排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
2.
为了解决多模态命名实体识别(MNER)研究中存在的文本特征语义不足、视觉特征语义缺失、图文特征融合困难等问题,多模态命名实体识别方法相继被提出。首先,总结了多模态命名实体识别方法的整体框架以及各部分常用的技术,随后对其进行梳理并分类为基于BiLSTM的MNER方法和基于Transformer的MNER方法,并根据模型结构将其划分为前融合模型、后融合模型、Transformer单任务模型、Transformer多任务模型等4类模型结构。其次,在Twitter-2015、Twitter-2017 2个数据集上,分别对这2类方法进行实验,结果表明:多特征协同表示能增强各模态特征的语义,多任务学习能够促进模态特征融合或者结果融合,从而提升MNER的准确性。建议在MNER的未来研究中,着重关注通过多特征协同表示来增强模态语义,通过多任务学习促进模态特征融合或结果融合等方向的研究。 相似文献
3.
4.
利用自主开发的数字全息干涉测量系统针对同类型夹杂物间的干涉效应开展研究.实验获得了较为满意的数字全息干涉图.通过对不同构型的圆孔、椭圆孔和裂纹在同样相当距离下发生的干涉情况的分析、比较可以发现:多夹杂物间均存在不同程度的增强干涉效应或屏蔽干涉效应;在孔洞之间的增强干涉区存在明显的梯度应变条带;当距离不是很近时,裂纹之间的增强干涉效应主要是在裂纹之间形成高应力应变区,改变裂纹的扩展路径,推动裂纹之间的串接. 相似文献
5.
实体对齐是目前知识融合阶段的主要工作之一,基于表示学习的方法是实体对齐的主要研究方向。首先,通过全面地研究当前代表性的实体对齐技术,总结出这些技术的特征及架构,并提出了一个捕捉这些技术关键特征的框架;然后根据这些技术使用的知识表示模型将其分成2类:基于Trans的技术和基于GNN的技术;给出了2个当前广泛使用的数据集,搭建了11个有代表性的基于TransE的模型和基于GNN的模型,并在DBP15K上的3个跨语言数据集上进行对比实验;评测主流模型和添加属性或字面等不同侧面信息后的模型的对齐效果,为未来大规模单模态乃至多模态知识图谱实体对齐研究提供参考。 相似文献
6.
为了解决多模态命名实体识别方法中存在的图文语义缺失、多模态表征语义不明确等问题,提出了一种图文语义增强的多模态命名实体识别方法。其中,利用多种预训练模型分别提取文本特征、字符特征、区域视觉特征、图像关键字和视觉标签,以全面描述图文数据的语义信息;采用Transformer和跨模态注意力机制,挖掘图文特征间的互补语义关系,以引导特征融合,从而生成语义补全的文本表征和语义增强的多模态表征;整合边界检测、实体类别检测和命名实体识别任务,构建了多任务标签解码器,该解码器能对输入特征进行细粒度语义解码,以提高预测特征的语义准确性;使用这个解码器对文本表征和多模态表征进行联合解码,以获得全局最优的预测标签。在Twitter-2015和Twitter-2017基准数据集的大量实验结果显示,该方法在平均F1值上分别提升了1.00%和1.41%,表明该模型具有较强的命名实体识别能力。 相似文献
7.
水稻叶片氮含量的估测对实现田间施肥高效、水稻高产的目标具有重要意义。提出了一种基于粒子群深度森林的水稻叶片氮素估测方法(Particle Swarm Optimization-Deep Forest, PSODF),通过粒子群优化算法筛选深度森林模型(Deep Forest,DF)参数中最优的级联层估计器数量和估计器中的树数,从而提高深度森林模型在水稻氮素数据集上的回归精度。为验证PSO-DF的有效性,研究采用无人机搭载高光谱图像采集器获取宁夏粳稻高光谱图像,并对同期水稻叶片进行取样、测量、分析,并提取与水稻叶片氮含量相关系数最高的3个特征波段,将其作为光谱特征与水稻氮含量数据进行反演,对PSO-DF、原模型DF以及其他6种常见机器学习算法构建的水稻氮含量估测模型进行了对比。结果表明:PSO-DF算法构建的模型效果优于其他模型,其R2和RMSE指标均明显优于其他模型。 相似文献
1