检索结果-维普期刊中文期刊服务平台

基于伪标签细化的域适应TSK模糊分类器: 1; 作者张馨匀周琳家 +4 位作者程煜婷邱成羽谢宇航陈秀张远鹏《智能系统学报》北大核心 2025年第3期557-570,共14页; Takagi-Sugeno-Kang(TSK)模糊分类器由于其良好的分类性能和可解释性在多个领域有着广泛的应用。针对训练样本和测试样本分布差异所导致的TSK模糊分类器泛化性能下降问题提出了一种基于伪标签细化的域适应TSK模糊分类器。该分类器使用... 展开更多; 关键词域适应 Takagi-Sugeno-Kang模糊分类器随机游走伪标签细化模糊共享特征空间无监督学习模糊规则迁移学习; 在线阅读下载PDF 职称材料

基于域对齐和伪标签细化的域自适应行人重识别算法: 2; 作者朱松豪宋杰《南京邮电大学学报（自然科学版）》北大核心 2024年第6期65-75,共11页; 无监督域自适应行人重识别旨在将知识从有标签的数据集迁移至无标签的数据集,从而减轻对大量有标签数据的需求。现有方法通过聚类生成伪标签解决这个问题,然而,生成的伪标签可能含有噪声,这将大大降低方法性能。为减少伪标签噪声,提高... 展开更多; 关键词行人重识别域自适应域对齐伪标签细化; 在线阅读下载PDF 职称材料

基于伪标签细化和语义对齐的异构域自适应: 3; 作者吴兰崔全龙《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2023年第9期1876-1884,1902,共10页; 在进行跨域知识迁移时,现有异构域自适应方法忽略了伪标签和类别预测中语义属性的重要性,导致分类精度不高,为此提出新的异构域自适应方法.该方法匹配源域和目标域的条件分布和边缘分布,考虑源数据和目标数据在公共特征子空间的相似性,... 展开更多; 关键词异构域自适应伪标签细化语义预测空间域鉴别器语义对齐; 在线阅读下载PDF 职称材料

伪标签细化引导的相机感知无监督行人重识别方法被引量：3: 4; 作者程思雨陈莹《光电工程》 CAS CSCD 北大核心 2023年第12期56-69,共14页; 无监督行人重识别因其广泛的实际应用前景而受到越来越多的关注。大多数基于聚类的对比学习方法将每个集群视为一个伪身份类,忽略了由相机风格差异造成的类内差异。一些方法引入了相机感知对比学习,根据相机视角将单一集群划分为多个子... 展开更多; 关键词行人重识别无监督相机感知对比学习细化伪标签; 在线阅读下载PDF 职称材料

题名基于伪标签细化的域适应TSK模糊分类器: 1; 作者张馨匀周琳家程煜婷邱成羽谢宇航陈秀张远鹏; 机构南通大学医学信息学系香港理工大学健康科技与资讯学系; 出处《智能系统学报》北大核心 2025年第3期557-570,共14页; 基金江苏省研究生研究实践创新计划项目(KYCX24_3561) 中国博士后科学基金资助项目(2023T160342) 国家自然科学基金项目(82072019)。; 文摘 Takagi-Sugeno-Kang(TSK)模糊分类器由于其良好的分类性能和可解释性在多个领域有着广泛的应用。针对训练样本和测试样本分布差异所导致的TSK模糊分类器泛化性能下降问题提出了一种基于伪标签细化的域适应TSK模糊分类器。该分类器使用模糊规则前件的非线性映射和后件的线性映射能力构建源域和目标域数据的模糊共享特征空间,并在模糊共享特征空间采用基于图随机游走和标签过滤细化两种策略来提升目标域伪标签质量来更好地进行域对齐。通过在多个公开数据集上的广泛实验,验证了所提出的域适应TSK模糊分类器不仅具备可靠的分类性能,还具有良好的可解释性。; 关键词域适应 Takagi-Sugeno-Kang模糊分类器随机游走伪标签细化模糊共享特征空间无监督学习模糊规则迁移学习; Keywords domain adaptation Takagi-Sugeno-Kang fuzzy classifier random walking pseudo-label refinement fuzzy shared feature space unsupervised learning fuzzy rule transfer learning; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于域对齐和伪标签细化的域自适应行人重识别算法: 2; 作者朱松豪宋杰; 机构南京邮电大学自动化学院; 出处《南京邮电大学学报（自然科学版）》北大核心 2024年第6期65-75,共11页; 基金国家自然科学基金(62001247)资助项目。; 文摘无监督域自适应行人重识别旨在将知识从有标签的数据集迁移至无标签的数据集,从而减轻对大量有标签数据的需求。现有方法通过聚类生成伪标签解决这个问题,然而,生成的伪标签可能含有噪声,这将大大降低方法性能。为减少伪标签噪声,提高重识别性能,提出一种新颖的基于域对齐和相互引导伪标签细化的域自适应行人重识别方法。首先,利用双分支结构从增强数据中提取判别特征,以丰富特征的多样性;其次,设计一个分布式对抗性域对齐模块,以最小化域间差异;最后,利用局部特征和全局特征间的互补关系,实现局部特征和全局特征相互细化的一致性,从而有效减少伪标签聚类产生的噪声,提高伪标签预测的精度。大量实验结果表明,所提方法在域自适应行人重识别的公开数据集上取得显著效果。论文代码链接地址:https://github.com/cris0799/DAm。; 关键词行人重识别域自适应域对齐伪标签细化; Keywords person re-identification domain adaptation domain alignment pseudo label refinement; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于伪标签细化和语义对齐的异构域自适应: 3; 作者吴兰崔全龙; 机构河南工业大学电气工程学院; 出处《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2023年第9期1876-1884,1902,共10页; 基金国家自然科学基金资助项目(61973103) 河南省优秀青年基金资助项目(222300420039) 郑州市科技创新协同专项重点项目(21ZZXTCX01)。; 文摘在进行跨域知识迁移时,现有异构域自适应方法忽略了伪标签和类别预测中语义属性的重要性,导致分类精度不高,为此提出新的异构域自适应方法.该方法匹配源域和目标域的条件分布和边缘分布,考虑源数据和目标数据在公共特征子空间的相似性,通过细化空间相似性的伪标签来增强目标域伪标签的置信度,使模型的分类精度提高.考虑同类的样本经过分类器输出后有相似的预测分布,构造语义预测空间中的域鉴别器,使模型的泛化性提升.不同特征表示的文本和图像的分类任务实验结果成功地验证了所提方法的优越性.; 关键词异构域自适应伪标签细化语义预测空间域鉴别器语义对齐; Keywords heterogeneous domain adaptation pseudo-label refinement semantic prediction space domain discriminator semantic alignment; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名伪标签细化引导的相机感知无监督行人重识别方法被引量：3: 4; 作者程思雨陈莹; 机构江南大学轻工过程先进控制教育部重点实验室物联网工程学院; 出处《光电工程》 CAS CSCD 北大核心 2023年第12期56-69,共14页; 基金国家自然科学基金资助项目(62173160)。; 文摘无监督行人重识别因其广泛的实际应用前景而受到越来越多的关注。大多数基于聚类的对比学习方法将每个集群视为一个伪身份类,忽略了由相机风格差异造成的类内差异。一些方法引入了相机感知对比学习,根据相机视角将单一集群划分为多个子集群,但它们容易受到噪声伪标签的误导。为解决这一问题,本文首先基于实例在特征空间中的相似性,采用最近邻的预测标签和原始聚类结果的加权组合细化伪标签。然后,采用细化伪标签动态地关联实例可能属于的类别中心,同时剔除可能存在的假阴性样本。这一方法改进了相机感知对比学习中正负样本的选择机制,有效地减轻了噪声伪标签对对比学习任务的误导。在Market-1501、MSMT17、Personx数据集上mAP/Rank-1分别达到了85.2%/94.4%、44.3%/74.1%、88.7%/95.9%。; 关键词行人重识别无监督相机感知对比学习细化伪标签; Keywords person re-identification unsupervised camera-aware contrastive learning refined pseudo-labels; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于伪标签细化的域适应TSK模糊分类器	张馨匀周琳家程煜婷邱成羽谢宇航陈秀张远鹏	《智能系统学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于域对齐和伪标签细化的域自适应行人重识别算法	朱松豪宋杰	《南京邮电大学学报（自然科学版）》北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于伪标签细化和语义对齐的异构域自适应	吴兰崔全龙	《浙江大学学报（工学版）》 EI CAS CSCD 北大核心	2023	0	在线阅读下载PDF 职称材料
4	伪标签细化引导的相机感知无监督行人重识别方法	程思雨陈莹	《光电工程》 CAS CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料