基于特征重利用的双通道文本分类模型

针对大多数卷积神经网络(convolutional neural networks,CNN)与循环神经网络(recurrent neural network,RNN)结合的CNN-RNN文本分类模型采用单通道模式极大限制了模型对文本特征提取能力的问题,提出一种基于特征重利用的双通道文本分类模型。首先,模型在RNN通道中利用长短期记忆(long short-term memory,LSTM)神经网络与门控循环单元(gate recurrent unit,GRU)网络共同提取文本的上下文语义信息,同时利用CNN通道提取文本的局部特征;其次,在2个通道中分别引入注意力机制,以使模型能准确关注到文本中的关键词。此外,在RNN通道中对模型进行改进,实现原始特征的重利用,进一步增强模型对全局特征的提取能力。在THUCNews数据集上的评估结果显示,所提模型的分类准确率可达96.61%,取得了更好的分类效果。

基于注意力机制的双通道DAC-RNN文本分类模型

在对中文文本进行分类的过程中,由于关键特征在整个文本中具有分布不均匀的特点,容易出现关键特征丢失的问题,降低了分类的准确性。针对这一问题,提出一种基于注意力机制的双通道文本分类模型。将输入文本通过词嵌入进行向量表示,利用Bi-LSTM通道提取文本中的上下文关联信息,利用CNN通道提取文本中连续词间的局部特征。在两个通道中均引入注意力机制进行全局权重分配,使模型能够进一步关注到文本中的关键词。在CNN通道中,将原始输入向量与各层CNN的输出向量进行选择性融合,从而实现特征重利用。在今日头条和THUCNews两个公开数据集上进行性能评估,实验结果表明,与其他分类模型相比,所提模型的分类准确率分别为97.59%、90.09%,具有更好的分类性能。

基于改进CSRNet的人群计数算法

为实现对密集人群快速和准确地计数,提出了一种基于改进CSRNet的人群计数算法。为加快训练速度,提高计数精度,针对CSRNet网络进行改进,将后端膨胀卷积网络替换为普通卷积结构,同时增加了密集连接结构。改进后的算法分别在ShanghaiTech A,B数据集和UCF_CC_50数据集上进行训练和测试,实验结果表明,相比其他人群计数算法,改进后的算法具有更高的计数精度。