基于深度学习的细粒度图像分类

本科毕业设计使用src和crc算法实现对图像的分类，采用卷积神经网络模型，使用软件Matlab

深度细粒度图像识别研究综述.pdf

深度细粒度图像识别研究综述.pdf

深度学习中弱监督细粒度识别方法与应用综述

深度学习中弱监督细粒度识别方法与应用综述，李阳光，王晨升，本文归纳介深度学习下基于弱监督的细粒度识别方法与应用综述深度学习下基于弱监督的细粒度识别方法与应用综述绍深度学习时代弱监

使用深度模型迁移进行细粒度图像分类的方法.pdf

针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题，提出深度模型迁移（ DMT）分类方法。首先，在粗粒度图像数据集上进行深度模型预训练；然后，使用细粒度图像数据集对预训练模型logits层进行不确切监督学习，使其特征分布向新数据集特征分布方向迁移；最后，将迁移模型导出，在对应的测试集上进行测试。实验结果表明，在STANFORD DOGS、CUB -200 -2011、OXFORD FLOWER-102细粒度图像数据集上，DMT分类方法的分类准确率分别达到72.23%、73. 33%和96. 27%，验证了深度模型迁移方法在细粒度图像分类领域的有效性。   细粒度图像分类( Fine-Grained Image Classification，FGIC)任务中的类别构成，往往是粗粒度类别中某一子类别；与粗粒度图像相比，细粒度图像类间差异更小，相似类之间的干扰导致图像信噪比高，对其进行有效分类往往需要借助图像中稀疏且局部的特征。传统FGIC方法依赖人工标注的局部信息，对分类模型进行强监督学习，导致此类方法人工参与程度高。近年来，仅需图像类标签的不确切监督( inexact supervision)学习方法成为了研究热点。   细粒度图像分类（ Fine-Grained Image ClassificaTIon，FGIC）任务中的类别构成，往往是粗粒度类别中某一子类别；与粗粒度图像相比，细粒度图像类间差异更小，相似类之间的干扰导致图像信噪比高，对其进行有效分类往往需要借助图像中稀疏且局部的特征¨］。传统FGIC方法依赖人工标注的局部信息，对分类模型进行强监督学习，导致此类方法人工参与程度高心］。近年来，仅需图像类标签的不确切监督（ inexact supervision）学习方法‘31成为了研究热点。   不确切监督属于弱监督（ weakly supervision）范畴，其特点是训练数据的标签粒度较粗。如图像的类标签，与局部标签相比，类标签信息仅能描述全局图像，而无法提供图像的局部信息。   根据图像分类过程，FGIC模型亦可抽象为“特征提取器 分类器”结构‘纠，其中的图像特征提取至关重要。目前，细粒度图像特征提取方法分为两种：1）手工设计底层特征。 Iscen等M1首先采用Zernike滤波器进行密集局部块检测，再对检测到的局部块提取特征并进行分类（ Zemike SpaTIalCoordinate Coding，Zemike SCC）；Zhang等借鉴人眼分层注意机制提出了分层图元匹配（Hierarchical GraphletMatching，HGM）方法。2）特征学习。目前，该类方法常采用深度模型进行特征学习。Xie等‘61提出了在线最近邻估计结 合支持向量机（ Online Nearest-neighbor EsTImaTIon SupportVector Machine，ONE SVM）的方法，对深度模型提取到的特征进行分类；Azizpour等‘71微调深度模型进行细粒度图像分类（ Deep Standard， Deep Optimized）；Qian等‘81提出了多级度量学习（ Multi-stage Metric Learning，MsML）方法，将大规模多维特征学习进行拆分降维，以降低学习复杂度；Kim等提出了一种基于贝叶斯证据框架（ Bayesian Evidence Framework，BEF）的深度模型选择方法，选取最优模型后再进行迁移学习；Huang等提出了基于多边形的分类器（Polygon Based Classifier．PBC），自动寻找图像中有判别力的特征区域。

细粒度检测识别相关论文

这几天刚好调研fine-grained这个领域，花两天时间近几年细粒度检测识别领域顶会论文，已经经过仔细筛选。

细粒度用户评论情感分析数据集(2018-AI-challenger)

共包含6大类20个细粒度要素的情感倾向.数据集分为训练、验证、测试A与测试B四部分。数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。每个细粒度要素的情感倾向有四种状态：正向、中性、负向、未提及.

基于语义和规则的Web网页细粒度信息抽取方法

本文在利用语义和规则的基础上，提出了一个Web网页信息细粒度抽取的方法。方法首先，利用Web网页的结构和HTML标签信息进行网页的粗粒度信息抽取；其次，结合网页标签、结构和文本语义将粗粒度信息进行文本标识和分割，形成语义上紧密相关的标识文本；然后，根据语义解释器，依次识别出文本中的属性项；最后利用语义和规则，确定属性和属性值对。实验证明，该方法逐步细化分解网页，有效的利用了网页潜在的语义信息，拥有不依赖网页类型、结构，适用性好的优点。实验表明该方法提取正文细粒度精确度达到了90%。

用户评论情感分析数据集（细粒度）收集于（AI-challenger比赛）2018

共包含6大类20个细粒度要素的情感倾向.数据集分为训练、验证、测试A与测试B四部分。数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。每个细粒度要素的情感倾向有四种状态：正向、中性、负向、未提及

Ai—challenger数据集细粒度情感分析

在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐、智能搜索、产品反馈、业务安全等。本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

论文研究-基于深度学习的细粒度中文文本情感分析 .pdf

基于深度学习的细粒度中文文本情感分析，卢建东，庄伯金，目前，随着电商平台的快速发展,互联网上沉淀了大量评论数据,必须依靠自动的情感分析技术从大量评论语料中去分析出用户的情感倾向�

AI Challenger 2018 细粒度用户评论情感分析数据集

在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐、智能搜索、产品反馈、业务安全等。本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

论文研究-基于Modbus功能码细粒度过滤算法的研究.pdf

针对防火墙粗粒度过滤Modbus/TCP导致工控系统存在安全威胁的问题，研究基于Modbus功能码的细粒度过滤算法。基于Modbus TCP功能码的特征，对其功能码字段进行解析，实现基于白名单规则的细粒度过滤算法。然而大量匹配规则的存储管理对数据过滤过程的查询效率有着决定性的影响，结合对规则集进行分类管理以提高匹配效率。通过构建有效的数据存储结构及对白名单规则的组织与配置，实现了Modbus TCP协议的细粒度过滤，更大程度地提高了Modbus TCP通信的安全性，且保证了通信过程的实时性。通过实验分析，提出的方法可以深度安全地过滤Modbus，提高Modbus通信的安全性。

[实战]200类鸟类细粒度图像分类

[实战]200类鸟类细粒度分类识别 我又来了！！！！ 一、图像分类 这次进行实战项目，鸟类细粒度分类识别实战。再讲细粒度分类之前，让我们先回顾一下图像分类吧。 图像分类是计算机视觉的最基础的一个任务，从最开始的入门级的mnist手写数字识别、猫狗图像二分类到后来的imagenet任务。图像分类模型随着数据集的增长，一步步提升到了今天的水平。计算机的图像分类水准已经超过了人类。 在这里我把图像分类任务分为了两种，一种是单标签的图像分类任务，一种是多标签的图像分类任务。 多标签的图像分类任务，更加符合人们的认知习惯。因为现实生活中的图片往往会包含多个类别物体。 而在单标签的图像分类任务中又可以

基于弱监督细粒度深度网络的骨龄自动评估方法

基于弱监督细粒度深度网络的骨龄自动评估方法，孙云飞，李克新，人类的骨骼发育在不同基于弱监督细粒度深度网络的骨龄自动评估方法阶段呈现出不同的特点，青少年骨龄评估能较准确地反映个体的生

论文研究-基于细粒度数据分离与融合的虚拟机多镜像设计与实现.pdf

为了节约存储空间和方便系统升级，将虚拟机镜像中的系统数据和用户数据分离存储是云计算中心内常见的做法。目前主流的使用方法是以系统镜像启动虚拟机，再将用户数据以磁盘形式挂载，但这种粗粒度的融合方式导致数据分离对用户可见，同时用户数据无法覆盖系统数据，系统缺乏灵活性。针对这些问题，通过分析系统镜像和用户镜像合并启动和使用的原理，提出了一种将多个镜像文件细粒度混合到运行时文件系统的方案，并借助于UnionFS文件系统工具，在KVM虚拟机环境下实现了多镜像在文件目录级别上的完全混合。实验结果表明，其实现了设计预期功能，同时对于KVM虚拟机开机启动时间和文件系统读写性能没有较明显的负面影响。

2018细粒度用户评论情感分析.rar

2018 AI challenge挑战赛细粒度用户评论情感分析数据集。

美团细粒度用户评论情感分析数据集(2018-AI-challenger).zip

AI Challenger 细粒度用户评论情感分析；比赛资源，可放心使用 AI Challenger 细粒度用户评论情感分析；比赛资源，可放心使用 AI Challenger 细粒度用户评论情感分析；比赛资源，可放心使用AI Challenger 细粒度用户评论情感分析；比赛资源，可放心使用

Al_challenger细粒度情感分析数据集

Al_challenger细粒度情感分析数据集，包含ai_challenger_sentiment_analysis_testa_20180816、ai_challenger_sentiment_analysis_trainingset_20180816、ai_challenger_sentiment_analysis_validationset_20180816