“證據(jù)在前”, 二者都屬于因果關(guān)系
- 基于多特征組合的細(xì)粒度圖像分類方法
引言一直以來，細(xì)粒度圖像分類都是計(jì)算機(jī)視覺和模式識(shí)別等領(lǐng)域的許多研究人員感興趣的課題，但由于細(xì)粒度圖像往往擁有較大的類內(nèi)差異和細(xì)微的類間差異，其分類難度遠(yuǎn)遠(yuǎn)高于普通的圖像分類[1]。細(xì)粒度圖像的樣本通常屬于同一大類，不同子類間擁有較高的相似性，相互的區(qū)別往往體現(xiàn)在難以察覺的局部細(xì)節(jié)之上，而同一子類下的樣本又會(huì)由于拍攝距離、目標(biāo)姿勢(shì)、復(fù)雜背景和遮擋物等因素的干擾產(chǎn)生極大的差異，彼此的共性可能存在旋轉(zhuǎn)、縮放、變形和缺失的情況，因此細(xì)粒度圖像分類問題成為了機(jī)器視
計(jì)算機(jī)應(yīng)用 2018年7期2018-08-27
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的多任務(wù)細(xì)粒度車型識(shí)別
經(jīng)網(wǎng)絡(luò)的多任務(wù)細(xì)粒度車型識(shí)別王?，?，唐 娟2，沈振輝1(1. 福建江夏學(xué)院工程學(xué)院，福建 福州 350108；2. 安徽工程大學(xué)管理工程學(xué)院，安徽 蕪湖 241000；)車型識(shí)別，尤其是細(xì)粒度車型識(shí)別是現(xiàn)代智能交通系統(tǒng)的重要組成部分。針對(duì)傳統(tǒng)車型識(shí)別方法難以進(jìn)行有效的細(xì)粒度車型識(shí)別的問題，以AlexNet、GoogleNet及ResNet等3種經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)作為基礎(chǔ)網(wǎng)絡(luò)，引入了車輛的類型分類作為輔助任務(wù)，從而與細(xì)粒度車型識(shí)別任務(wù)一起構(gòu)成了一個(gè)多
圖學(xué)學(xué)報(bào) 2018年3期2018-07-12
- 在線評(píng)論情感分析研究綜述
感極性從粒度即細(xì)粒度和粗粒度兩方面進(jìn)行情感分類。對(duì)在線評(píng)論情感進(jìn)行分析，有利于消費(fèi)者的購買決策，也有利于商家制定營銷戰(zhàn)略。討論了情感分析的現(xiàn)有不足以及面臨的挑戰(zhàn)。關(guān)鍵詞：情感分析；情感強(qiáng)度；細(xì)粒度；粗粒度；情感極性DOIDOI：10.11907/rjdk.173102中圖分類號(hào)：TP3-05文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：1672-7800（2018）002-0001-041 在線文本情感分析概述文本情感分析又稱觀點(diǎn)挖掘，它是依據(jù)計(jì)算機(jī)等先進(jìn)技術(shù)對(duì)有關(guān)新
軟件導(dǎo)刊 2018年2期2018-03-10
- 基于飛行軌跡的飛機(jī)飛行異常檢測(cè)算法
法：由粗粒度到細(xì)粒度。1 算法描述如圖1所示，在5條軌跡中，明顯可以看出軌跡3屬于異常軌跡。在航空飛行中，這樣偏離正常的軌道說明飛機(jī)在這個(gè)時(shí)間段遇到了異常狀況，有可能是內(nèi)部因素（航空器異常），也有可能是外部因素（天氣因素）?？傊?，在這個(gè)時(shí)間段內(nèi)有危險(xiǎn)征候，需要加強(qiáng)防范。當(dāng)軌跡出現(xiàn)異常的時(shí)候，軌跡點(diǎn)之間的夾角也隨之發(fā)生較大的偏差。因此，方向信息也可以反映出異常情況。在這種情況下，再對(duì)異常軌跡進(jìn)行細(xì)粒度劃分，如圖1中的p0p1、p1p2和p2p3三個(gè)子軌跡，以
現(xiàn)代計(jì)算機(jī) 2018年1期2018-02-09
- 基于學(xué)習(xí)資源的細(xì)粒度教學(xué)評(píng)價(jià)模式研究
詞：學(xué)習(xí)資源 細(xì)粒度 教學(xué)評(píng)價(jià)模式 關(guān)鍵成功因素法教學(xué)評(píng)價(jià)作為一個(gè)完整教學(xué)過程的收尾環(huán)節(jié)，其設(shè)置的合理與否很大程度上決定著整個(gè)教學(xué)過程的成功與否。目前流行的評(píng)價(jià)模式多種多樣，一般均與教學(xué)模式有著較大的關(guān)聯(lián)，合理的教學(xué)評(píng)價(jià)模式既能夠服務(wù)于教師的教學(xué)，又能夠充分激勵(lì)學(xué)生的學(xué)習(xí)。我們?cè)谠絹碓截S富的學(xué)習(xí)資源基礎(chǔ)上，建立了一種基于學(xué)習(xí)資源的細(xì)粒度教學(xué)評(píng)價(jià)模式。一、目前流行教學(xué)評(píng)價(jià)模式的缺點(diǎn)。1.絕大多數(shù)教學(xué)評(píng)價(jià)模式將完成教學(xué)目標(biāo)或?qū)W習(xí)目標(biāo)作為教學(xué)的唯一目的目前絕大多
新教育時(shí)代·教師版 2018年48期2018-01-24
- 基于型號(hào)裝備?角色的IETM訪問控制研究
備結(jié)構(gòu)為基礎(chǔ)的細(xì)粒度數(shù)據(jù)訪問控制以及以角色、裝備用戶為基礎(chǔ)的功能操作訪問控制定義和管理，給出了權(quán)限定義和權(quán)限計(jì)算方法。根據(jù)IETM的功能及數(shù)據(jù)訪問控制需求，對(duì)交互式電子技術(shù)手冊(cè)訪問控制進(jìn)行軟件功能、控制流程及數(shù)據(jù)模型設(shè)計(jì)。采用J2EE及Web Service技術(shù)開發(fā)模塊組件，實(shí)現(xiàn)交互式電子技術(shù)手冊(cè)層級(jí)式、細(xì)粒度訪問控制。關(guān)鍵詞： 交互式電子技術(shù)手冊(cè)； 訪問控制； 型號(hào)裝備； 基于型號(hào)裝備?角色的訪問控制模型； 權(quán)限； 細(xì)粒度中圖分類號(hào)： TN99?34；
現(xiàn)代電子技術(shù) 2018年1期2018-01-20
- 基于細(xì)粒度權(quán)限質(zhì)檢管理系統(tǒng)的研究與設(shè)計(jì)
0222）基于細(xì)粒度權(quán)限質(zhì)檢管理系統(tǒng)的研究與設(shè)計(jì)涂小琴，吳 晟（1. 云南師范大學(xué)文理學(xué)院，云南 昆明 650222；2. 昆明理工大學(xué)，云南 昆明 650222）本文首先針對(duì)現(xiàn)行RBAC模型的角色管理權(quán)限粒度不夠細(xì)化的特點(diǎn)，提出了一種改進(jìn)的細(xì)粒度權(quán)限模型，并詳細(xì)描述了該改進(jìn)模型的特點(diǎn)和身份驗(yàn)證的具體過程。并結(jié)合實(shí)際的質(zhì)量檢測(cè)管理系統(tǒng)，從數(shù)據(jù)庫設(shè)計(jì)和角色管理兩個(gè)方面，闡述了改進(jìn)的細(xì)粒度權(quán)限控制在.NET中的設(shè)計(jì)與實(shí)現(xiàn)的具體過程。權(quán)限粒度；細(xì)粒度；身份驗(yàn)證；
軟件 2017年12期2018-01-02
- 基于web粒度可配的編輯鎖設(shè)計(jì)
還可以通過配置細(xì)粒度來鎖定更少的資源，使沒必要被鎖的資源處于可被編輯狀態(tài)，提高系統(tǒng)被編輯的效率和縮短了其他用戶的等待時(shí)間。關(guān)鍵詞：web；多人協(xié)作；版本沖突；編輯鎖；粒度可配；細(xì)粒度中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）26-0059-02隨著大規(guī)模協(xié)作時(shí)代的到來，發(fā)動(dòng)社區(qū)內(nèi)成員共同編輯協(xié)作，集眾人之力，發(fā)揮每個(gè)人的特長，高質(zhì)量地完成某項(xiàng)任務(wù)是一件非常有意義的事情。基于“多人協(xié)作”的主要工具為wiki[1]，比較有
電腦知識(shí)與技術(shù) 2017年26期2017-11-20
- 論子話題粒度對(duì)搜索結(jié)果多樣化算法的影響
多樣化算法使用細(xì)粒度的子話題時(shí)表現(xiàn)更好。搜索結(jié)果多樣化；查詢意圖；子話題Abstract: The search result diversification re-ranks search results to cover as many user intents as possible in the top ranks. Most intent-aware diversification algorithms use subtopics to dive
中文信息學(xué)報(bào) 2017年4期2017-10-11
- 基于文本挖掘的微博文本情緒分析技術(shù)研究
針對(duì)中文微博的細(xì)粒度情緒識(shí)別技術(shù)中的關(guān)鍵技術(shù)展開研究，分析了中文微博的研究難點(diǎn)和微博情感表達(dá)特征，提出了一種微博文本情緒顯性特征的多策略集成分析法。最后實(shí)驗(yàn)組以新浪微博中某一主題為實(shí)驗(yàn)數(shù)據(jù)，對(duì)“喬任梁去世”事件這一熱點(diǎn)話題的評(píng)論文本數(shù)據(jù)集進(jìn)行分析，驗(yàn)證了該文的微博情感分析能力，同時(shí)還將情感分析結(jié)果進(jìn)行了可視化展示。關(guān)鍵詞：微博 情緒 細(xì)粒度 分析中圖分類號(hào)：F83 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）03（a）-0209-04近幾年隨著
科技資訊 2017年7期2017-05-06
- 多層次細(xì)粒度并行HEVC幀內(nèi)模式選擇算法
.cn)多層次細(xì)粒度并行HEVC幀內(nèi)模式選擇算法張峻1,2代鋒1馬宜科1張勇東11(中國科學(xué)院智能信息處理重點(diǎn)實(shí)驗(yàn)室 (中國科學(xué)院計(jì)算技術(shù)研究所)北京100190)2(中國科學(xué)院大學(xué)北京100049) (zhangjun01@ict.ac.cn)摘要在眾核平臺(tái)上并行加速是解決高效視頻編碼(high efficiency video coding, HEVC)標(biāo)準(zhǔn)編碼復(fù)雜度高的有效方法.傳統(tǒng)的粗粒度并行方案如Tiles和WPP未能在并行度和編碼質(zhì)量之間取得較
計(jì)算機(jī)研究與發(fā)展 2016年4期2016-06-30
- 數(shù)字圖書館細(xì)粒度知識(shí)體系標(biāo)準(zhǔn)研究*
6）數(shù)字圖書館細(xì)粒度知識(shí)體系標(biāo)準(zhǔn)研究*盧艷蘭（河池學(xué)院圖書館，廣西 宜州 5463006）［摘要］數(shù)字圖書館知識(shí)體系已經(jīng)從傳統(tǒng)知識(shí)體系中脫離出來，進(jìn)化為當(dāng)今的立體空間網(wǎng)狀結(jié)構(gòu)?？臻g中每個(gè)知識(shí)節(jié)點(diǎn)關(guān)聯(lián)一系列其他知識(shí)和信息。知識(shí)體系空間的節(jié)點(diǎn)細(xì)分程度越高，越是能夠滿足用戶多角度、全方位的知識(shí)需求。因此，研究數(shù)字圖書館細(xì)粒度知識(shí)體系，有助于構(gòu)建數(shù)字圖書館知識(shí)體系的發(fā)展標(biāo)準(zhǔn)。從當(dāng)前數(shù)字圖書館知識(shí)體系分類研究入手，引入細(xì)粒度知識(shí)體系的概念；以細(xì)粒度知識(shí)體系的原理和重
圖書館學(xué)刊 2016年7期2016-02-13
- 一種基于海量船舶軌跡數(shù)據(jù)的細(xì)粒度網(wǎng)格海上交通密度計(jì)算方法*
船舶軌跡數(shù)據(jù)的細(xì)粒度網(wǎng)格海上交通密度計(jì)算方法*修回日期：2015-10-23通信地址：100029 北京市朝陽區(qū)北三環(huán)東路15號(hào)北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院Address:College of Information Science & Technology,15 Bei Sanhuan Rd East,Chaoyang District,Beijing,100029,P.R.China寧建強(qiáng)，黃濤，刁博宇，趙瑞蓮，畢經(jīng)平(1.北京化工大學(xué)信息科學(xué)與技術(shù)
計(jì)算機(jī)工程與科學(xué) 2015年12期2016-01-26
- 引入缺陷的細(xì)粒度軟件變更識(shí)別方法
踐的成本因素，細(xì)粒度的識(shí)別和預(yù)測(cè)將成為未來軟件工程預(yù)測(cè)方法關(guān)注的重點(diǎn).盡管文獻(xiàn)［2］的方法將識(shí)別粒度降低到了文件級(jí)別變更，但是文件級(jí)變更常涉及多處語句修改.尤其在文件規(guī)模較大，內(nèi)部結(jié)構(gòu)較復(fù)雜時(shí)，這種文件內(nèi)多處修改的現(xiàn)象更為常見.這種情況下，即使識(shí)別出了引入缺陷的文件變更，仍然需要軟件人員逐一審查所有發(fā)生修改的文件語句，才能找到引入缺陷的位置.為進(jìn)一步降低人力成本，本文提出更細(xì)粒度(語句層級(jí))的引入缺陷變更識(shí)別方法.該方法從細(xì)粒度變更發(fā)生的場(chǎng)景(時(shí)間、地點(diǎn)、
北京航空航天大學(xué)學(xué)報(bào) 2014年9期2014-12-02
- 具有權(quán)重因子的細(xì)粒度情感詞庫構(gòu)建方法
具有權(quán)重因子的細(xì)粒度情感詞庫構(gòu)建方法黃高峰1a,周學(xué)廣1a,李 娟1b,劉 華2(1.海軍工程大學(xué)a.信息安全系;b.計(jì)算機(jī)工程系,武漢430033;2.75753部隊(duì),廣州510600)情感詞庫在文本情感分析中發(fā)揮重要作用,但在分析細(xì)粒度情感如人類情緒狀態(tài)時(shí)卻無法正確區(qū)分。針對(duì)該問題,提出一種基于義原相似度計(jì)算的細(xì)粒度情感詞庫構(gòu)建方法。對(duì)詞語之間的義原相似度進(jìn)行計(jì)算分析,構(gòu)建7類細(xì)粒度情感詞庫,并在此基礎(chǔ)上給出細(xì)粒度情感詞在詞庫中的權(quán)重計(jì)算方法,最終得到
計(jì)算機(jī)工程 2014年11期2014-06-07
- 粒度配比對(duì)WC基金剛石鉆頭的性能影響研究①
磨損較小,所以細(xì)粒度的金剛石在鉆進(jìn)過程中表現(xiàn)出低效率,長壽命的特性。中粒度則介于兩者之間,起著一個(gè)過渡替換的作用。本實(shí)驗(yàn)在WC-預(yù)合金粉配方體系基礎(chǔ)上,通過調(diào)整6種不同的金剛石粒度配比,來確定適合本配方體系的最佳的粒度參數(shù)。1 實(shí)驗(yàn)1.1 金剛石粒度配比設(shè)計(jì)本實(shí)驗(yàn)以WC為骨架相,以某公司生產(chǎn)的Fe-CoCu預(yù)合金粉為中間相,并加入一些微量的Ni、Sn、Mn等改性元素形成胎體的配方體系(表1)。采用6種不同粒度的金剛石,共設(shè)計(jì)了9組不同金剛石粒度配比的組合,
超硬材料工程 2014年5期2014-03-24
- 存儲(chǔ)系統(tǒng)細(xì)粒度加密安全設(shè)計(jì)
入了存儲(chǔ)系統(tǒng)的細(xì)粒度加密安全的概念。由于存儲(chǔ)系統(tǒng)的最小單位不再是文件而是大量細(xì)粒度的數(shù)據(jù)塊，故我們可以將發(fā)掘這個(gè)優(yōu)勢(shì)，將加密的安全操作從文件級(jí)延伸至細(xì)粒度的數(shù)據(jù)塊級(jí)，對(duì)具有某些特殊需要的大文件在安全上實(shí)現(xiàn)細(xì)粒度的加密存儲(chǔ)。用戶可以根據(jù)文件的特征指定只對(duì)文件中的部分敏感數(shù)據(jù)進(jìn)行加密，根據(jù)敏感程度不同每個(gè)區(qū)域還可以指定一個(gè)加密算法。這些數(shù)據(jù)的加密信息存儲(chǔ)在元數(shù)據(jù)服務(wù)器中被安全的保護(hù)，如果非法用戶不能得到相關(guān)的加密信息，直接從存儲(chǔ)設(shè)備中取得的數(shù)據(jù)將由于關(guān)鍵區(qū)域被
網(wǎng)絡(luò)安全技術(shù)與應(yīng)用 2012年8期2012-08-07
- 基于細(xì)粒度任務(wù)分配的空時(shí)自適應(yīng)并行處理算法研究
0081)基于細(xì)粒度任務(wù)分配的空時(shí)自適應(yīng)并行處理算法研究王 超 劉 偉*袁培苑(北京理工大學(xué)信息與電子學(xué)院 北京 100081)對(duì)于空時(shí)自適應(yīng)信號(hào)處理(Space-Time Adaptive Processing, STAP)算法的并行處理問題，傳統(tǒng)方法以粗粒度的劃分方式將 STAP算法分配到特定硬件系統(tǒng)中的不同處理器中，利用處理器間的流水計(jì)算來提高系統(tǒng)計(jì)算吞吐量。該文分析了傳統(tǒng)并行處理方法的缺陷：粗粒度的任務(wù)劃分方式犧牲了 STAP算法的并行度；傳統(tǒng)處理
電子與信息學(xué)報(bào) 2012年6期2012-01-27