-
题名基于标签自适应选择的矩阵分解推荐算法
被引量：3
- 1
-
-
作者
宋威
李雪松
-
机构
北方工业大学计算机学院
大规模流数据集成与分析技术北京市重点实验室
-
出处
《计算机工程与科学》
CSCD
北大核心
2018年第10期1731-1736,共6页
-
基金
北京市自然科学基金(4162022)
北京市科技计划项目(D161100005216002)
北京市优秀人才青年拔尖个人项目(2015000026833ZK04)
-
文摘
将标签融入矩阵分解方法是当前推荐系统研究的热点。提出了一种基于标签自适应选择的矩阵分解推荐算法。首先,提出了标签-评分稀疏系数,较好地平衡了推荐过程中潜在特征与标签的使用问题。其次,利用标签的次数来计算标签向量,体现了标签的不同频率对不同物品的影响。最后,给出了算法的总体描述。实验结果表明,算法具有较高的推荐精度和较快的收敛速度。
-
关键词
推荐系统
矩阵分解
隐语义模型
标签自适应选择
标签-评分稀疏系数
-
Keywords
recommendation system
matrix factorization
latent factor model
adaptive tag selection
tag-rating sparsity coefficient
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于注意力和标签自适应的跨域行人重识别
- 2
-
-
作者
陈思文
吴怀宇
陈洋
-
机构
武汉科技大学机器人与智能系统研究院
-
出处
《高技术通讯》
CAS
2022年第2期143-151,共9页
-
基金
国家自然科学基金(62073250,62003249)
湖北省重点研发计划(2020BAB021)资助项目。
-
文摘
针对现有的大多数行人重识别算法都依赖于监督训练,而监督训练中人工标注的数据需要昂贵的资源开销从而限制了其在新场景中拓展应用的问题,提出了基于注意力和标签自适应的跨域行人重识别方法。该方法首先对深度卷积神经网络(DCNN)中不同深度的特征层嵌入注意力机制和BNNeck模块,增强模型在不同数据集下对行人的特征表示能力;其次针对没有任何标签的目标数据集,提出了无监督标签自适应方法,将标签信息逐渐扩展至目标数据集中;最后采用知识蒸馏(KD)的方法不断对模型进行微调,使模型逐渐适应新的场景。该方法在Market-1501数据集上的平均精度均值(m AP)为33.1%,在DukeMTMC-reID数据集上的m AP为36.1%,与PTGAN、IPGAN等跨域行人重识别算法相比性能有明显提升。
-
关键词
跨域行人重识别
注意力
标签自适应
知识蒸馏(KD)
深度卷积神经网络(DCNN)
-
Keywords
cross-domain person re-identification
attention
label adaptation
knowledge distillation(KD)
deep convolutional neural network(DCNN)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多标签对抗领域自适应的行人属性识别算法
- 3
-
-
作者
胡强梁
陈琳
尚明生
-
机构
中国科学院重庆绿色智能技术研究院电子信息所
中国科学院大学重庆学院人工智能学院
-
出处
《北京航空航天大学学报》
北大核心
2025年第7期2478-2487,共10页
-
基金
国家自然科学基金(82030066,61902370)
重庆市教委在渝高校与中科院所合作重点项目(HZ2021008,HZ2021017)。
-
文摘
针对无监督领域自适应算法通常局限于单标签学习问题,难以适配针对行人属性的多标签分类任务,提出一种多标签对抗领域自适应的行人属性识别算法。为适应行人属性多标签领域迁移任务,基于多标签特征分离模块,利用特定类别语义对主干网络提取的深度特征进行属性分离,有效提取特定属性的表征信息。针对不同领域属性特征分布差异较大的难点,提出基于分类器复用的多标签领域鉴别模块,同时实现多标签领域对齐和多标签分类,有效利用预测的鉴别信息捕获特征分布的多模式结构。实验结果表明:所提算法对比基准模型有明显提升,在平均准确率、准确率、召回率和F1指标上分别提升了4.49%、5.5%、11.44%和5.89%;所提算法为多标签领域自适应学习提供了新思路。
-
关键词
行人属性识别
多标签学习
多标签领域自适应
多属性特征提取
多标签分类
-
Keywords
pedestrian attribute recognition
multi-label learning
multi-label domain adaptation
multi-label feature extraction
multi-label classification
-
分类号
V351
[航空宇航科学与技术—人机与环境工程]
TB391
[一般工业技术—材料科学与工程]
-
-
题名类别特征约束的多目标域表情识别方法
被引量：1
- 4
-
-
作者
范琪
王善敏
刘成广
刘青山
-
机构
南京信息工程大学自动化学院
南京航空航天大学计算机科学与技术学院
南京信息工程大学计算机学院
南京邮电大学计算机学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2024年第5期836-845,共10页
-
文摘
表情识别FER方法通常会受到采集环境和受试者区域、种族等因素的影响。为了提升FER方法的泛化性能,无监督的域自适应表情识别方法UDA-FER成为了研究热点。现有的UDA-FER方法普遍存在2个问题:(1)仅关注对目标域的识别率,导致方法从源域迁移至目标域后,对源域的识别率急剧下降;(2)仅研究基于单个目标域的UDA-FER方法,将现有方法直接应用于多个目标域会导致方法识别率骤降。为解决上述问题,提出了一种类别特征约束的多目标域表情识别方法MTD-FER,实现FER向多个目标域的连续迁移。为了保持对源域的识别率并提高对多个目标域的识别率,MTD-FER设计了类别自适应的伪标签标记CAPL模块和类别特征约束CWFC模块,挑选目标域高质量的样本标记为伪标签,并对齐各个域同类样本的特征,缓解连续迁移导致的灾难性遗忘问题。以RAF-DB为源域,FER-2013和ExpW为目标域,进行大量的实验,证明了MTD-FER的有效性。实验结果表明,与基准方法相比,MTD-FER在多次迁移后,源域识别率提升6.36%,与迁移之前基本持平;在各个目标域性能均有所提升,其中FER-2013性能提升了27.33%,ExpW性能提升了3.03%。
-
关键词
人脸表情识别
无监督域自适应
多目标域
类别自适应的伪标签
类别特征约束
-
Keywords
facial expression recognition
unsupervised domain adaptation
multi-target domain
class-adaptive pseudo label
class-wise feature constraint
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
