CLUENER细粒度命名实体识别 更多细节请参考我们的： : 数据类别： 数据分为10个标签类别，分别为: 地址（address），书名（book），公司（company），游戏（game），政府（government），电影（movie），姓名（name），组织机构（organization），职位（position），景点（scene） 标签类别定义和注释规则： 地址（address）: **省**市**区**街**号，**路，**街道，**村等（如单独出现也标记）。地址是标记尽量完全的, 标记到最细。 书名（book）: 小说，杂志，习题集，教科书，教辅，地图册，食谱，书店里能买到的一类书籍，包含电子书。 公司（company）: **公司，**集团，**银行（央行，中国人民银行除外，二者属于政府机构）, 如：新东方，包含新华网/中国军网等。 游戏（game）: 常见的游戏，注意

Matlab代码sqrt B-CNN：双线性CNN，用于细粒度的视觉识别 由林宗玉，Aruni RoyChowdhury和Subhransu Maji在麻省大学阿默斯特分校创建 介绍 由Yuqi Huo修改。此存储库包含用于在B-CNN [ICCV 2015]和改进的B-CNN [BMVC 2017]论文中重现结果的代码： @inproceedings{lin2015bilinear, Author = {Tsung-Yu Lin, Aruni RoyChowdhury, and Subhransu Maji}, Title = {Bilinear CNNs for Fine-grained Visual Recognition}, Booktitle = {International Conference on Computer Vision (ICCV)}, Year = {2015} } @inproceedings{lin2017impbcnn, Author = {Tsung-Yu Lin, and Subhransu Maji}, Booktitle = {British

Matlab代码sqrt B-CNN：双线性CNN，用于细粒度的视觉识别 由林宗玉，Aruni RoyChowdhury和Subhransu Maji在麻省大学阿默斯特分校创建 介绍 该存储库包含用于在B-CNN [ICCV 2015]和改进的B-CNN [BMVC 2017]论文中重现结果的代码： @inproceedings{lin2015bilinear, Author = {Tsung-Yu Lin, Aruni RoyChowdhury, and Subhransu Maji}, Title = {Bilinear CNNs for Fine-grained Visual Recognition}, Booktitle = {International Conference on Computer Vision (ICCV)}, Year = {2015} } @inproceedings{lin2017impbcnn, Author = {Tsung-Yu Lin, and Subhransu Maji}, Booktitle = {British Machine Visi

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

本文研究的数据集来源于全球 AI 挑战赛（AI Challenger）的第二个赛道——细粒度用户评论情感分析。该比赛要求参赛者对互联网平台上用户的在线评论文本进行分析并判断文中是否提及 6 个目标的 20 个方面。如果方面被提及，则需要判断该方面所对应的情感极性。接下来通过几张表来详细地介绍数据集的情况。

GCN_分类 基于场景文本的细粒度图像分类与检索的多模态推理图 基于我们的WACV 2021接受的论文： ://arxiv.org/abs/2009.09809 安装 创建Conda环境 $ conda env create -f environment.yml 激活环境 $ conda activate finegrained 数据集 上下文数据集可以从以下下载： : 饮料瓶数据集： : 1ss9Pxr7rsdCpYX7uKjd-_1R4qCpUYTWT 训练有素的模型权重 上下文数据集： : 饮料瓶数据集： : 文字和视觉功能 请下载以下文件，并将它们放在以下目录结构中： $ PATH_TO_DATASETS $ /上下文/ $ PATH_TO_DATASETS $ / Drink_Bottle / 请参考链接后的路径以正确放置文件。 视觉特征由Fas

数据库技术网 我们的NeurIPS'19论文的代码的MXNet版本 双线性特征变换在学习细粒度图像表示中显示了最新的性能。 提出的DBTNet可以将双线性特征深深地集成到CNN中，以学习细粒度的图像表示。 框架 主要结果 方法 方面 CUB-200-2011 斯坦福车 飞机 紧凑双线性 14k 81.6 88.6 81.6 内核池 14k 84.7 91.1 85.7 iSQRT-COV 8k 87.3 91.7 89.5 iSQRT-COV 32k 88.1 92.8 90.0 DBTNet-50（我们的） 2k 87.5 94.1 91.2 DBTNet-101（我们的） 2k 88.1 94.5 91.6 先决条件 MXNet 1.3.1 GluonCV 0.3.0 快速开始 准备数据： 下载imagenet数据： cd

小样本细粒度图像分类的混合注意机制

使用BERT的细粒度情感分类 此存储库包含用于获取的结果的代码。 用法 可以使用run.py运行各种配置的实验。 首先，安装python软件包（最好在一个干净的virtualenv中）： pip install -r requirements.txt Usage: run.py [OPTIONS] Train BERT sentiment classifier. Options: -c, --bert-config TEXT Pretrained BERT configuration -b, --binary Use binary labels, ignore neutrals -r, --root Use only root nodes of SST -s, --save

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。