基于Swin Transformer的暴力敏感图像分类研究

随着互联网的普及,网络社交媒体平台的用户数量呈爆炸式增长。同时,相关平台上的音视频数据不断增多,其中的暴力敏感图像给公众的身心健康带来了极大危害。在此情况下,各大网络平台的内容安全审核工作越来越繁重,传统的人工审核方式显然无法满足实际需求。深度学习技术的发展为以上问题带来了新的解决方案,可对暴力敏感图像进行智能化识别。文章基于Swin Transformer模型进行了相关改进,构建了用于暴力敏感图像分类的SESTNet模型,并在综合数据集中对其识别和分类能力进行了验证。

融合字形结构特征的命名实体识别方法

针对中文歧义问题,文中提出了一种融合字形结构特征的命名实体识别方法,以提升中文命名实体识别精度。首先,利用预训练模型BERT得到字符嵌入作为语义特征,利用卷积神经网络提取的字形结构特征组成模型的嵌入层。其次,提出引入注意力机制的跨模态特征融合层,选取有效特征。最后,基于模型训练和优化提出联合优化损失函数,针对不同特征的特性来优化向量分布。实验结果表明,相较于其他的实体识别模型,该方法在4个数据集上取得了更高的准确率、召回率和F1值。