231.
在数据稀缺的新类别识别任务中,基于原型网络的小样本学习已受到广泛关注。针对传统方法中全局均值计算的原型在样本极为受限时易受复杂背景干扰,且局部特征覆盖不足等问题,结合局部特征表示和混合注意力机制提出了一种增强原型的方法。通过特征提取网络获得样本特征图,并将其分解为局部描述符,经逐… … 相似文献
周彬;鲜浩;秦艺嘉;周宏斌 《计算机科学与探索》2026,(2)
232.
深度学习模型凭借其卓越的性能已在众多领域得到广泛应用,但研究表明其对后门攻击也具有显著的脆弱性。后门攻击可通过隐蔽的触发机制破坏模型的可靠性,当预设的触发器激活隐藏后门时,模型将执行恶意行为。目前后门攻击主要依赖于空间域或频域的扰动触发模式,且多采用样本无关的静态触发器设置,使得… … 相似文献
彭子铭;丁建伟;姚佳旺;田华伟 《计算机科学与探索》2026,(2)
233.
出血性脑卒中发病率高、病情进展快、预后差,其中,血肿扩张是影响预后的关键因素,精确预测血肿扩张事件对优化临床干预时机、改善治疗效果和提高患者生存质量具有重大意义.针对血肿演变过程复杂性和个体差异性导致的预测挑战,本研究提出了一种基于神经网络参数化高斯过程的血肿扩张建模与预测方法.… … 相似文献
王恩良;罗森瀚;孙知信 《小型微型计算机系统》2026,(2)
234.
标签噪声通常会误导分类器训练并对分类性能产生负面影响.利用聚类技术可以实现类簇分布引导的标签噪声辅助检测,但存在特征语义和标签语义不一致的问题,导致噪声识别过于敏感.为了充分挖掘数据分布信息以提升噪声检测准确度,本文提出一种类簇分布引导的噪声检测与清洗方法(Cluster Dis… … 相似文献
姜高霞;张妮;王文剑 《小型微型计算机系统》2026,(2)
235.
多目标跟踪是计算机视觉领域的核心研究方向,面临目标模糊、尺寸小和频繁遮挡等难题.提出一种基于深度学习和尺度不变特征转换(SIFT)的多目标跟踪算法,旨在解决目标模糊、尺寸小、遮挡等情况下跟踪精度不稳定的问题.通过引入SIFT特征改进DeepSORT算法,将DeepSORT算法中的… … 相似文献
陈涛;肖杰;张雨飞;周德龙 《小型微型计算机系统》2026,(2)
236.
目前针对对话级关系抽取的大多数方法都集中在通过序列或图方法增强实体对的上下文表示,但却忽略了长尾问题.关系相关性是缓解长尾问题的一种有效方法,该方法可以将头部关系的丰富信息传递给尾部关系,从而缓解尾部关系训练数据不足的情况.本文针对长尾问题和非对称互逆问题构造了一个实体类型约束图… … 相似文献
龙奕锟;李卫疆 《小型微型计算机系统》2026,(2)
237.
随着异常检测技术在网络安全、金融风控以及医疗诊断等众多领域的广泛应用,如何应对标注数据成本高昂以及误报率居高不下等问题,正变得愈发关键.在此背景下,主动异常检测应运而生,它借助交互学习框架,致力于降低误报率并提升检测性能.本文深入剖析了异常检测以及主动异常检测,系统阐释了主动异常… … 相似文献
赵海燕;吴思雨;曹健;陈庆奎 《小型微型计算机系统》2026,(2)
238.
在数字化转型浪潮中,业务流程的异常检测与修复对保障企业运营效率和决策质量至关重要,同时也对其检测与修复技术提出了更高的要求。传统的异常检测方法已无法满足当前业务流程实时监控和适应性调整的需要,而现有方法多侧重于静态分析,没有充分考虑业务环境的复杂性与多变性,难以适应流程动态变化的… … 相似文献
239.
目前,在时间序列预测任务的研究中,基于Transformer的模型主要关注从时序数据中提取全局性和局部性特征,并通过改进注意力机制以降低模型的复杂度。然而,现有方法往往忽略了时间序列在多个尺度上展现出的不同粒度特征。针对这一问题,提出了一种融合多尺度特征和注意力机制的时间序列预测… … 相似文献
240.
方面情感三元组抽取旨在以三元组的形式抽取出句子中包含的方面词及其对应的观点词和情感极性。现有的抽取模型存在未能充分挖掘句子中包含的句法和语义信息、多词实体边界识别错误等问题。对此,提出了一种深度融合句法信息和语义信息的片段抽取模型(Span Extractor Incorpora… … 相似文献
常轩伟;段利国;陈嘉昊;崔娟娟;李爱萍 《计算机科学》2026,(2)
关于我们 |
广告服务 |
商务洽谈 |
联系我们 |
免责条款 |
隐私声明 |
网站导航
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
