猿 这是APE模型的实现，用于知识库中的细粒度实体类型化的属性和预测实体嵌入 接触： 如果您对代码和数据有任何疑问，请随时与我们联系。 Hailong Jin, jinhl15@mails.tsinghua.edu.cn

用于临床文本的细粒度中文分词和词性标注语料库

ai challenger 2018细粒度情感分类第一名解决方案,统一使用tensorflow和pytorch的一个框架

3.2 细粒度识别算法与视频技术的结合 在落地应用方面，单纯的图片级别的细粒度识别已经很难满足如今日常生活与工业生产 中的需求。随着社会的发展，日常生活中短视频的数量日益增加，工业生产中对工件视频级 别的检验需求也逐渐变多，使得细粒度识别从图像级别到视频级别的发展成为必然。目前视195 频级别的细粒度识别算法较少，需要将图像级的细粒度识别相关技术与普通的视频识别算法 结合起来，来促进视频级别的细粒度识别相关技术的发展。 [参考文献] (References) [1] Lowe D G . Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110. 200 [2] H. Bay, T. Tuytelaars, L. Van Gool. Surf: Speeded up robust features[A]. Lecture Notes in Computer Science[C]. Berlin, Heidelberg, 2006, 404-417. [3] Lecun Y , Bottou L , Bengio Y , et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324. [4] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]. 205 International Conference on Neural Information Processing Systems[A]. 2012.1106-1114.

GTS 。 吴震，应成灿，赵飞，范志芳，戴新宇，夏瑞。 在《 EMNLP的发现》中，2020年。 数据 [] [ （来自拥抱面）] 数据格式描述在。 注：我们认为三重数据集是从我们以前的工作的比对数据集和原始SemEval ， ， 的数据集。 要求 有关详细信息，请参见require.txt或Pipfile pytorch == 1.7.1 变形金刚== 3.4.0 Python= 3.6 用法 训练 例如，您可以使用以下命令对OPE任务上的Bert进行微调（预先训练的Bert模型保存在文件夹“ pretrained /”中）： python main.py --task pair --mode train --dataset res14 最佳模型将保存在文件夹“ savemodel /”中。 测验 例如，您可以使用以下命令在OPE任务上测试Bert： python ma

Digital-Image-Processing-Project 数字图像处理大作业，图像细粒度分类，CUB-200-2011，Peking University

选取转炉钢渣经破碎、筛分,通过自行研制的磁选机进行不同磁辊转频、分选行程下干式磁选试验.基于分形理论,根据产率计算方法计算各粒级精矿品位值,建立双对数分形方程式,研究各分选参数下精矿品位分形特性.结果表明,不同磁辊转频和分选行程下分形维数均值分别为2.25和2.31,分形特性显著、磁选机分选性能稳定,分选行程相对于磁辊转频对精矿品位影响较大;分形维数与磁辊转频二次函数负相关、与分选行程二次函数正相关;以分形特性优化磁辊转频、分选行程为44.56 Hz和11.52 mm,精矿回收率、品位达66.75%和58.46%.

提出了一种基于多尺度特征融合的细粒度图像分类方法。通过运用特征金字塔结构对不同层次的特征进行尺度变换,再进行信息融合;之后筛选其中包含细节特征最多的前三个区域图,将其与图像的全局特征共同作用以判断图片所属的子类类别。在公开的细粒度数据集CUB-200-2011、Stanford Dogs上进行了实验,得到的分类精度分别为85.7%和83.5%。实验结果表明该方法对于精细化物体分类具有一定的优越性。

主要用于方面级的细粒度文本情感分析，是全球性的细粒度情感分析赛事，16年增加了中文情感分析，数据集格式为.XML，实际使用还需要进行预处理

细粒度图像之间具有高度相似的外观,其差异往往体现在局部区域,提取具有判别性的局部特征成为影响细粒度分类性能的关键。引入注意力机制的方法是解决上述问题的常见策略,为此,在双线性卷积神经网络模型的基础上,提出一种改进的双线性残差注意力网络:将原模型的特征函数替换为特征提取能力更强的深度残差网络,并在残差单元之间分别添加通道注意力和空间注意力模块,以获取不同维度、更为丰富的注意力特征。在3个细粒度图像数据集CUB-200-2011、Stanford Dogs和Stanford Cars上进行消融和对比实验,改进后模型的分类准确率分别达到87.2%、89.2%和92.5%。实验结果表明,相较原模型及其他多个主流细粒度分类算法,本文方法能取得更好的分类结果。