期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法
被引量:
4
1
作者
秦先祥
余旺盛
+2 位作者
王鹏
陈天平
邹焕新
《雷达学报(中英文)》
CSCD
北大核心
2020年第3期525-538,共14页
针对物体框标注样本包含大量异质成分的问题,该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法。该方法首先采用CV-CNN对物体框标注样本进行迭代精选,并同时训练出可直接用于分类的CV-CNN。然...
针对物体框标注样本包含大量异质成分的问题,该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法。该方法首先采用CV-CNN对物体框标注样本进行迭代精选,并同时训练出可直接用于分类的CV-CNN。然后利用所训练的CV-CNN完成极化SAR图像的分类。基于3幅实测极化SAR图像的实验结果表明,该文方法能够有效剔除异质样本,与采用原始物体框标注样本的传统全监督分类方法相比可以获得明显更优的分类结果,并且该方法采用CV-CNN比采用经典的支持矢量机(SVM)或Wishart分类器性能更优。
展开更多
关键词
极化SAR
弱监督分类
复值卷积神经网络
样本精选
下载PDF
职称材料
标签语义增强的弱监督文本分类模型
被引量:
1
2
作者
林呈宇
王雷
薛聪
《计算机应用》
CSCD
北大核心
2023年第2期335-342,共8页
针对弱监督文本分类任务中存在的类别词表噪声和标签噪声问题,提出了一种标签语义增强的弱监督文本分类模型。首先,基于单词上下文语义表示对类别词表去噪,从而构建高度准确的类别词表;然后,构建基于MASK机制的词类别预测任务对预训练模...
针对弱监督文本分类任务中存在的类别词表噪声和标签噪声问题,提出了一种标签语义增强的弱监督文本分类模型。首先,基于单词上下文语义表示对类别词表去噪,从而构建高度准确的类别词表;然后,构建基于MASK机制的词类别预测任务对预训练模型BERT进行微调,以学习单词与类别的关系;最后,利用引入标签语义的自训练模块来充分利用所有数据信息并减少标签噪声的影响,以实现词级到句子级语义的转换,从而准确预测文本序列类别。实验结果表明,与目前最先进的弱监督文本分类模型LOTClass相比,所提方法在THUCNews、AG News和IMDB公开数据集上,分类准确率分别提高了5.29、1.41和1.86个百分点。
展开更多
关键词
弱
监督
文本
分类
BERT
MASK机制
标签语义
标签噪声
自训练
下载PDF
职称材料
基于卷积神经网络的多肉植物细粒度图像分类
被引量:
8
3
作者
黄嘉宝
朱永华
+1 位作者
周霁婷
高文靖
《上海大学学报(自然科学版)》
CAS
CSCD
北大核心
2020年第2期283-291,共9页
多肉植物分类是植物栽培管理中的一项重要任务,通常需使用大型数据集和领域独有的特性.由于没有现成的多肉植物数据集,需收集大量的图片自制数据集.研究了多肉植物的细粒度图像分类.为了识别不同视角、背景、光效和成长阶段的多肉植物,...
多肉植物分类是植物栽培管理中的一项重要任务,通常需使用大型数据集和领域独有的特性.由于没有现成的多肉植物数据集,需收集大量的图片自制数据集.研究了多肉植物的细粒度图像分类.为了识别不同视角、背景、光效和成长阶段的多肉植物,对卷积神经网络AlexNet和GoogLeNet的最后三层进行微调,对原创数据集进行了强监督分类和弱监督分类的测试、训练.实验结果表明,微调GoogLeNet的强监督分类达到了最佳效果,精准率为96.7%.
展开更多
关键词
细粒度图像
分类
强
监督
分类
弱监督分类
卷积神经网络
AlexNet
GoogLeNet
微调
下载PDF
职称材料
题名
基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法
被引量:
4
1
作者
秦先祥
余旺盛
王鹏
陈天平
邹焕新
机构
空军工程大学信息与导航学院
国防科技大学电子科学学院
出处
《雷达学报(中英文)》
CSCD
北大核心
2020年第3期525-538,共14页
基金
国家自然科学基金(41601436,61403414,61703423)
陕西省自然科学基础研究计划(2018JM4029)。
文摘
针对物体框标注样本包含大量异质成分的问题,该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法。该方法首先采用CV-CNN对物体框标注样本进行迭代精选,并同时训练出可直接用于分类的CV-CNN。然后利用所训练的CV-CNN完成极化SAR图像的分类。基于3幅实测极化SAR图像的实验结果表明,该文方法能够有效剔除异质样本,与采用原始物体框标注样本的传统全监督分类方法相比可以获得明显更优的分类结果,并且该方法采用CV-CNN比采用经典的支持矢量机(SVM)或Wishart分类器性能更优。
关键词
极化SAR
弱监督分类
复值卷积神经网络
样本精选
Keywords
PolSAR
Weakly supervised classification
Complex-Valued Convolutional Neural Network(CVCNN)
Sample refinement
分类号
TN958 [电子电信—信号与信息处理]
下载PDF
职称材料
题名
标签语义增强的弱监督文本分类模型
被引量:
1
2
作者
林呈宇
王雷
薛聪
机构
中国科学院信息工程研究所
中国科学院大学网络空间安全学院
出处
《计算机应用》
CSCD
北大核心
2023年第2期335-342,共8页
基金
国家自然科学基金重点项目(U1636220)。
文摘
针对弱监督文本分类任务中存在的类别词表噪声和标签噪声问题,提出了一种标签语义增强的弱监督文本分类模型。首先,基于单词上下文语义表示对类别词表去噪,从而构建高度准确的类别词表;然后,构建基于MASK机制的词类别预测任务对预训练模型BERT进行微调,以学习单词与类别的关系;最后,利用引入标签语义的自训练模块来充分利用所有数据信息并减少标签噪声的影响,以实现词级到句子级语义的转换,从而准确预测文本序列类别。实验结果表明,与目前最先进的弱监督文本分类模型LOTClass相比,所提方法在THUCNews、AG News和IMDB公开数据集上,分类准确率分别提高了5.29、1.41和1.86个百分点。
关键词
弱
监督
文本
分类
BERT
MASK机制
标签语义
标签噪声
自训练
Keywords
weakly-supervised text classification
BERT(Bidirectional Encoder Representations from Transformers)
MASK mechanism
label semantics
label noise
self-training
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于卷积神经网络的多肉植物细粒度图像分类
被引量:
8
3
作者
黄嘉宝
朱永华
周霁婷
高文靖
机构
上海大学上海电影学院
上海大学计算机工程与科学学院
出处
《上海大学学报(自然科学版)》
CAS
CSCD
北大核心
2020年第2期283-291,共9页
基金
十三五规划重点研究发展计划资助项目(2017YFD0400101)。
文摘
多肉植物分类是植物栽培管理中的一项重要任务,通常需使用大型数据集和领域独有的特性.由于没有现成的多肉植物数据集,需收集大量的图片自制数据集.研究了多肉植物的细粒度图像分类.为了识别不同视角、背景、光效和成长阶段的多肉植物,对卷积神经网络AlexNet和GoogLeNet的最后三层进行微调,对原创数据集进行了强监督分类和弱监督分类的测试、训练.实验结果表明,微调GoogLeNet的强监督分类达到了最佳效果,精准率为96.7%.
关键词
细粒度图像
分类
强
监督
分类
弱监督分类
卷积神经网络
AlexNet
GoogLeNet
微调
Keywords
fine-grained image classification
supervised classification
weakly supervised classification
convolutional neural networks(CNNs)
AlexNet
GoogLeNet
fine-tuning
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法
秦先祥
余旺盛
王鹏
陈天平
邹焕新
《雷达学报(中英文)》
CSCD
北大核心
2020
4
下载PDF
职称材料
2
标签语义增强的弱监督文本分类模型
林呈宇
王雷
薛聪
《计算机应用》
CSCD
北大核心
2023
1
下载PDF
职称材料
3
基于卷积神经网络的多肉植物细粒度图像分类
黄嘉宝
朱永华
周霁婷
高文靖
《上海大学学报(自然科学版)》
CAS
CSCD
北大核心
2020
8
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部