-
题名联合多头数据增强与多粒度语义挖掘的图像情感分析
- 1
-
-
作者
张红斌
侯婧怡
石皞炜
吕敬钦
李雄
李广丽
-
机构
华东交通大学软件学院
华东交通大学信息工程学院
-
出处
《控制与决策》
EI
CSCD
北大核心
2024年第6期2013-2021,共9页
-
基金
国家自然科学基金项目(62161011,62361027)
江西省自然科学基金项目(20232BAB202004,20202BABL202044)
+2 种基金
江西省主要学科学术和技术带头人培养计划项目(20204BCJL23035)
江西省社会科学基金项目(22TQ01)
江西省重点研发计划重点项目(20223BBE51036)。
-
文摘
图像情感分析是机器视觉领域热点问题,然而情感判断主观性较强,仅分析完整图像难以准确刻画图像中情感语义,且高质量图像情感数据不足.为此,提出联合多头数据增强与多粒度语义挖掘的图像情感分析模型M2.首先,设计多头数据增强方法,基于自动数据增强与主动样本精选策略构建递进式数据增强模型,从“质”与“量”两个角度提升数据集;其次,引入情感区域检测模型完成情感区域增强,深入挖掘图像中情感语义强烈的局部区域,进而联合局部区域与整幅图像构建多粒度图像;然后,基于深度互学习框架及局部区域完成模型预训练,充分挖掘异构SENet网络之间互补的情感语义,并以迁移学习方式指导多粒度图像情感分析;最后,设计自适应特征融合模块,融合异构SENet特征以完成多粒度语义挖掘,实现图像情感分析.在Twitter I和FI数据集上验证M2模型,其准确率分别达到90.97%和81.14%,优于主流基线.M2拥有泛化性更强的数据增强策略,可以为其训练提供坚实的数据基础,且对应的实证分析效果较好,模型具备一定的实用价值.
-
关键词
多头数据增强
多粒度语义挖掘
图像情感分析
情感区域检测
深度互学习
SENet
-
Keywords
multi-head data augmentation
multi-granularity semantics mining
image sentiment analysis
affective region detection
deep mutual learning
SENet
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于小样本学习的林业病害识别
- 2
-
-
作者
王宇
方睿
徐铭美
罗鸣
-
机构
成都信息工程大学计算机学院
-
出处
《计算机系统应用》
2023年第4期170-176,共7页
-
基金
国家重点研发计划(2020YFA0608000)
成都信息工程大学科研基金(KYTZ202156)。
-
文摘
近年来,国家越来越重视林业的发展,而林业病害防治问题始终是林业发展过程中的一项重点工作.针对传统林业病害识别方法存在数据需求量大、模型易过拟合、部分病害类别采样困难,缺乏标准公开数据集等问题,提出了一种基于小样本学习的林业病害识别模型(DML-MB模型),实现了对于林业病害任务的识别.首先,利用从林业局获取的林业病害数据,整理并建立了7类,共210张林业病害图像数据集.其次,模型在训练分类器的过程中引入深度相互学习(DML)策略,让不同网络在训练时不断分享学习经验,提升了深度神经网络的性能.最后,删除分类器中的全连接层获得特征提取器并迁移到DML-MB模型的元学习网络中进行训练.实验结果表明,DML-MB模型在林业病害数据集上的1-shot和5-shot的测试精度分别为61.38%和73.56%,相较于主流的小样本模型,精度最高提升了2.78%和4.52%.
-
关键词
林业病害识别
小样本学习
元学习
深度相互学习
迁移学习
-
Keywords
forestry disease recognition
few-shot learning
meta-learning
deep mutual learning
transfer learning
-
分类号
S763
[农业科学—森林保护学]
TP391.41
[农业科学—林学]
-
-
题名双流时间域信息交互的微表情识别卷积网络
被引量：2
- 3
-
-
作者
朱伟杰
陈莹
-
机构
江南大学轻工过程先进控制教育部重点实验室
-
出处
《计算机科学与探索》
CSCD
北大核心
2022年第4期950-958,共9页
-
基金
国家自然科学基金(61573168)。
-
文摘
目前主流的深度学习方法用于微表情识别存在实验数据非常稀缺的问题,导致神经网络在学习的过程中知识获取有限进而难以提升精度。针对目前存在的问题,提出双流网络时间域信息交互的微表情识别方法,构建了双流时间域信息交互卷积神经网络(DSTICNN),网络对微表情序列进行处理,进而实现微表情自动识别。该算法通过改进深度互学习策略引导网络学习同一图像序列的不同时间域信息,来提高最终的识别率。算法基于不同时间尺度构建DSTICNN32和DSTICNN64,在训练阶段改良了深度互学习的损失函数。同时,在两流网络接近决策层的特征图加上了均方差损失,最终由交叉熵损失、JS散度损失和均方差损失来共同监督训练,使得两流网络互相学习加强,提高各自预测样本的能力。算法在CASMEⅡ、SMIC数据库上进行了实验,结果表明该算法能有效提高微表情识别率,CASMEⅡ数据库上提高6.83个百分点,SMIC数据库上提高1.65个百分点,整体算法优于现有算法。
-
关键词
深度学习
双流时间域信息
交互
微表情识别
深度互学习
-
Keywords
deep learning
dual-stream temporal-domain information
interaction
micro-expression recognition
deep mutual learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于卷积神经网络的交通标志识别方法
被引量：2
- 4
-
-
作者
申元
赵芸
-
机构
浙江科技学院信息与电子工程学院
-
出处
《浙江科技学院学报》
CAS
2021年第1期16-23,共8页
-
基金
国家重点研发计划项目(2019YFE0126100)
国家自然科学基金项目(61605173)
浙江省自然科学基金项目(LY16C130003)。
-
文摘
交通标志识别在自动驾驶过程中起着十分重要的作用。为了解决识别精度低的问题,提出一种基于卷积神经网络的识别方法,通过改进深度相互学习网络完成对交通标志的识别,使用ResNet-19网络作为特征提取部分,使用全局平均池化层作为分类器部分,使用交叉熵损失和相对熵损失作为损失函数部分,并增加超参数α与δ来衡量这两个损失在训练中的权重;同时,引入一种使用不同初始值的批量归一化层训练的技巧,以此来提高模型的收敛速度。试验研究中,改进的方法用在德国交通标志识别测试集上达到了98.90%的识别精度,比改进前精度提高了2.17%,与目前优秀的交通标志识别模型相比,本方法精度仍有一定的提高。试验结果表明在复杂的环境中,本方法可以准确地识别交通标志,这为后续相关研究提供了良好的技术支持。
-
关键词
交通标志识别
深度相互学习网络
批量归一化
全局平均池化
权重损失
-
Keywords
traffic sign recognition
deep mutual learning network
batch normalization
global average pooling
weight loss
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
