排序方式: 共有21条查询结果,搜索用时 31 毫秒
1.
针对传统卷积神经网络(CNN)同层神经元之间信息不能互传,无法充分利用同一层次上的特征信息,以及无法提取长距离上下文相关特征的问题.该文针对中文文本,提出字符级联合网络特征融合的模型进行情感分析,在字符级的基础上采用BiGRU和CNN-BiGRU并行的联合网络提取特征,利用CNN的强学习能力提取深层次特征,再利用双向门限循环神经网络(BiGRU)进行深度学习,加强模型对特征的学习能力.另一方面,利用BiGRU提取上下文相关的特征,丰富特征信息.最后在单方面上引入注意力机制进行特征权重分配,降低噪声干扰.在数据集上进行多组对比实验,该方法取得92.36%的F1值,结果表明本文提出的模型能有效的提高文本分类的准确率. 相似文献
2.
为解决彩色图像小目标检测中目标易丢失与虚警率高的问题,提出了一种基于区域显著性和稳定性标准增强的小目标检测方法( RSSEM )。首先,在区域稳定性特征提取阶段,针对滤波导致的边缘信息缺失问题,填充图像边界并采用多级阈值二值化图像,在聚类准则下二值图像进行区域聚类和二次后验,使本文方法对小目标有较高敏感度。其次,在区域显著性特征提取阶段,利用旋转对称高斯高通滤波对灰度图像进行滤波得到显著性特征图像。最后,融合稳定性特征与显著性特征,并对强噪声滤波后实现小目标检测。在RSS数据集上,与对照组相比,本文方法能显著降低小目标的丢失率和虚警率,比最先进的算法在精确度、召回率、F值上至少提高1%,表明RSSEM的有效性。 相似文献
3.
针对传统卷积神经网络采用通用卷积核提取目标特征造成更高的时间和空间开销的问题,提出一种适应目标几何形状的卷积核结构以替代通用卷积核,可使单个卷积核充分提取目标特征,简化目标提取过程,减少冗余计算。实验以网上收集的舰船可见光图像数据集为研究对象,实验结果表明:本方法在舰船目标识别任务中达到了99.7%的分类准确率,与目前通用的分类模型进行对比要高出约1%,训练速度是通用模型中收敛速度最快的模型的3倍。 相似文献
4.
5.
6.
7.
8.
9.
人工智能课程主要教学内容是符号主义学派的成果,然而,由于符号主义学派研究成果在国内的应用不够广泛,学生对该门课程的价值缺少直观感受,进而出现学习兴趣不足的现象。针对此问题,文章提出利用符号主义学派的前沿技术——命题可满足技术与自动规划技术,帮助学生建立对人工智能课程内容的认可,激发其探索与应用符号主义人工智能学派成果的兴趣。 相似文献
10.
针对数据处理中常见的缺失数据现象,研究了若干种数据填充方法.分别对拉格朗日插值法、回归分析法、灰色预测法和BP神经网络方法进行了缺失数据计算和算法对比研究.以武汉市2013年3-4月的PM2.5数据作为实验研究对象,用上述四种方法进行了缺失数据验证及估计.对比计算结果发现,对于此类数据,利用拉格朗日插值法进行缺失数据填充效果优于其他三种方法. 相似文献