针对小样本语义分割中同类别支持图像与查询图像存在外观差异较大的问题,提出融合高斯过程的自支持匹配小样本语义分割模型。提出的模型在自支持匹配小样本语义分割模型的基础上,首先融入高斯过程,对分布在深层特征空间上的复杂外观进行建模,捕获更多空间细节信息来表示数据分布;随后设计特征增强模块,在空间层对支持特征与查询特征进行信息交互,在通道层进行注意力加权,进一步增强相同类之间的全局相似性,捕获更多目标类别信息;最后利用Gram矩阵量化支持图像和查询图像之间外观差异的大小,从而融合原型匹配的结果,产生更准确的分割图像。实验结果表明:与现有方法相比,所提模型在更强的主干网络下具有较好的分割结果和更少的参数量,在5-shot的设定下,所提模型在PASCAL−5i数据集上平均交并比(mean Intersection over Union,mIoU)达到最优值,提升了0.4%;在COCO−20i数据集上的子集mIoU取得最优值,分别提升了2.2%和1.0%,表明该模型的有效性和先进性。
密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法是一种新型的基于密度的聚类算法,通过选取自身密度高且距离其他更高密度点较远的样本点作为聚类中心,再根据样本间的局部密度和距离进行聚类。一方面,虽然...
详细信息
密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法是一种新型的基于密度的聚类算法,通过选取自身密度高且距离其他更高密度点较远的样本点作为聚类中心,再根据样本间的局部密度和距离进行聚类。一方面,虽然DPC算法参数唯一、简单、高效,但是其截断距离的取值是按经验策略设定,而截断距离值选取不当会导致局部密度和距离计算错误;另一方面,聚类中心的选取采用人机交互模式,对聚类结果的主观影响较大。针对DPC算法的这些缺陷,目前的改进方向主要有3个:改进截断距离的取值方式、改进局部密度和距离的计算方式以及改进聚类中心的选取方式。通过这3个方向的改进,使得DPC过程自适应。本文对DPC算法的自适应密度峰值聚类算法的研究现状进行比较分析,对进一步的工作进行展望并给出今后的研究方向:将DPC算法与智能算法有机结合实现算法自适应,对于算法处理高维数据集的性能也需要进一步探索。
针对标准蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)存在的不足,基于对蝗虫活动习性和行为特征的模拟,结合GOA模型,提出一种基于4-乙烯基苯甲醚(4-vinylanisole,4VA)信息素的蝗虫优化算法(Grasshopper Optimization Algorithm Based on 4-vinylanisole Pheromone,VAGOA)。首先,基于4VA是蝗虫的聚集信息素,设计4VA信息素表达式;其次,对不同蝗虫群体(群居型蝗虫和散居型蝗虫)中的个体分别采用不同的搜索策略,在探索和开发之间取得平衡,使算法全局探索能力和局部开发能力均得到有效提升,增强算法的全局寻优能力和规避陷入局部最优的能力。通过12个基准函数的仿真实验,并与GOA、PSO、HCUGOA、SA_CAGOA算法相比较,结果表明VAGOA的全局搜索能力有明显提高,在函数优化中明显具有更快的全局收敛速度及更好的稳定性。
[目的/意义]从国内游客在线评论文本中分析挖掘出游客对目的地的潜在印象,有助于相关部门和企业了解游客的真正需求,从而科学规划目的地的发展,提升目的地的美誉度。[方法/过程]通过构建词云图进行热词分析;通过DBSCAN密度聚类、构建语义网络关系图完成特色分析;通过提出一种基于Bert的双路神经网络融合的文本情感分类模型TNNFMB(Two-way Neural Network Fusion Model Base on BERT)结合迁移学习实现情感分析,以此挖掘游客的潜在印象。[结果/结论]通过实验,总体挖掘分析出游客高度关注目的地的服务、环境、设施、性价比、位置、景点景色、景区项目,并验证了TNNFMB模型在分类准确率上比基线模型至少提升3.06%,取得了更好的分类效果。
暂无评论