2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩124頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著網(wǎng)絡技術(shù)的快速發(fā)展,包含有文本與圖像等數(shù)據(jù)的多模態(tài)文檔大規(guī)模地出現(xiàn)在人們的日常生活中。在信息的世界中,這些不同模態(tài)的數(shù)據(jù)資源可以無形地提升感覺器官接受知識的能力。盡管如此,由于多模態(tài)數(shù)據(jù)所呈現(xiàn)出的多樣性、復雜性與隨意性,人們很難從大量的數(shù)據(jù)資源中挖掘出對自己有用的信息。因此,為了更好地滿足人們?nèi)找嬖鲩L的各種需求,本文從多分類與檢索的角度研究了多模態(tài)數(shù)據(jù)的智能化管理技術(shù)。
  許多實際問題的解決方案均涉及到多分類技術(shù),該技術(shù)可以

2、有效地縮減用戶與計算機的理解差異。在傳統(tǒng)的多類Boosting方法中,多類損耗函數(shù)不一定具有猜測背離性,且多類弱學習器的結(jié)合被限制為線性的加權(quán)和。為了獲得高準確率的最終分類器,多類損耗函數(shù)應該具有多類邊緣極大化、貝葉斯一致性與猜測背離性。除此之外,弱學習器的缺點可能會限制線性分類器的性能,然而它們的非線性結(jié)合可以提供較強的判別力。根據(jù)這兩個觀點,本文設(shè)計了一個自適應的多類Boosting分類器,即SOHP-MCBoost算法。在每次迭代

3、中,SOHP-MCBoot算法能夠利用向量加法或Hadamard乘積來集成最優(yōu)的多類弱學習器。這個自適應的過程可以產(chǎn)生弱學習的Hadamard乘積向量和,進而挖掘出數(shù)據(jù)集的隱藏結(jié)構(gòu)。
  對于一個多模態(tài)數(shù)據(jù)文檔,模態(tài)內(nèi)損耗可以捕獲到每個模態(tài)數(shù)據(jù)的語義類信息,而模態(tài)間損耗可以挖掘到不同模態(tài)數(shù)據(jù)之間的語義相關(guān)性。傳統(tǒng)的單模態(tài)Boosting方法沒有考慮模態(tài)間損耗,這可能會增大相關(guān)數(shù)據(jù)的語義距離。為了共同地分析多模態(tài)數(shù)據(jù),本文設(shè)計了一個

4、包含模態(tài)內(nèi)損耗與模態(tài)間損耗的多模態(tài)多類Boosting框架。對于多維泛函空間內(nèi)的優(yōu)化問題,這個框架可以利用梯度下降的策略來輪流地更新每個模態(tài)的預測器。在獲得最優(yōu)預測器之后,Sigmoid函數(shù)可以把相應的擬邊緣轉(zhuǎn)換成語義概念類的后驗概率。經(jīng)過這樣的操作過程,語義空間的跨模態(tài)檢索能夠妥善地保存模態(tài)內(nèi)的語義信息與模態(tài)間的語義相關(guān)性。
  基于原始特征向量的內(nèi)容相似性可以揭示每個模態(tài)數(shù)據(jù)集的內(nèi)部結(jié)構(gòu),而基于語義特征向量的語義相似性反映了不

5、同模態(tài)數(shù)據(jù)之間的相關(guān)性,二者的結(jié)合能夠在一定程度上提高跨模態(tài)與多模態(tài)檢索的性能。在一階馬爾可夫鏈中,每個目標對象的內(nèi)容特征與語義特征可以分別表示一個隱藏狀態(tài)及其對應的發(fā)射概率。根據(jù)多類邏輯回歸或隨機森林,具有一階馬爾可夫鏈的CCSS模型可以把每個模態(tài)數(shù)據(jù)的原始特征映射到一個共同的語義空間。通過在馬爾可夫鏈內(nèi)尋找一條最優(yōu)的狀態(tài)路徑,CCSS模型能夠為每個查詢對象返回一條目標對象的索引序列。在這個序列中,相鄰的目標對象具有類似的內(nèi)容信息與語

6、義信息。
  不同模態(tài)的數(shù)據(jù)提供了互補的信息,它們的相互作用可以幫助人們在高層次上更好地理解多模態(tài)數(shù)據(jù)文檔。在跨模態(tài)檢索的過程中,具有兩條一階馬爾可夫鏈的圖模型(CCSSI)不僅考慮了不同模態(tài)數(shù)據(jù)的相互作用,而且結(jié)合了內(nèi)容相似性與語義相似性。一條鏈中的對象可以轉(zhuǎn)移到該鏈的另一個對象,卻不能轉(zhuǎn)移到另一條鏈上的任意對象。當CCSSI模型檢索一條鏈中的對象時,另一條鏈中的對象能夠補充有用的信息。在某一個時間步,最相關(guān)對象的選擇同時依賴于

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論