首页 > TAG信息列表 > classification
《Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Ne
论文题目《Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks》 论文作者：Y ushi Chen, Member , IEEE, Hanlu Jiang, Chunyang Li, Xiuping Jia, Senior Member , IEEE, and Pedram Ghamisi, Member , IEEE 论文发高光谱图像分类简述+《Deep Learning for Hyperspectral Image Classification: An Overview》综述论文笔记
论文题目《Deep Learning for Hyperspectral Image Classification: An Overview》 论文作者：Shutao Li, Weiwei Song, Leyuan Fang，Yushi Chen, Pedram Ghamisi，Jón Atli Benediktsson 论文发表年份：2019 一、高光谱简述 高光谱成像是一项重要的遥感技术，它采ENVI5.4中的分类编辑工具
ENVI4.8及ENVI5.x Classic中提供了Interactive Class Tool工具，可以对分类结果图像中局部错分、漏分的像元手动进行修改。ENVI5.4中新增Edit Classification Image工具，结合便捷的操作界面，可以更加方便的对分类结果图像进行编辑。 Edit Classification Image工具支持手动绘制感兴趣IfcClassificationReference
IfcClassificationReference 实体定义 IfcClassificationReference是对特定分类键（或符号）的分类系统或源（请参见IfcClassification）的引用。 继承属性具有以下含义： 标识：持有为分类项目（或表格）的特定参考提供的密钥。 名称：允许对分类符号进行人类可解释的指定。 位置：可选地保持到IP packet classification
最近在读一本书，high performance switches and routers。 第三章讲的是路由器内部功能实现需要解决的一个关键问题，根据内建路由转发规则转发packet。 其实质分为三部分，规则的组织形式，包的查找方式，规则的更新方式。由于规则的更新方式，和规则的查找方式都与规则的组织形式密切相关，因ENVI下基于知识决策树提取地表覆盖信息
基于知识的决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感分类。分类规则易于理解，分类过程也符合人的认知过程，最大的特点是利用的多源数据。 决策树分类主要的工作是获取规则，本文介绍使用CART算法获取规则，基于规第一届生物神经智能—神经网络与图神经网络研讨会（2）
强化学习优化的图神经网络 研究工作1： 研究工作2： 研究工作3： 研究工作4： 研究工作5： Towards a Multi-view Attentive Matching for Personalized Expert Finding 社区问答：为新问题推荐专家发现问题 给定一个目标问题，给其推荐专家回答 背景 现有方法的不足 相关工作Transparent Classification with Multilayer Logical Perceptrons and Random Binarization
目录概主要内容输入简化 Wang Z., Zhang W, Liu N. and Wang J. Transparent classification with multilayer logical perceptrons and random binarization. In AAAI Conference on Artificial Intelligence (AAAI), 2020. 概 和这儿类似的rule-based的网络, 主要探讨如何训练笔记：Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification
Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification 作者：Zhou P.ACL 2016. 目录 Abstract Model Experiments Conclusion 1 Abstract 论文的产出首先就要发现问题，接着针对问题分析产生idea，进而解决问题出成果。那么本文作者主要针对【嵌入传播】Embedding Propagation: Smoother Manifold for Few-Shot Classification
Abstract 少样本分类具有挑战性，因为训练集的数据分布可能与测试集大不相同，因为它们的类不相交。这种分布变化通常会导致泛化能力差。流形平滑已被证明可以通过扩展决策边界和减少类表示的噪声来解决分布偏移问题。此外，流形平滑度是半监督学习和转导学习算法的关键因素。在这项工GUP Keras 例子Image classification from scratch
Introduction This example shows how to do image classification from scratch（抓， 挠）, starting from JPEG image files on disk, without leveraging pre-trained weights or a pre-made Keras Application model. We demonstrate the workflow on the Kaggle Cats vs Dogs【多标签文本分类】Deep Learning for Extreme Multi-label Text Classification
·阅读摘要： 本文提出结合CNN的XML-CNN模型来解决大规模的多标签文本分类问题。 [1] Deep Learning for Extreme Multi-label Text Classification [0] 摘要 极端多标签文本分类(extreme multi-label text classification (XMTC))是指从一个非常大的标签集合为META: Metadata-Empowered Weak Supervision for Text Classification，EMNLP2020
本文考虑在弱监督文本分类情境下使用元数据（metadata），利用元数据作为一个额外的薄弱监督的来源。具体来说，本文将文本数据和元数据组织到一个文本丰富的网络中，并采用motif来捕获元数据的适当组合，并在迭代过程中对motif实例以及种子词进行排序，选择重要的motfi作为种子motif。 In常见数据集
VOC数据集 官网网站 镜像网站 VOC 2007 VOC 2012 介绍 PASCAL VOC 挑战赛主要有 Object Classification 、Object Detection、Object Segmentation、Human Layout、Action Classification 这几类子任务 PASCAL VOC 2007 和 2012 数据集总共分 4 个大类：vehicle、household、anima李宏毅-人工智能2017笔记1. Introduction of Machine Learning
1. Introduction of Machine Learning 背景提要： 人工智慧是目标，机器学习是实现该目标的手段，而深度学习是机器学习中的方法之一。 hand-crafted rules（人类设定规则）已经不可取了，现在进行的是machine learning 机器学习三步骤： step 1：定出一个function set； step 2：P1 机器学习介绍
文章目录 P1 机器学习介绍找出FunctionFrameworkFunction Set -- ModelTraining DataTest && TrainingFramework StepStep1:- define a set of function:找出一个function setStep2:- goodness of function:衡量一个function的好坏Step3:- pick the best function:有一个好Unsupervised Deep Features for Privacy Image Classification
摘要 由于对隐私信息的不了解，在线共享图像对广泛的用户构成了安全威胁。深度特征已被证明是图像的强大表示。然而，深度特征通常存在尺寸大和需要大量数据进行微调的问题。与普通图像（例如场景图像）相比，隐私图像通常由于敏感信息而受到限制。在本文中，我们提出了一种Knowledgeable Prompt-tuning: Incorporating Knowledge into Prompt Verbalizer for Text Classification
【摘要】 用特定任务prompt，在基于预训练语言模型在上进行微调在文本分类任务上已经显示效果很好。特别，最近的研究发现在小样本场景上的效果尤为突出。Prompt turning的核心是插入文本片段，也叫作template。将原来的分类问题转化为掩码语言模型问题。其中一个关键的步骤Building and Evaluating Classification Models
数据库备份的时候报错：mysqldump: Got error: 1146: Table 'enwei_hq.tb_classification' doesn't exi
固定的有定时备份数据库的脚本在跑，但是发现这两天备份的数据库有异常，只有4.4M，正常大小是64M，数据库备份有异常。 手工执行下备份脚本有报错信息：mysqldump: Got error: 1146: Table 'enwei_hq.tb_classification' doesn't exist when using LOCK TABLES 提示在备份的时候数据库en细粒度：NTS-Net论文笔记——Learning to Navigate for Fine-grained Classification
细粒度：NTS-Net论文笔记——Learning to Navigate for Fine-grained Classification 综述主要思想网络结构网络流程NavigatorTeacherScrutinizer 损失与优化总结 NTS-Net源码笔记：https://blog.csdn.net/qq_50001789/article/details/121260644 综述 论文题目：《LearningScalable Rule-Based Representation Learning for Interpretable Classification
目录概主要内容 Wang Z., Zhang W., Liu N. and Wang J. Scalable rule-based representation learning for interpretable classification. In Advances in Neural Information Processing Systems (NIPS), 2021. 概 传统的诸如决策树之类的机器学习方法具有很强的结构性, 也因pytorch：logistic regression（但是我们常把它理解为classification问题）
将y=xw+b转换为分类问题，可以加一个sigmoid函数（也叫logistic），即y=（xw+b） 之后输出的值不再是一个连续的范围，而是约等于一个[0,1]的值。 即当p（y=0|x）接近于0的时候代表不是这一类，而接近于1的时候，代表是这一类。 对于classification问题，if p（y=1|x）>0.5,判别为1，否则判别为0 而对于多分类01_week3_Planar data classification with a hidden layer
1 - Packages numpy是Python科学计算的基本包。sklearn提供了用于数据挖掘和分析的简单有效的工具。matplotlib 是在Python中常用的绘制图形的库。testCases提供了一些测试示例用以评估函数的正确性planar_utils提供了此作业中使用的各种函数 2 - Dataset 3 - Simple LogData Augmentation by Pairing Samples for Images Classification 阅读笔记
简介： 本文介绍了一个数据增强技术，名为SamplePairing。SamplePairing的实现方式，只需将两张随机选取的图像混合后再送入分类器进行训练即可。这种技术通过避免过拟合，特别是当可用于训练的样本数量有限时，分类精度得到了显著的提高。所以该技术对于数量有限的任务很有价值，故可以