-
题名关联学习:关联关系挖掘新视角
被引量：5
- 1
-
-
作者
钱宇华
张明星
成红红
-
机构
山西大学大数据科学与产业研究院
计算智能与中文信息处理教育部重点实验室(山西大学)
山西大学计算机与信息技术学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2020年第2期424-432,共9页
-
基金
国家自然科学基金项目(61672332)
山西省拔尖创新人才支持计划项目
+1 种基金
山西省三晋学者项目
山西省回国留学人员科研项目(2017023)~~
-
文摘
关联关系挖掘与发现是大数据挖掘与分析的重要基础,现有的关联关系挖掘方法多是对数据进行统计分析,对未知数据缺少关联判别作用.尝试从学习的角度进行关联关系挖掘,给出了关联学习的形式化定义和相关概念,并根据关联学习定义构建学习数据集.具体地构建了2类关联图像数据集(two class associated image data sets,TAID),利用卷积神经网络提取关联特征,然后分别用softmax函数和K近邻算法判别关联关系,基于此提出3种关联关系判别器:关联图像卷积神经网络判别器(associated image convolutional neural network discriminator,AICNN)、关联图像LeNet判别器(associated image LeNet discriminator,AILeNet)和关联图像K近邻判别器(associated image K-nearest neighbor discriminator,AIKNN).3种关联判别器在TAID数据集上进行测试,AICNN在64×64像素90000个训练样本上的判别精度达0.8217,AILeNet在256×256像素22500个训练样本上的判别精度达0.8456,AIKNN在256×256像素22500个训练样本上的判别精度达到0.8664.这3种关联判别器有效地证明了学习角度挖掘关联关系的可行性.
-
关键词
关联关系
关联学习
关联判别器
关联图像数据集
关联学习准则
-
Keywords
association
association learning
association discriminator
association image data sets
association learning criteria
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于知识学习的多目标关联检测与识别方法
被引量：1
- 2
-
-
作者
郭策
高跃清
沈宇婷
杜楚
陈路路
赵会盼
-
机构
中国电子科技集团公司第五十四研究所
北京交通大学
-
出处
《计算机测量与控制》
2021年第11期201-206,共6页
-
文摘
随着感知智能水平的日趋成熟,人工智能研究呈现出向认知智能发展的态势;作为人工智能在感知智能方面的代表领域,图像目标识别在向认知智能发展的道路上存在着人机之间以及机器之间知识难通用、可扩展性低等问题;为此,提出了基于知识的多目标关联判别框架,通过引入知识图谱,将目标特征知识进行语义化表达与规则化关联存储,构建了基于知识学习的多目标关联检测与识别方法,动态按需调用目标检测模型的同时,迭代式更新多目标关联的知识图谱,形成双向反馈学习循环;最后,通过相关仿真实验,验证了基于知识学习的多目标关联判别方法的可行性,为提高图像目标识别算法的知识通用化和可扩展性提供了新的思路。
-
关键词
迭代式认知
图像目标识别
知识图谱
多目标
关联判别
-
Keywords
iterative cognition
image target recognition
knowledge graph
multi-target
association discrimination
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于关联和识别的少样本目标检测
- 3
-
-
作者
贾剑利
韩慧妍
况立群
韩方正
郑心怡
张秀权
-
机构
中北大学计算机科学与技术学院
机器视觉与虚拟现实山西省重点实验室
山西省视觉信息处理及智能机器人工程研究中心
-
出处
《激光与光电子学进展》
CSCD
北大核心
2024年第8期461-472,共12页
-
基金
山西省科技重大专项计划“揭榜挂帅”项目(202201150401021)
山西省科技成果转化引导专项(202104021301055)
+1 种基金
面向家庭机器人的场景分割及表征方法研究(202303021211153)
中北大学机器视觉与虚拟现实重点实验室研究基金资助项目(447-110103)。
-
文摘
当前基于深度学习的目标检测算法已较为成熟。然而,基于少量样本检测新类仍具有挑战性,因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练,在此基础上构建新类的特征空间。然而,新类基于多个基类隐式地构造特征空间,其结构较为分散,导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头,提升模型对训练样本的利用率,基于二者间的语义相似度,显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数,提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明,所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。
-
关键词
少样本目标检测
关联和识别
动态感兴趣区域头
通道注意力
边界损失
-
Keywords
fewshot object detection
association and discrimination
dynamic region of interest head
channel attention
margin loss
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
