-
题名基于元学习的不平衡少样本情况下的文本分类研究
被引量：5
- 1
-
-
作者
熊伟
宫禹
-
机构
华北电力大学(保定)计算机系
华北电力大学(保定)复杂能源系统智能计算教育部工程研究中心
-
出处
《中文信息学报》
CSCD
北大核心
2022年第1期104-116,共13页
-
文摘
针对文本信息语义、语境迁移难问题,该文提出一种基于元学习与注意力机制模型的动态卷积神经网络改进方法。首先利用文本的底层分布特征进行跨类别分类,使文本信息具有更好的迁移性;其次使用注意力机制对传统的卷积网络进行改进,以提高网络的特征提取能力,并根据原始数据集信息进行编码,生成平衡变量,降低由于数据不平衡所带来的影响;最后使用双层优化的方法使模型自动优化其网络参数。在通用文本分类数据集THUCNews实验结果表明,该文所提出的方法,在1-shot、5-shot情况下,准确率分别提升2.27%、3.26%;在IMDb数据集上,模型准确率分别提升3.28%、3.01%。
-
关键词
元学习
少样本学习
文本分类
动态卷积
数据不平衡
-
Keywords
meta learning
few-shot learning
text classification
dynamic convolution
data imbalance
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
-
-
题名元学习与多尺度特征融合的小样本目标检测
被引量：6
- 2
-
-
作者
李丽芬
范新烨
-
机构
华北电力大学(保定)计算机系
华北电力大学(保定)复杂能源系统智能计算教育部工程研究中心
-
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第12期2804-2811,共8页
-
基金
国家自然科学基金项目(61906181)资助
中央高校基本科研业务费专项资金项目(2021MS094)资助。
-
文摘
利用深度学习相关方法进行目标检测时,需要大量标注数据,然而对于大型数据集的收集和标注,需要消耗大量人力资源,小样本条件下的目标检测是一个亟待解决的问题,特别是针对新类别.在这项工作中,提出一种基于元学习与多尺度特征融合小样本条件下目标检测的方法.首先,采用VGG16网络的前5个卷积块作为骨干网络,且将第5个卷积块的常规卷积替换为空洞卷积,同时保留第3个卷积块提取的特征,以更好地融合中间层特征.然后,利用特征金字塔网络和像素聚合网络实现多尺度特征融合.特征图经过通道注意力和注意力RPN网络以有效提取感兴趣区域.最后利用原型网络计算支持集多尺度原型向量和查询集ROI特征向量之间的欧氏距离,对目标进行分类.实验在PASCAL VOC数据集上与最常见的方法进行比较,相比于MPSR模型,在1-shot、3-shot、5-shot、10-shot条件下,mAP分别提高了1.8%、1.1%、1.6%、3.3%,对比实验结果证明提出算法的有效性.本文所提出的模型有效地提高了Faster R-CNN算法在小样本条件下目标检测精度.
-
关键词
目标检测
小样本
多尺度特征融合
原型网络
空洞卷积
-
Keywords
object detection
few-shot
multi-scale feature fusion
prototype network
atrous convolution
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
