-
题名基于注意力网络推理图的细粒度图像分类
被引量：2
- 1
-
-
作者
郑智文
甘健侯
周菊香
欧阳昭相
鹿泽光
-
机构
云南师范大学民族教育信息化教育部重点实验室
云南师范大学云南省智慧教育重点实验室
德宏师范高等专科学校信息学院
中科国鼎数据科学研究院
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2022年第1期36-46,共11页
-
基金
国家自然科学基金(No.62166050)资助
-
文摘
针对场景图像的细粒度分类任务,结合图像视觉和文本的多模态信息提出了一种基于注意力网络推理图的细粒度图像分类方法。首先提取场景图像的全局视觉特征、局部视觉特征和文本特征,把位置信息分别嵌入局部视觉特征和文本特征后拼接成新的特征,再将这个新的特征作为图结构的节点生成一个异构图;然后设计两条元路径将异构图分解成两个同构图,并将其分别放入设计有节点级注意和语义级注意的两级注意力网络推理图;最后将输出的节点特征与全局视觉特征进行多模态融合操作,获得更丰富的细粒度特征表达。所提出的模型实现了多模态融合与图注意力网络的有效结合,且在Con-Text和Drink Bottle两个场景文本细粒度图像数据集上与目前主流先进方法相比具有较强的竞争力。
-
关键词
场景图像
多模态
图注意力网络
节点级注意力
语义级注意力
-
Keywords
scene image
multimodal
graph attention network
node-level attention
semantic-level attention
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于混合神经网络的协同过滤推荐模型
被引量：6
- 2
-
-
作者
马鑫
吴云
鹿泽光
-
机构
贵州大学计算机科学与技术学院
中科国鼎数据科学研究院
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2020年第3期478-487,共10页
-
基金
国家自然科学基金项目(No.61741124)资助。
-
文摘
数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络(convolutional neural network, CNN)和降噪自编码(denoising auto-encoder, DAE)神经网络混合的神经网络评分预测模型(convolutional-denosing autoencoder, CDAE)对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐(convolutional-denosing autoencoder collaborative filtering, CDAECF)模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率.
-
关键词
卷积神经网络
降噪自编码神经网络
协同过滤
稀疏性
-
Keywords
convolutional neural network
denoising auto-encode neural network
collaborative filtering
sparsity
-
分类号
TP520.60
[自动化与计算机技术]
-
