融合局部双向编码与深度学习的非接触式掌纹识别

文章提出一种基于局部双向编码(Local Double-Orientation Code,LDOC)与深度学习的非接触式掌纹识别方法。该方法分别取Gabor滤波器的实数和虚数部分,并选用最大和次大响应进行编码作为深度神经网络的输入。在香港理工大学非接触式掌纹数据集和中国科学院自动化研究所非接触式掌纹数据集上进行实验。结果表明,所提出的基于局部双向编码与深度学习的非接触式掌纹识别方法取得了不错的结果,具有普适性。

面向方面级情感分类的特征融合学习网络

在方面级情感分类任务中,现有方法强化方面词信息能力较弱,局部特征信息利用不充分.针对上述问题,文中提出面向方面级情感分类的特征融合学习网络.首先,将评论处理为文本、方面和文本-方面的输入序列,通过双向Transformer的表征编码器得到输入的向量表示后,使用注意力编码器进行上下文和方面词的建模,获取隐藏状态,提取语义信息.然后,基于隐藏状态特征,采用方面转换组件生成方面级特定的文本向量表示,将方面信息融入上下文表示中.最后,对于方面级特定的文本向量通过文本位置加权模块提取局部特征后,与全局特征进行融合学习,得到最终的表示特征,并进行情感分类.在英文数据集和中文评论数据集上的实验表明,文中网络提升分类效果.