排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
目前多数文本分类方法无法有效反映句子中不同单词的重要程度,且在神经网络训练过程中获得的词向量忽略了汉字本身的结构信息。构建一种GRU-ATT-Capsule混合模型,并结合CW2Vec模型训练中文词向量。对文本数据进行预处理,使用传统的词向量方法训练的词向量作为模型的第1种输入,通过CW2Vec模型训练得到的包含汉字笔画特征的中文词向量作为第2种输入,完成文本表示。利用门控循环单元分别提取2种不同输入的上下文特征并结合注意力机制学习文本中单词的重要性,将2种不同输入提取出的上下文特征进行融合,通过胶囊网络学习文本局部与全局之间的关系特征实现文本分类。在搜狗新闻数据集上的实验结果表明,GRU-ATT-Capsule混合模型相比TextCNN、BiGRU-ATT模型在测试集分类准确率上分别提高2.35和4.70个百分点,融合笔画特征的双通道输入混合模型相比单通道输入混合模型在测试集分类准确率上提高0.45个百分点,证明了GRU-ATT-Capsule混合模型能有效提取包括汉字结构在内的更多文本特征,提升文本分类效果。 相似文献
3.
4.
5.
目前3D模型的重建主要利用正向建模的方式,预先设计好物体形状、大小、颜色、纹理等,通过建模软件(如C4D,3Ds MAX,Alias)生成所需的3D模型。这种方式对于设计人员的专业知识和软件操作能力要求较高,而且设计所需时间较长,实时性不高。针对这些问题,采取逆向建模方式,利用手机拍摄的图片通过相机标定和坐标转换等方法,在短时间内生成目标三维模型。实验结果表明,目标三维模型具有较高的精度,可以满足3D打印等一系列实际应用需求。 相似文献
6.
1