CN109215097A - 一种基于端到端联合学习的单个图像文本条件嵌入方法 - Google Patents
一种基于端到端联合学习的单个图像文本条件嵌入方法 Download PDFInfo
- Publication number
- CN109215097A CN109215097A CN201810895574.8A CN201810895574A CN109215097A CN 109215097 A CN109215097 A CN 109215097A CN 201810895574 A CN201810895574 A CN 201810895574A CN 109215097 A CN109215097 A CN 109215097A
- Authority
- CN
- China
- Prior art keywords
- text
- image
- condition
- phrase
- concept
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明提出了一种基于端到端联合学习的单个图像文本条件嵌入方法,其内容主要包括:图像文本相似性网络,条件图像文本网络,嵌入赋值,条件嵌入设置,其过程为,首先输入文本和图像,分别对文本和图像的分支作归一化和线性整流处理;再将文本和图像向量相乘,进而输入到条件嵌入层;由文本向量编码得到概念权重向量,融合概念权重向量与条件嵌入;最后得到逻辑回归损失,从而判断图像区域中文本最匹配的位置。本发明简单方便易操作,只需学习为该嵌入分配的短语参数,通过共同预测图像中的多个短语,模型能够利用多个实体之间的关系,将回归参数绑定到特定的概念嵌入,简化预测任务,提高性能。
Description
技术领域
本发明涉及智能可视化操作领域,尤其是涉及了一种基于端到端联合学习的单个图像文本条件嵌入方法。
背景技术
图像文本嵌入,即将文本嵌入到对应的图像或者将图像嵌入到对应的文本,这一任务对图像字幕、图像检索以及视觉问答领域都发挥着重要的作用。相关数据集的发布刺激了短语嵌入的研究,其中一些数据包含较短的短语,另一些则包含较长的查询,其中包括可以提供丰富的上下文完整句子。图像文本嵌入具有很多的优点,其应用也在逐步增加,但是就目前的研究方法而言,大多研究不涉及跨模态数据,也不能将不同的输入项自动分配给不同的相似子空间,较少研究基于个别图像和短语的嵌入,且嵌入过程相对繁琐。
本发明提出了一种基于端到端联合学习的单个图像文本条件嵌入方法,首先输入文本和图像,分别对文本和图像的分支作归一化和线性整流处理;再将文本和图像向量相乘进而输入到条件嵌入层,由文本向量编码得到权重向量,融合权重向量与条件嵌入;最后得到逻辑回归损失,从而判断图像区域中文本最匹配的位置。本发明简单方便易操作,只需学习为该嵌入分配的短语参数,通过共同预测图像中的多个短语,模型能够利用多个实体之间的关系,将回归参数绑定到特定的概念嵌入,简化预测任务,提高性能。
发明内容
针对嵌入个别图像区域与个别短语的问题,本发明在于提供一种基于端到端联合学习的单个图像文本条件嵌入方法,条件嵌入学习特定的短语子集,同时跨短语共享权重,概念权重分支与网络其余部分共同训练,自动对学习的嵌入进行短语软分配;首先输入文本和图像,分别对文本和图像的分支作归一化和线性整流处理;再将文本和图像向量相乘,进而输入到条件嵌入层;由文本向量编码得到概念权重向量,融合概念权重向量与条件嵌入;最后得到逻辑损失,从而判断图像区域中文本最匹配的位置。
为解决上述问题,本发明提供一种基于端到端联合学习的单个图像文本条件嵌入方法,其主要内容包括:
(一)图像文本相似性网络;
(二)条件图像文本网络;
(三)嵌入赋值;
(四)条件嵌入设置。
其中,所述的单个图像文本条件嵌入方法,条件嵌入学习特定的短语子集,同时跨短语共享权重,概念权重分支与网络其余部分共同训练,自动对学习的嵌入进行短语软分配;首先输入文本和图像,分别对文本和图像的分支作归一化和线性整流处理;再将文本和图像向量相乘,进而输入到条件嵌入层;由文本向量编码得到概念权重向量,融合概念权重向量与条件嵌入;最后得到逻辑回归损失,从而判断图像区域中文本最匹配的位置。
其中,所述的图像文本相似性网络,网络训练目标在于获得逻辑回归损失,给定一组图像和文本,从若干图像区域中选择该文本最能匹配的位置;该网络的图像和文本分支各有两个全连接层,具有归一化和线性修正性;在输出之前,分别对两个分支进行L2归一化处理,接着执行图像文本间的向量乘积,然后使用批量归一化和线性修正,将其输送到全连接的三层网络中。
进一步地,所述的图像和文本,输入的图像包括包围框和图片,对图像预训练,通过VGG16和快速RCNN利用包围框将图片划分成若干个候选区域,将文本划分成若干个独立文本向量编码;在区域上连接包围框的位置特征,以便根据短语位置对其进行偏差预测,对于与多个包围盒相关联的短语,该短语表示为包围框的联合。
进一步地,所述的逻辑回归损失,其特征在于,定于文本的第i个短语和图像的第j个候选区域,判断短语和候选区域是否匹配,若匹配,则yij=yij+1,否则yij=yij-1;这是有监督的学习,由此在每个数据集的注释中提供匹配的短语与区域对,测量图像区域与短语特征之间的亲和度,损失函数如下所示:
其中,上述yij表示匹配的个数,xij表示生成分数,LSIM表示图像文本相似性网络的损失函数;利用softmax线性分类器对图像文本匹配对的集合数目进行交叉熵损失计算,以便对其评分。
其中,所述的条件图像文本网络,其目的在于得到概念或条件嵌入层,由由输出维度M的K个全连接层组成,将其表示为C1,…,CK,以K×M维矩阵形式的条件嵌入结合K维权重向量共同输入到嵌入融合层,其中,嵌入融合层执行矩阵间的向量点积,将条件嵌入与概念权重线性组合,以获得完整的逻辑回归损失:
LCITE=LsIM+λ||φ||1 (2)
其中,LCITE表示条件图像文本网络的逻辑损失,φ表示softmax层的输入,λ表示学习率,用来控制正则化的参数,使用概念权重分支的模型用于自动产生概念权重。
其中,所述的嵌入赋值,利用概念权重向量为条件嵌入赋值,嵌入赋值基于文本,通过word 2vec和fisher向量获得文本向量编码,即文本特征,进而判断文本特征的赋值是否可知;生成概念权重向量的方法包括:粗略划分类别、最近的聚类中心以及概念权重分支;粗略划分类别基于元数据标签,将短语映射成表示其成员资格的二进制概念向量,聚类中心是以集群中心为单位的学习,对测试集内的查询文本特征进行K-均值聚类,然后将概念权重U编码为单-热群集成员数向量,短语嵌入使用最近的聚类中心分配。
进一步地,所述的概念权重分支,概念权重分支是基于单个条件嵌入的特定短语的线性组合,能够为每对图像区域和文本短语生成唯一嵌入值,因此将文本特征输送到网络的单独分支,该网络包含两个全连接层,L1正则化最后一个全连接层,再将结果输出到softmax,以确保输出总和为1,由softmax线性分类器得到的输出值作为概念权重。
进一步地,所述的赋值是否可知,若可知,则直接将文本特征作为概念权重向量输出;若不可知,则创建概念权重分支。
其中,所述的条件嵌入设置,主要包括数据集和测试标准,数据集基于Flickr30K实体、ReferIt游戏、视觉基因组;Flickr30K实体的短语通常指向中心相对较大的区域,背景实例通常不在图像级字幕中提及,视觉基因组中的实体包括前景和背景实例;使用Adam训练模型,在每个时期后评估性能,将测试集内正确定位的短语比例作为评估标准,短语的预测位置与真实位置之间达到0.5IOU时视为成功局部化,若模型在设置的时期内没有提高性能,则用随机梯度下降调整模型。
附图说明
图1是本发明一种基于端到端联合学习的单个图像文本条件嵌入方法的系统框架图。
图2是本发明一种基于端到端联合学习的单个图像文本条件嵌入方法的流程示意图。
图3是本发明一种基于端到端联合学习的单个图像文本条件嵌入方法的生成图像示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于端到端联合学习的单个图像文本条件嵌入方法的系统框架图。主要包括图像文本相似性网络,条件图像文本网络,嵌入赋值,条件嵌入设置(四)。
单个图像文本条件嵌入方法,利用条件图像文本嵌入网络学习不同嵌入短语的子集,每个条件嵌入学习特定的短语子集,同时利用跨短语共享的权重;概念权重分支与网络其余部分共同训练,自动对学习的嵌入进行短语软分配。
图2是本发明一种基于端到端联合学习的单个图像文本条件嵌入方法的流程示意图。本图主要显示了引用模型将短语分成不同的组,并在单个端到端模型中为这些组学习条件嵌入,短语到嵌入的分配可以预先定义,或者使用概念权重分支与嵌入共同学习。首先输入文本和图像,分别对文本和图像的分支作归一化和线性整流处理;再将文本和图像向量相乘进而输入到条件嵌入层,由文本向量编码得到概念权重向量,融合概念权重向量与条件嵌入;最后得到逻辑损失,从而判断图像区域中文本最匹配的位置。
图像文本相似性网络,网络训练目标在于获得逻辑回归损失,给定一组图像和文本,从若干图像区域中选择该文本最能匹配的位置;该网络的图像和文本分支各有两个全连接层,具有归一化和线性修正性;在输出之前,分别对两个分支进行L2归一化处理,接着执行图像文本间的向量乘积,然后使用批量归一化和线性修正,将其输送到全连接的三层网络中。
其中,图像和文本,输入的图像包括包围框和图片,对图像预训练,通过VGG16和快速RCNN利用包围框将图片划分成若干个候选区域,将文本划分成若干个独立文本向量编码;在区域上连接包围框的位置特征,以便根据短语位置对其进行偏差预测,对于与多个包围盒相关联的短语,该短语表示为包围框的联合。
其中,逻辑回归损失,定于文本的第i个短语和图像的第j个候选区域,判断短语和候选区域是否匹配,若匹配,则yij=yij+1,否则yij=yij-1;这是有监督的学习,由此在每个数据集的注释中提供匹配的短语与区域对,测量图像区域与短语特征之间的亲和度,损失函数如下所示:
其中,上述yij表示匹配的个数,xij表示生成分数,LSIM表示图像文本相似性网络的损失函数;利用softmax线性分类器对图像文本匹配对的集合数目进行交叉熵损失计算,以便对其评分。
条件图像文本网络,其目的在于得到概念或条件嵌入层,由由输出维度M的K个全连接层组成,将其表示为C1,…,CK,以K×M维矩阵形式的条件嵌入结合K维权重向量共同输入到嵌入融合层,其中,嵌入融合层执行矩阵间的向量点积,将条件嵌入与概念权重线性组合,以获得完整的逻辑回归损失:
LCITE=LsIM+λ||φ||1 (2)
其中,φ表示softmax层的输入,λ表示学习率,用来控制正则化的参数,使用概念权重分支的模型用于自动产生概念权重。
嵌入赋值,利用概念权重向量为条件嵌入赋值,嵌入赋值基于文本,通过word2vec和fisher向量获得文本向量编码,即文本特征,进而判断文本特征的赋值是否可知;生成概念权重向量的方法包括:粗略划分类别、最近的聚类中心以及概念权重分支;粗略划分类别基于元数据标签,将短语映射成表示其成员资格的二进制概念向量,聚类中心是以集群中心为单位的学习,对测试集内的查询文本特征进行K-均值聚类,然后将概念权重U编码为单-热群集成员数向量,短语嵌入使用最近的聚类中心分配。
其中,概念权重分支,概念权重分支是基于单个条件嵌入的特定短语的线性组合,能够为每对图像区域和文本短语生成唯一嵌入值,因此将文本特征输送到网络的单独分支,该网络包含两个全连接层,L1正则化最后一个全连接层,再将结果输出到softmax,以确保输出总和为1,由softmax线性分类器得到的输出值作为概念权重。
其中,当赋值可知时,直接将文本特征作为概念权重向量输出;不可知时,则创建概念权重分支。
图3是本发明一种基于端到端联合学习的单个图像文本条件嵌入方法的生成图像示意图。本图主要显示了对于匹配的短语和图像区域,用相同颜色的包围框和短语表示,即对于给定的一组图像和文本,从若干图像区域中选择该文本最能匹配的位置。
条件嵌入设置,主要包括数据集和测试标准,数据集基于Flickr30K实体、ReferIt游戏、视觉基因组;Flickr30K实体的短语通常指向中心相对较大的区域,背景实例通常不在图像级字幕中提及,视觉基因组中的实体包括前景和背景实例;使用Adam训练模型,在每个时期后评估性能,将测试集内正确定位的短语比例作为评估标准,短语的预测位置与真实位置之间达到0.5IOU时视为成功局部化,若模型在设置的时期内没有提高性能,则用随机梯度下降调整模型。
对于本领域技术人员,本发明不限制于上述实施例的细节,在不背离本发明的精神和范围的情况下,能够以其他具体形式实现本发明。此外,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围,这些改进和变型也应视为本发明的保护范围。因此,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于端到端联合学习的单个图像文本条件嵌入方法,其特征在于,主要包括图像文本相似性网络(一);条件图像文本网络(二);嵌入赋值(三);条件嵌入设置(四)。
2.基于权利要求书1所述的单个图像文本条件嵌入方法,其特征在于,条件嵌入学习特定的短语子集,同时跨短语共享权重,概念权重分支与网络其余部分共同训练,自动对学习的嵌入进行短语软分配;首先输入文本和图像,分别对文本和图像的分支作归一化和线性整流处理;再将文本和图像向量相乘,进而输入到条件嵌入层;由文本向量编码得到概念权重向量,融合概念权重向量与条件嵌入;最后得到逻辑损失,从而判断图像区域中文本最匹配的位置。
3.基于权利要求书1所述的图像文本相似性网络(一),其特征在于,网络训练目标在于获得逻辑回归损失,给定一组图像和文本,从若干图像区域中选择该文本最能匹配的位置;该网络的图像和文本分支各有两个全连接层,具有归一化和线性修正性;在输出之前,分别对两个分支进行L2归一化处理,接着执行图像文本间的向量乘积,然后使用批量归一化和线性修正,将其输送到全连接的三层网络中。
4.基于权利要求书3所述的图像和文本,其特征在于,输入的图像包括包围框和图片,对图像预训练,通过VGG16和快速RCNN利用包围框将图片划分成若干个候选区域,将文本划分成若干个独立文本向量编码;在区域上连接包围框的位置特征,以便根据短语位置对其进行偏差预测,对于与多个包围盒相关联的短语,该短语表示为包围框的联合。
5.基于权利要求书3所述的逻辑回归损失,其特征在于,定于文本的第i个短语和图像的第j个候选区域,判断短语和候选区域是否匹配,若匹配,则yij=yij+1,否则yij=yij-1;这是有监督的学习,由此在每个数据集的注释中提供匹配的短语与区域对,测量图像区域与短语特征之间的亲和度,损失函数如下所示:
其中,上述yij表示匹配的个数,xij表示生成分数,LSIM表示图像文本相似性网络的损失函数;利用softmax线性分类器对图像文本匹配对的集合数目进行交叉熵损失计算,以便对其评分。
6.基于权利要求书1所述的条件图像文本网络(二),其特征在于,其目的在于得到概念或条件嵌入层,由由输出维度M的K个全连接层组成,将其表示为C1,…,CK,以K×M维矩阵形式的条件嵌入结合K维权重向量共同输入到嵌入融合层,其中,嵌入融合层执行矩阵间的向量点积,将条件嵌入与概念权重线性组合,以获得完整的逻辑损失:
LCITE=LSIM+λ||φ||1 (2)
其中,LCITE表示条件图像文本网络的逻辑损失,φ表示softmax层的输入,λ表示学习率,用来控制正则化的参数,使用概念权重分支的模型用于自动产生概念权重。
7.基于权利要求书1所述的嵌入赋值(三),其特征在于,利用概念权重向量为条件嵌入赋值,嵌入赋值基于文本,通过word 2vec和fisher向量获得文本向量编码,即文本特征,进而判断文本特征的赋值是否可知;生成概念权重向量的方法包括:粗略划分类别、最近的聚类中心以及概念权重分支;粗略划分类别基于元数据标签,将短语映射成表示其成员资格的二进制概念向量,聚类中心是以集群中心为单位的学习,对测试集内的查询文本特征进行K-均值聚类,然后将概念权重U编码为单-热群集成员数向量,短语嵌入使用最近的聚类中心分配。
8.基于权利要求书7所述的概念权重分支,其特征在于,概念权重分支是基于单个条件嵌入的特定短语的线性组合,能够为每对图像区域和文本短语生成唯一嵌入值,因此将文本特征输送到网络的单独分支,该网络包含两个全连接层,L1正则化最后一个全连接层,再将结果输出到softmax,以确保输出总和为1,由softmax分类器得到的输出值作为概念权重。
9.基于权利要求书7所述的赋值是否可知,其特征在于,若可知,则直接将文本特征作为概念权重向量输出;若不可知,则创建概念权重分支。
10.基于权利要求书1所述的条件嵌入设置(四),其特征在于,主要包括数据集和测试标准,数据集基于Flickr30K实体、ReferIt游戏、视觉基因组;Flickr30K实体的短语通常指向中心相对较大的区域,背景实例通常不在图像级字幕中提及,视觉基因组中的实体包括前景和背景实例;使用Adam训练模型,在每个时期后评估性能,将测试集内正确定位的短语比例作为评估标准,短语的预测位置与真实位置之间达到0.5IOU时视为成功局部化,若模型在设置的时期内没有提高性能,则用随机梯度下降调整模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810895574.8A CN109215097A (zh) | 2018-08-08 | 2018-08-08 | 一种基于端到端联合学习的单个图像文本条件嵌入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810895574.8A CN109215097A (zh) | 2018-08-08 | 2018-08-08 | 一种基于端到端联合学习的单个图像文本条件嵌入方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109215097A true CN109215097A (zh) | 2019-01-15 |
Family
ID=64988250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810895574.8A Withdrawn CN109215097A (zh) | 2018-08-08 | 2018-08-08 | 一种基于端到端联合学习的单个图像文本条件嵌入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215097A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428801A (zh) * | 2020-03-30 | 2020-07-17 | 新疆大学 | 改进融合层与损失函数交替更新的图文匹配方法 |
CN113139378A (zh) * | 2021-03-18 | 2021-07-20 | 杭州电子科技大学 | 一种基于视觉嵌入和条件归一化的图像描述方法 |
CN114973294A (zh) * | 2022-07-28 | 2022-08-30 | 平安科技(深圳)有限公司 | 基于图文匹配方法、装置、设备及存储介质 |
CN116204599A (zh) * | 2023-05-06 | 2023-06-02 | 成都三合力通科技有限公司 | 基于联邦学习的用户信息分析系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637026A (zh) * | 2015-02-10 | 2015-05-20 | 西安电子科技大学 | 一种基于连续多页文本图像水印嵌入与提取方法 |
CN107391709A (zh) * | 2017-07-28 | 2017-11-24 | 深圳市唯特视科技有限公司 | 一种基于新型注意模型进行图像字幕生成的方法 |
-
2018
- 2018-08-08 CN CN201810895574.8A patent/CN109215097A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637026A (zh) * | 2015-02-10 | 2015-05-20 | 西安电子科技大学 | 一种基于连续多页文本图像水印嵌入与提取方法 |
CN107391709A (zh) * | 2017-07-28 | 2017-11-24 | 深圳市唯特视科技有限公司 | 一种基于新型注意模型进行图像字幕生成的方法 |
Non-Patent Citations (1)
Title |
---|
BRYAN A. PLUMMER ET AL.: ""Conditional Image-Text Embedding Networks"", 《ARXIV:1711.08389V4[CS.CV]》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428801A (zh) * | 2020-03-30 | 2020-07-17 | 新疆大学 | 改进融合层与损失函数交替更新的图文匹配方法 |
CN111428801B (zh) * | 2020-03-30 | 2022-09-27 | 新疆大学 | 改进融合层与损失函数交替更新的图文匹配方法 |
CN113139378A (zh) * | 2021-03-18 | 2021-07-20 | 杭州电子科技大学 | 一种基于视觉嵌入和条件归一化的图像描述方法 |
CN114973294A (zh) * | 2022-07-28 | 2022-08-30 | 平安科技(深圳)有限公司 | 基于图文匹配方法、装置、设备及存储介质 |
CN114973294B (zh) * | 2022-07-28 | 2022-10-21 | 平安科技(深圳)有限公司 | 基于图文匹配方法、装置、设备及存储介质 |
CN116204599A (zh) * | 2023-05-06 | 2023-06-02 | 成都三合力通科技有限公司 | 基于联邦学习的用户信息分析系统及方法 |
CN116204599B (zh) * | 2023-05-06 | 2023-10-20 | 成都三合力通科技有限公司 | 基于联邦学习的用户信息分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215097A (zh) | 一种基于端到端联合学习的单个图像文本条件嵌入方法 | |
CN110347839A (zh) | 一种基于生成式多任务学习模型的文本分类方法 | |
CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
CN108664632A (zh) | 一种基于卷积神经网络和注意力机制的文本情感分类算法 | |
CN108629367A (zh) | 一种基于深度网络增强服装属性识别精度的方法 | |
CN109657055A (zh) | 基于层次混合网络的标题党文章检测方法及联邦学习策略 | |
CN110532355A (zh) | 一种基于多任务学习的意图与槽位联合识别方法 | |
CN109670576A (zh) | 一种多尺度视觉关注图像描述方法 | |
Ray et al. | A global optimization model for ship design | |
CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
CN107526798A (zh) | 一种基于神经网络的实体识别和规范化联合方法及模型 | |
KR20200063943A (ko) | 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법 | |
CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
CN109858972B (zh) | 广告点击率的预测方法和装置 | |
CN106355346A (zh) | 一种基于神经网络算法的电影票房预测方法及预测系统 | |
CN107992890A (zh) | 一种基于局部特征的多视角分类器及设计方法 | |
CN106204162A (zh) | 一种互联网环境下新入网电力用户用电模式预测方法 | |
CN112949821B (zh) | 基于双重注意力机制的网络安全态势感知方法 | |
TWI508002B (zh) | 人臉標註方法以及人臉標註系統 | |
Zhao et al. | A novel decision making approach based on intuitionistic fuzzy soft sets | |
CN110222733A (zh) | 一种高精度的多阶神经网络分类方法及系统 | |
Li et al. | Improved flower pollination algorithm and its application in user identification across social networks | |
Wu et al. | Improving domain-specific classification by collaborative learning with adaptation networks | |
Tian et al. | Dynamic routing transformer network for multimodal sarcasm detection | |
Geng | Influence of self-efficacy improvement on online learning participation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190115 |
|
WW01 | Invention patent application withdrawn after publication |