【摘 要】
：
图像美学质量评估在图像推荐和图像编辑美学等行业具有良好的应用前景。大部分美学质量评估方法存在两个问题:第一,只建立了通用美学评估模型,而忽略了个性化审美,这样的评估方法只适用于大众审美的评估,无法区分出不用用户之间的差异;第二,往往只从图像本身特征和整体布局进行评估,没有考虑主体的突出性和位置合理性,由于主体特征对评估结果有较大的影响,以致忽视主体的做法会使得评估结果具有较差的完备性。针对这些问题
【机 构】
：
武汉科技大学计算机科学与技术学院,智能信息处理与实时工业系统湖北省重点实验室（武汉科技大学）
【基金项目】
：
国家自然科学基金项目(41571396,61702385),2020年国家级创业训练计划项目(202010488007)。
论文部分内容阅读
图像美学质量评估在图像推荐和图像编辑美学等行业具有良好的应用前景。大部分美学质量评估方法存在两个问题:第一,只建立了通用美学评估模型,而忽略了个性化审美,这样的评估方法只适用于大众审美的评估,无法区分出不用用户之间的差异;第二,往往只从图像本身特征和整体布局进行评估,没有考虑主体的突出性和位置合理性,由于主体特征对评估结果有较大的影响,以致忽视主体的做法会使得评估结果具有较差的完备性。针对这些问题,文中设计了一种基于注意力机制的个性化图像美学质量评估方法。该方法在个性化残差网络的基础之上引入了注意力
其他文献
伴随新课标的改革,体育教学也应积极进行改革。通过践行“学练赛”一体化制度,既可强化体育课密度与强度,又能强化学生体育技能,提高身体体能。由此可见,“学练赛”在体育课堂上发挥着重要作用。本文就立足“学练赛”视角,探讨体育课堂评价,以供相关人士借鉴。
运用文献资料法、问卷调查法等方法,借助 SPSS 统计分析软件对研究生进行英语学习焦虑水平调研,数据得出:男生和女生之间焦虑水平不存在显著性差异;通过比对近 5 年体育系学院英语焦虑一般水平进行 T 检验存在显著性差异。研究认为:内因存在于个体差异行为;外因存在社会内卷及考试情景导致英语学习的焦虑。尝试利用归因理论探析产生焦虑的因素,同时提出针对英语考试情境的考前充分准备、考中认真审核、考后复盘总结的影响焦虑的三个部分作对策研究,旨在化解研究生的英语学习焦虑并有所积极反馈。
随着社会水平的提升,人们越来越重视教育方面的问题,体育教育的重要性已经被人们所熟知,学生体育方面的发展被人们所关注。当前科技水平不断提升,对人才质量也提出更加严格的要求,学校需要创新教育方法,体验式教学应运而生。本文研究体验式学习视野下的学校体育教育模式,从而提升体育教育质量。
韩国古代寓言是东亚寓言体系的重要组成部分,在韩国古代文化中具有重要地位,以其历史悠久,超高质量,丰硕成果和独特思想成为韩国文化中的瑰宝。韩国古代寓言反映了民族智慧和民族特性,深深地渗透到韩国各个文化领域之中。
Crazy Rich Asians,Kevin Kwan’s famous work,depicts four female protagonists in a round way.From feminist perspec-tive,Kevin Kwan reveals women’s hard status today and further explores the hope to realize gender equality through establishing afemale model
类不平衡分类问题是模式识别与机器学习领域研究的热点问题之一,广泛出现在软件缺陷预测、医疗诊断、目标检测等实际应用场景中。现有的类不平衡学习算法通常关注如何通过减少多数类样本数量或增加少数类样本数量来平衡数据集,而忽视了类不平衡数据中常存在的噪声样本以及各类样本间分布重叠的问题,导致算法的分类性能有待提升。为解决上述问题,提出基于Bagging集成学习的多集类不平衡学习算法。该算法由基于Bagging的多集构建和特征提取与多集融合两个模块构成,基于Bagging的多集构建部分通过改进的重采样算法构建多个平衡
针对推荐系统中的传统协同过滤算法刻画邻居差异不够深入、忽略用户兴趣漂移、冷启动问题仍然存在、矩阵分解算法可解释性差且单一推荐算法适应性不强的问题,提出了一种动态信任衰减和信息匹配的协同过滤混合推荐算法(DTDIM-CF)。该算法考察用户间公共评分个数和时间信息调整用户或物品邻居选择机制、引入时间因子造成的信任衰减概念重新定义近邻影响以改进协同过滤算法,提出一种相似度计算的主观评分规范化方法。根据算法初步推荐和历史信息的不匹配度,将改进后的两种动态信任协同过滤算法与矩阵分解算法按照特定规则进行混合,采用二次
如今许多的企业都面临着客户流失的实质问题,客户流失预测对企业的发展也是尤为重要的。对于客户流失预测的问题也有很多解决方案,传统的机器学习方法存在特征工程对模型效果影响较大的缺点,而深度学习则使得算法不会太依赖于领域专业知识和人工特征提取。为提升预测效果,提出一种深度神经网络权重集成方法来对电信客户流失进行预测,其主要思想是在做深度神经网络(DNN)训练的时候,通过随机加权平均(stochastic weight average,SWA)结合同一网络结构下的不同训练阶段的权重获取集成模型,然后对客户流失进行
多任务学习作为深度学习的一个分支,得到了广泛关注与深入研究,但仍然存在网络结构复杂、任务区分困难的问题。据此,基于硬参数共享神经网络给出梯度优化的多任务混合学习方法。首先,无需区分不同任务,将多任务训练数据一同送入网络进行混合训练,所有任务共用一个损失函数,前一次训练所得的网络共享层参数作为下次训练的共享层初始化参数;其次,根据不同共享层提取特征的差异和任务在深层梯度变化的不同,调节相应的激活值,优化网络参数,既保持了硬参数共享神经网络结构的简洁性特点,又利于解决多任务训练过程中数据的非平衡问题;最后,通
细粒度图像识别旨在区分同属某一大类下更为精细的子类,具有类间差距小和类内差距大的特点。同时细粒度数据集往往种类多,而数据量较少,容易产生训练时的过拟合。针对上述问题,文中提出了一种结合注意力混合裁剪的细粒度分类网络,利用注意力机制指导改进的混合裁剪数据增强。首先使用ResNet50作为基础网络提取图像特征,之后利用1*1卷积获取注意力图,再通过双线性注意力池化操作将特征图与注意力融合拼接成特征矩阵