Oct, 2020

相干的层次多标签分类网络

PDF
TL;DR本文提出了一种新的层次化多标签分类问题的方法 C-HMCNN (h)，该方法利用网络 h 中的层次信息，以产生符合约束的预测并提高性能，在广泛的实验分析中展示了与最先进模型相比的优异性能。
hierarchical multi-label classificationc-hmcnn(h)network hhierarchy constraintstate-of-the-art models
发现论文，激发创造
  • 医学图像分层多标签分类的 TLMCM 网络

    本论文提出了一种用于医学图像层次多标签分类的转移学习与最大约束模块网络，通过解决数据不平衡和层次约束等问题，提高了多标签预测准确度，在医疗应用领域具有重要价值。

    Nov, 2023

  • 标签关系图增强的分层残差网络用于分层多粒度分类

    该论文研究了层次多粒度分类问题，基于所提出的组合损失以及继承父级别特征的方法，设计了一种基于层次残差网络的深度神经网络结构，展示了该方法有效性在通常数据集上优于目前最先进的方法及精细分类方法利用标签层次结构。

    Jan, 2022

  • 不是所有的错误都是相等的：全面层次感知多标签预测（CHAMP）

    本文探讨了层次多标签分类问题，并提出了综合层次感知多标签预测（CHAMP）框架，该框架能够根据标签之间的层次关系，对预测错误进行惩罚，实验表明将层次信息纳入多标签分类可显著提升性能。

    Jun, 2022

  • 基于注意力的学术资源文本级多标签分类

    本文提出了一种基于注意力机制的层次化多标签学术文本分类算法，该算法结合了文本、关键词和层次结构等特征，利用 word2vec 和 BiLSTM 来获取文本、关键词和层次结构的嵌入式和潜在向量表示，并使用分层注意机制来捕捉关键词、标签层次结构和文本词向量之间的关联，以生成特定于分层的文档嵌入向量取代 HMCN-F 中的原始文本嵌入。实验结果显示，该算法具有较好的效果。

    Mar, 2022

  • 层次感知联合对比学习实例和标签用于层次多标签文字分类

    通过使用层次化多标签文本分类和对比学习的方法，提出了一种叫做 HJCL 的方法来解决半监督学习中样本生成引入噪声的问题，并构造批次数据以实现对比学习目标的完全利用。

    Oct, 2023

  • 层次多标签分类的双曲交互模型

    本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。

    May, 2019

  • 对比多视角双曲分层聚类

    本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

    May, 2022

  • CNN: 单标签到多标签

    本研究提出了一个深度卷积神经网络结构 (HCP)，可灵活应对多标签图像任务，并成功应用于 Pascal VOC2007 和 VOC2012 数据集中，表现优于其他同类算法，最大平均精度达到 84.2%。

    Jun, 2014

  • 层次组合特征学习

    本研究介绍了层次组合网络 (HCN)，是一种定向生成模型，能够在没有监督的情况下发现和解缠一组二元图像的构建块，使用 max-product 信息传递作为推理引擎，可以简单地执行添加监督信息、分类图像或执行修复等任务，将其用于分类时，具有与卷积神经网络完全相同的功能形式，但 HCN 的特征在定性上非常不同。

    Nov, 2016

  • HD-CNN：用于大规模视觉识别的分层深度卷积神经网络

    本文提出了一种基于分层结构的深度卷积神经网络 (HD-CNNs)，易分类的类别使用粗分类器进行区分，难分类的类别使用细分类器进行区分，并使用条件执行和层参数压缩等技术提高了可扩展性，成功地在 CIFAR100 和 ImageNet 等基准数据集上取得了最优结果。

    Oct, 2014