检索结果-内蒙古大学图书馆

云南民族大学学报（自然科学版） 2019年第5期28卷 510-516页

作者：王璐潘文林云南民族大学数学与计算机科学学院

目前,高准确率的语音识别需要在大规模语料库上进行学习才能获得,然而大规模语料库的构建成本较高,某些语言很难采集到充足的语料,因此,基于小规模语料库的语音识别已成为目前挑战性的研究问题.元学习是模仿人类利用已有经验快速学习新... 详细信息

目前,高准确率的语音识别需要在大规模语料库上进行学习才能获得,然而大规模语料库的构建成本较高,某些语言很难采集到充足的语料,因此,基于小规模语料库的语音识别已成为目前挑战性的研究问题.元学习是模仿人类利用已有经验快速学习新知识的机器学习方法,在机器视觉单样本学习任务中表现出明显的优势,已成为新的机器学习研究热点.将元学习应用于单样本语音识别是解决基于小规模语料库语音识别这一挑战性问题的有效途径,在TIMIT和佤语数据库上,开展了基于Reptile元学习算法的单样本孤立词语音识别研究.实验结果表明,该算法能有效地提升模型收敛速度与泛化精度,从而提升了模型的学习能力,说明元学习方法有助于解决小规模语料语音识别这一挑战性问题.

关键词：元学习语音识别孤立词识别单样本学习

来源：评论

学校读者我要写书评

暂无评论

基于孪生网络结构的单样本图例检测方法

引用

计算机与现代化 2020年第12期 116-122页

作者：王超奇宫法明中国石油大学(华东)计算机科学与技术学院山东青岛266580

针对现有深度学习方法训练难、检测慢、训练数据难以获取等问题,在图例检测问题上,提出一种新的解决方法。以高效的卷积神经网络为骨干网络,并根据图例宽高比固定、具有个体独立性等特点,使用一种新的SiameseSSD检测框架进行目标检测。... 详细信息

针对现有深度学习方法训练难、检测慢、训练数据难以获取等问题,在图例检测问题上,提出一种新的解决方法。以高效的卷积神经网络为骨干网络,并根据图例宽高比固定、具有个体独立性等特点,使用一种新的SiameseSSD检测框架进行目标检测。该框架包含了用于特征提取的孪生网络结构子网和用于分类和回归的改良SSD子网。同时利用数据增强技术和特殊的图片配对算法训练模型,通过解决单样本问题、调整网络结构和检测方法以检测大分辨率施工图。该方法在施工图数据集上的实验结果表明,该图例检测方法是一种新的解决单样本学习任务的方法,准确率达到91.3%,检测速度达到61帧/s,相比于其他现有的目标检测方式有一定的优势,几乎能够满足实际工程的工作需求。

关键词：图例检测孪生网络数据增强单样本学习

来源：评论

学校读者我要写书评

暂无评论

OSSN:基于孪生网路对单样本三维点云之语义分割模型

OSSN:基于孪生网路对单样本三维点云之语义分割模型

引用

作者：黄以瑄国立台湾大学

学位级别：硕士

在这篇论文中，我们提出了一个新的网路架构OSSN，也是就我们所知第一个针对单样本三维点云做语意分割的研究。OSSN的核心概念在于比较各的资料点所学到的特征之间的相关性，并且，我们假设同一个类别的资料点，在不同的场景之中，仍然... 详细信息

在这篇论文中，我们提出了一个新的网路架构OSSN，也是就我们所知第一个针对单样本三维点云做语意分割的研究。OSSN的核心概念在于比较各的资料点所学到的特征之间的相关性，并且，我们假设同一个类别的资料点，在不同的场景之中，仍然可以保持某种程度的相似，而这个假设也在后续的实验中得到验证。之所以提出这个新的问题设定有几个主要的原因，首先，关于点云的研究在近年来愈来愈受到重视，尤其在场景分析和自驾车等领域被大量使用，而目前准确率较高的方法大多需要用大量的资料来做训练。但和平面影像相比，点云不但资料搜集不易，还非常难给正确的标记，所以我们希望可以使用像OSSN这样的架构，来学到点与点之间的相关性，并解决输入资料类别不平均的问题。OSSN可以分成四个主要的部分：提取特征，比较特征之间的相似度，学习阈值和两个损失函数。我们将OSSN使用在Stanford 3D semantic semantic parsing dataset上，得到了非常好的结果，并且，在论文中也会证明我们所设计的网路结构各部分对于正确率提升的效果。

关键词：深度学习点云语意分割单样本学习

来源：评论

学校读者我要写书评

暂无评论

单样本物件检测借由多功能注意力机制

单样本物件检测借由多功能注意力机制

引用

作者：许博闵国立台湾大学

学位级别：硕士

在本文中，我们提出了ODVA用于单样本物件检测，其中要检测的目标类别可以是训练数据集中是没见过的。我们的ODVA使用可见类中的图像进行训练，而在推论阶段中，ODVA会在查询图像中检测与给定支持图像匹配的对象，包含见过或没见过的... 详细信息

在本文中，我们提出了ODVA用于单样本物件检测，其中要检测的目标类别可以是训练数据集中是没见过的。我们的ODVA使用可见类中的图像进行训练，而在推论阶段中，ODVA会在查询图像中检测与给定支持图像匹配的对象，包含见过或没见过的类别且无需进行任何模型微调。借助空间和通道注意力，对支持图像中的可区分特征进行编码，并估算查询图像和支持图像之间的相似度。从中，基于余量的损失函数旨在指导ODVA学习针对没见过类别的合适度量方法。对VOC和MS-COCO数据集的实验评估表明，与其他最新的单样本和元学习文献相比，本文提出的ODVA是有效的。此外，为了支持可解释性，我们将RPN提案区域和注意力向量可视化，并通过消融研究证明ODVA中每个模块的有效性。

关键词：物件检测深度学习单样本学习注意力模型度量学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：