期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于自上而下注意力机制的零样本目标检测
被引量：
1
1
作者
齐鑫伟
侍洪波
+1 位作者
宋冰
陶阳
《华东理工大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第6期859-868,共10页
由于可见类和未见类目标数据分布的差异性,目前基于映射迁移策略的零样本目标检测算法在测试时容易偏向可见类别的目标,且因为不同类别在属性上的相似性,特征分布比较混乱。本文提出一种新的零样本目标检测框架,利用所设计的先验知识提...
由于可见类和未见类目标数据分布的差异性,目前基于映射迁移策略的零样本目标检测算法在测试时容易偏向可见类别的目标,且因为不同类别在属性上的相似性,特征分布比较混乱。本文提出一种新的零样本目标检测框架,利用所设计的先验知识提取模块和自上而下注意力机制模块,为检测过程提供任务导向,引导模型在训练期间关注出现的未见类特征,提高模型对不同数据分布的判别性;还设计了一种新的对比约束以提高特征之间的聚类能力;在MSCOCO标准数据集上进行了大量实验。结果表明,该模型在标准和广义零样本目标检测任务上都取得了显著效果。
展开更多
关键词
计算机视觉
目标检测
零样本目标检测
自上而下注意力
机制
对比约束
在线阅读
下载PDF
职称材料
融合自上而下和自下而上注意力的图像描述生成
被引量：
4
2
作者
武光利
郭振洲
李雷霆
《科学技术与工程》
北大核心
2022年第32期14313-14320,共8页
随着互联网的普及,每天都有海量的图片被传入互联网中。为了能更好地利用这些图片的价值,图像描述生成技术应运而生。提出一种融合自上而下和自下而上注意力的图像描述生成模型。在工作时,该模型分别利用预训练的ResNet101和Faster R-CN...
随着互联网的普及,每天都有海量的图片被传入互联网中。为了能更好地利用这些图片的价值,图像描述生成技术应运而生。提出一种融合自上而下和自下而上注意力的图像描述生成模型。在工作时,该模型分别利用预训练的ResNet101和Faster R-CNN(regions with convolutional neural network)提取输入图片的全局特征和局部特征,并利用自上而下和自下而上注意力分别计算两种特征的权重;利用门控循环单元(gate recurrent unit, GRU)提取一句话中单词之间的上下文语义信息;利用长短期记忆网络(long short-term memory, LSTM)解析图像特征和语义信息并生成描述语句。在训练时,首先以监督学习的方法,训练出基于编码器-解码器框架的一个基础模型;然后再以结合生成式对抗网络和强化学习的方法,在相互对抗中得到不断优化的策略函数和不断完善的奖励机制,从而使生成的句子更加准确、自然。本文模型在COCO数据集上进行训练和测试,最终在评价指标BLEU@1(bilingual evaluation understudy@1)上达到0.675,在BLEU@4上达到0.24,在CIDEr(consensus-based image description evaluation)上达到0.734,在ROUGE(recall-oriented understudy for gisting evaluation)上达到0.51。实验结果表明了本文模型的可行性与先进性。
展开更多
关键词
自上而下注意力
自下而上
注意力
图像描述生成
生成式对抗网络(GAN)
强化学习(RL)
在线阅读
下载PDF
职称材料
题名
基于自上而下注意力机制的零样本目标检测
被引量：
1
1
作者
齐鑫伟
侍洪波
宋冰
陶阳
机构
华东理工大学信息科学与工程学院
出处
《华东理工大学学报（自然科学版）》
CAS
CSCD
北大核心
2024年第6期859-868,共10页
基金
国家自然科学基金(62073140,62073141,62103149)
国家重点研发计划(2020YFC1522502,2020YFC1522505)。
文摘
由于可见类和未见类目标数据分布的差异性,目前基于映射迁移策略的零样本目标检测算法在测试时容易偏向可见类别的目标,且因为不同类别在属性上的相似性,特征分布比较混乱。本文提出一种新的零样本目标检测框架,利用所设计的先验知识提取模块和自上而下注意力机制模块,为检测过程提供任务导向,引导模型在训练期间关注出现的未见类特征,提高模型对不同数据分布的判别性;还设计了一种新的对比约束以提高特征之间的聚类能力;在MSCOCO标准数据集上进行了大量实验。结果表明,该模型在标准和广义零样本目标检测任务上都取得了显著效果。
关键词
计算机视觉
目标检测
零样本目标检测
自上而下注意力
机制
对比约束
Keywords
computer vision
object detection
zero-shot object detection
top-down attention
contrast constraint
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
融合自上而下和自下而上注意力的图像描述生成
被引量：
4
2
作者
武光利
郭振洲
李雷霆
机构
甘肃政法大学网络空间安全学院
出处
《科学技术与工程》
北大核心
2022年第32期14313-14320,共8页
基金
甘肃省自然科学基金(21JR7RA570,20JR10RA334)
陇原青年创新创业人才项目(2021LQGR20)
+3 种基金
甘肃省高等学校创新能力提升项目(2020B-167)
甘肃政法大学校级重大科研创新项目(GZF2020XZDA03)
司法鉴定中心科研资助项目(jdzxyb2018-01)
甘肃省青年博士基金(2022QB-123)。
文摘
随着互联网的普及,每天都有海量的图片被传入互联网中。为了能更好地利用这些图片的价值,图像描述生成技术应运而生。提出一种融合自上而下和自下而上注意力的图像描述生成模型。在工作时,该模型分别利用预训练的ResNet101和Faster R-CNN(regions with convolutional neural network)提取输入图片的全局特征和局部特征,并利用自上而下和自下而上注意力分别计算两种特征的权重;利用门控循环单元(gate recurrent unit, GRU)提取一句话中单词之间的上下文语义信息;利用长短期记忆网络(long short-term memory, LSTM)解析图像特征和语义信息并生成描述语句。在训练时,首先以监督学习的方法,训练出基于编码器-解码器框架的一个基础模型;然后再以结合生成式对抗网络和强化学习的方法,在相互对抗中得到不断优化的策略函数和不断完善的奖励机制,从而使生成的句子更加准确、自然。本文模型在COCO数据集上进行训练和测试,最终在评价指标BLEU@1(bilingual evaluation understudy@1)上达到0.675,在BLEU@4上达到0.24,在CIDEr(consensus-based image description evaluation)上达到0.734,在ROUGE(recall-oriented understudy for gisting evaluation)上达到0.51。实验结果表明了本文模型的可行性与先进性。
关键词
自上而下注意力
自下而上
注意力
图像描述生成
生成式对抗网络(GAN)
强化学习(RL)
Keywords
top-down attention
bottom-up attention
image captioning
generative adversarial networks(GAN)
reinforcement learning(RL)
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
作者
出处
发文年
被引量
操作
1
基于自上而下注意力机制的零样本目标检测
齐鑫伟
侍洪波
宋冰
陶阳
《华东理工大学学报（自然科学版）》
CAS
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
融合自上而下和自下而上注意力的图像描述生成
武光利
郭振洲
李雷霆
《科学技术与工程》
北大核心
2022
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
