检索结果

Select

1. 基于注意力机制的弱监督动作定位方法

胡聪, 华钢

《计算机应用》唯一官方网站 2022, 42 (3): 960-967. DOI: 10.11772/j.issn.1001-9081.2021030372

摘要（229）

HTML （8）

PDF （573KB）（66）

针对弱监督动作定位方法无法直接进行动作定位且定位准确性不高的问题，提出了一种基于注意力机制的弱监督动作定位方法，并设计和实现了一种基于动作前后帧信息和区分函数的动作定位模型。采用条件变分自编码器（CVAE）注意力值生成模型，将生成的帧级注意力值作为伪帧级标签；为了增强帧前后的关联性，改进CVAE注意力值生成模型，加入动作前后帧信息以获取帧级注意力值；采用基于区分函数的注意力值优化模型，对伪帧级标签进行反复训练和优化。在THUMOS14和ActivityNet1.2数据集上进行的实验结果表明，基于动作前后帧信息和区分函数的动作定位模型具有较好的动作定位效果和准确性，相较于未加入动作前后帧信息的模型，动作漏检率减小了11.7%；与AutoLoc、W-TALC、3C-Net等弱监督动作定位模型对比，当交并比（IoU）取值0.5时，在THUMOS14数据集上平均检测精度均值（mAP）提升10.7%以上，在ActivityNet1.2数据集上mAP提升8.8%以上。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于自适应池化的神经网络的服装图像识别

胡聪, 屈瑾瑾, 许川佩, 朱爱军

计算机应用 2018, 38 (8): 2211-2217. DOI: 10.11772/j.issn.1001-9081.2018010223

摘要（535）

PDF （1133KB）（396）

针对传统池化方式不能提取有效特征值的问题，提出根据池化域的尺寸、池化域内的元素值和网络的训练轮数调整池化结果的自适应池化方法，该算法依据插值原理与最大值池化模型构建函数，以特定函数值作为池化结果，然后利用交叉验证进行模型对比实验。同时提出了小样本调优法以解决目前依靠经验值在全部数据集上验证选取超参数效率较低的问题。在原始数据集上，按照分层抽样的规则抽取小样本，并基于小样本数据集对已编码的超参数组合循环训练并测试，通过对识别率最高的组合解码确定最优超参数。选用DeepFashion数据库进行相关实验，结果显示自适应池化模型的识别率达到83%左右，与最大值池化模型相比提高约2.5%。通过小样本选定超参数，并与随机组合超参数在原始数据集上进行对比实验，结果显示小样本调优法选择的超参数在经验值范围内最优，识别结果为86.98%，与随机组合超参数的平均识别率相比提高了约41.4%。自适应池化方法可以扩展到其他的神经网络中，小样本调优法对高效选取神经网络的超参数提供了依据。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于注意力机制的弱监督动作定位方法

胡聪华钢