在图像分类的实际应用过程中,部分类别可能完全没有带标签的训练数据。零样本学习(ZSL)的目的是将带标签类别的图像特征等知识迁移到无标签的类别上,实现无标签类别的正确分类。现有方法在测试时无法显式地区分输入图像属于已知类还是未知类,很大程度上导致未知类在传统设定下的ZSL和广义设定下的ZSL(GZSL)上的预测效果相差甚远。为此,提出一种融合视觉误差与属性语义信息的方法来缓解零样本图像分类中的预测偏置问题。首先,设计一种半监督学习方式的生成对抗网络架构来获取视觉误差信息,由此预测图像是否属于已知类;然后,提出融合属性语义信息的零样本图像分类网络来实现零样本图像分类;最后,测试融合视觉误差与属性语义的零样本图像分类方法在数据集AwA2和CUB上的效果。实验结果表明,与对比模型相比,所提方法有效缓解了预测偏置问题,其调和指标H在AwA2(Animal with Attributes)上提升了31.7个百分点,在CUB(Caltech-UCSD-Birds-200-2011)上提升了8.7个百分点。
随着基于位置的社交网络(老师location-based social network,LSBN)的广泛应用,POI(point-of-interest)推荐对用户越来越重要,但签到数据稀疏和用户兴趣动态性等问题均给POI推荐带来困难。为此,提出了一种基于动态异质网络的协同过滤推...
详细信息
随着基于位置的社交网络(老师location-based social network,LSBN)的广泛应用,POI(point-of-interest)推荐对用户越来越重要,但签到数据稀疏和用户兴趣动态性等问题均给POI推荐带来困难。为此,提出了一种基于动态异质网络的协同过滤推荐方法。该方法综合用户位置关系,用户社交关系的好友信息与区域活跃用户信息的同时,还参考兴趣点的分类流行度因素,形成了一种个性化的联合推荐方法。该方法有效缓解了数据稀疏性问题,提高了推荐效果。通过在Foursqure(NYC)数据集和Gowalla数据集上实验表明,算法在精确率与召回率上较其他当前流行算法均有明显提升。
暂无评论