公共文化服务平台

搜索到961篇“ 多示例学习“的相关文章

基于多核学习的单分类多示例学习算法: 2024年; 将多核学习引入到单分类多示例学习中,提出了一种基于多核学习的单分类多示例支持向量数据描述算法,解决了多核学习方法在实际应用中多示例数据具有比较复杂分布结构的学习问题。本文算法是将多个示例数据通过多个不同的核函数多核映射到特征空间,在特征空间中通过支持向量数据描述算法构建球形分类器。该算法采用迭代优化框架,首先,根据初始化包中的正示例来优化目标函数以此建立分类器。然后,根据上一步得到的分类器再对包中的正示例的标签进行更新。最后,在Corel、VOC 2007和Messidor数据集上的实验结果表明,所提出的算法比单核多示例方法具有更好的性能,进一步验证了算法的可行性和有效性。; 古慧敏肖燕珊刘波; 关键词：多核学习支持向量数据描述多示例学习

基于多模态多示例学习的免疫介导性肾小球疾病自动分类方法: 2024年; 目的探讨如何利用多模态深度学习方法,联合光学显微镜(OM)、免疫荧光显微镜(IM)及透射电子显微镜(TEM)对应的3种图像进行免疫介导性肾小球疾病分类。方法基于273例患者的病理图像进行回顾性研究,构建多模态多示例模型对3种免疫介导性的肾小球疾病——免疫球蛋白A肾病(IgAN)、膜性肾病(MN)、狼疮性肾炎(LN)进行分类。该模型采用示例水平的多示例学习(I-MIL)方法挑选患者的TEM图像并与同一患者的OM图像和IM图像进行多模态特征融合。通过该模型与单模态、双模态模型的比较,探究3种模态之间的不同组合形式以及模态特征融合方式的特性。结果联合OM、IM以及TEM图像建立的多模态多示例模型准确率为(88.34±2.12)%,优于准确率为(87.08±4.25)%的最优的单模态模型,以及准确率为(87.92±3.06)%的最优的双模态模型。结论本研究成功建立基于OM、IM及TEM三种模态图像的多模态多示例模型,并验证了采用多示例学习结合多模态学习方法对免疫介导性肾小球疾病分类的有效性。; 龙楷兴翁丹仪耿舰路艳蒙周志涛曹蕾; 关键词：肾活检病理肾小球疾病多模态融合多示例学习

多示例学习的簇频繁性分析及双角度融合嵌入: 2024年; 多示例学习(Multi-Instance Learning,MIL)的训练数据是由若干个未带标记的示例组成的带标记的包,基于嵌入的方法,通过将包嵌入成单向量来解决包表示问题,然而大部分现有方法忽略了示例与包的联系,难以保证所选示例的代表性.同时,单角度的嵌入方法无法有效地提取正、负包的差异信息,使嵌入向量的质量较差.提出一种多示例学习的簇频繁性分析及双角度融合嵌入(FADE).簇频繁性分析技术从正、负子空间中分别筛选部分示例作为子空间的簇心,依据簇心将子空间聚类成簇,再计算簇频繁性指标,选择频繁性较高的簇的簇心组成子空间代表示例集.双角度融合嵌入技术基于正、负子空间代表示例集和差值嵌入函数,分别从正、负角度挖掘信息,融合两个角度信息获得最终的嵌入向量.在29个数据集上与七个MIL算法进行了对比实验,结果表明,FADE的分类准确率总体上优于七个对比算法,在图像数据集上有显著优势,在文本和网页数据集上也表现良好.; 杨梅张靖宇闵帆闵帆; 关键词：多示例学习嵌入方法

基于多示例学习的多尺度组织病理图像分析网络的设计与实现: 病理图像分析是癌症诊断的重要步骤,被认为是疾病诊断的“金标准”。数字病理和深度学习的结合,使得病理图像能够进行定量化分析和自动化识别,既减少病理医生的工作量,又提高诊断的准确性。目前已经提出了一系列基于数字化全视野切片(...; 刘昀瓒; 关键词：病理图像分析多示例学习

基于多示例学习图卷积网络的隐写者检测: 2024年; 隐写者检测通过设计模型检测在批量图像中嵌入秘密信息进行隐蔽通信的隐写者,对解决非法使用隐写术的问题具有重要意义.本文提出一种基于多示例学习图卷积网络(Multiple-instance learning graph convolutional network,MILGCN)的隐写者检测算法,将隐写者检测形式化为多示例学习(Multiple-instance learning, MIL)任务.本文中设计的共性增强图卷积网络(Graph convolutional network, GCN)和注意力图读出模块能够自适应地突出示例包中正示例的模式特征,构建有区分度的示例包表征并进行隐写者检测.实验表明,本文设计的模型能够对抗多种批量隐写术和与之对应的策略.; 钟圣华张智; 关键词：多示例学习

基于多示例学习和多尺度特征融合的AD分类方法及系统: 本发明提供一种基于多示例学习和多尺度特征融合的AD分类方法，首先获取sMRI影像，随后对sMRI影像进行斑块分割，获取若干个不重叠的大斑块；将大斑块输入大斑块模型中提取特征和权重；将权重最高的若干个大斑块二次分割为小斑块...; 曾安帅志富潘丹刘军陈文戈吴菊华

利用深度时空自编码网络与多示例学习进行船只异常事件检测: 2024年; 异常事件检测是交通安全防控的重要支撑技术,也一直是信息科学领域的研究热点。提出了利用深度时空自编码网络与多示例学习进行船只异常事件检测的方法,针对目前无法为模型训练提供精确帧级别标注的问题,引入多示例学习模型,将视频作为包,并将视频片段作为包中的示例,通过网络自动学习一个深度异常排序模型,该模型能预测异常视频片段的分数。同时,在特征提取方面,提出了深度时空自编码网络,在空间自编码器中,为了获取更精确的红绿蓝特征,将解码器中的上采样层替换为像素重组层。在时间自编码器中,为了突出运动变化较大的区域,引入基于方差的注意力机制,使快速移动的物体有更大的运动损失,有利于检测出异常事件。还构建了一个新的大规模的船只视频数据集,包括100个真实场景的监控视频以及5类真实的异常事件,分别为海面逗留、非港口靠岸、非港口离岸、超速和越界。该数据集可用于模型的训练与测试。实验结果表明,相比传统的双流网络以及基于图像重构的检测方法,所提出的基于深度时空自编码网络与多示例学习的方法的异常事件检测精度由71.7%提升为82.4%,表明了其在船只异常事件检测上的有效性。; 潘文康邵振峰廖明李先怡宋杨; 关键词：多示例学习

一种基于PCANet的多示例学习视频异常识别方法: 本发明提供一种基于PCANet的多示例学习视频异常识别方法，涉及视频分析技术领域，本发明通过构建基于PCANet深度学习网络的图像分类模型，使用PCANet深度学习网络提取视频片段的特征，PCANet深度学习网络通过卷积...; 王显龙李现伟朱洪浩赵文志

一种基于分层时序多示例学习的学生学习参与度评估方法: 本发明公开了一种基于分层时序多示例学习的学生学习参与度评估方法，该方法根据示例之间的时间相关性，建立分层时序多示例学习模型，该模型由视频帧‑视频片段的底层模块以及视频片段‑视频的顶层模块构成。该方法使用从视频中提取的头部...; 李特姜新波马嘉遥秦学英顾建军

基于多示例学习的癌症病理图像分类系统、介质及设备: 本发明属于图像处理技术领域，提供了基于多示例学习的癌症病理图像分类系统、介质及设备，技术方案为：图像预处理模块，用于对全视野切片切割patch，并对patch进行预处理，得到一组有包分类标签的多示例包组成的训练数据集；特...; 马金连焦军燕景欣严奇琪

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈