您的检索：
学者姓名：孙艳丰
精炼检索结果：
年份
成果类型
收录类型
来源
综合
合作者
语言
清除所有精炼条件
摘要 ：
随着信息技术的高速发展,各种数字档案数据量出现了爆炸式的增长。如何合理地挖掘分析档案数据,提升对新收录档案智能管理的效果已成为一个亟需解决的问题。现有的档案数据分类方法是面向管理需求的人工分类,这种人工分类的方式效率低下,忽略了档案固有的内容信息。此外,对于档案信息发现和利用来说,需进一步挖掘分析档案数据内容之间的关联性。面向档案智能管理的需求,从档案数据的文本内容角度出发,对人工分类的档案进行进一步分析。采用LDA模型提取文档的主题特征向量,进而用K-means算法对档案的主题特征进行聚类,得到档案间的关联。针对新收录档案数据的分类问题,采用现有档案数据,有监督的训练FastText深度学习...
关键词 ：
FastText文本分类 FastText文本分类 档案管理 档案管理 LDA特征表示 LDA特征表示 文本聚类 文本聚类
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 霍光煜 , 张勇 , 孙艳丰 et al. 基于语义的档案数据智能分类方法研究 [J]. | 计算机工程与应用 , 2021 , 57 (06) : 247-253 . |
| MLA | 霍光煜 et al. "基于语义的档案数据智能分类方法研究" . | 计算机工程与应用 57 . 06 (2021) : 247-253 . |
| APA | 霍光煜 , 张勇 , 孙艳丰 , 尹宝才 . 基于语义的档案数据智能分类方法研究 . | 计算机工程与应用 , 2021 , 57 (06) , 247-253 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Low Rank Representation (LRR) based unsupervised clustering methods have achieved great success since these methods could explore low-dimensional subspace structure embedded in original data effectively. The conventional LRR methods generally treat the data as the points in Euclidean space. However, it is no longer suitable for high-dimension data (such as video or imageset). That is because high-dimension data are always considered as non-linear manifold data such as Grassmann manifold. Besides, the typical LRR methods always adopt the traditional single nuclear norm based low rank constraint which can not fully reveal the low rank property of the data representation and often leads to suboptimal solution. In this paper, a new LRR based clustering model is constructed on Grassmann manifold for high-dimension data. In the proposed method, each high-dimension data is formed as a sample on Grassmann manifold with non-linear metric. Meanwhile, a non-convex low rank representation is adopt to reveal the intrinsic property of these high-dimension data and reweighted rank minimization constraint is introduced. The experimental results on several public datasets show that the proposed method outperforms the state-of-the-art clustering methods. © 2021, Springer Nature Switzerland AG.
关键词 ：
Cluster analysis Cluster analysis Clustering algorithms Clustering algorithms Computer vision Computer vision
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Piao, Xinglin , Hu, Yongli , Gao, Junbin et al. Reweighted Non-convex Non-smooth Rank Minimization Based Spectral Clustering on Grassmann Manifold [C] . 2021 : 562-577 . |
| MLA | Piao, Xinglin et al. "Reweighted Non-convex Non-smooth Rank Minimization Based Spectral Clustering on Grassmann Manifold" . (2021) : 562-577 . |
| APA | Piao, Xinglin , Hu, Yongli , Gao, Junbin , Sun, Yanfeng , Yang, Xin , Yin, Baocai . Reweighted Non-convex Non-smooth Rank Minimization Based Spectral Clustering on Grassmann Manifold . (2021) : 562-577 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于语义的档案数据智能分类方法研究
关键词 ：
文本聚类 文本聚类 档案管理 档案管理 FastText文本分类 FastText文本分类 LDA特征表示 LDA特征表示
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 霍光煜 , 张勇 , 孙艳丰 et al. 基于语义的档案数据智能分类方法研究 [J]. | 霍光煜 , 2021 , 57 (6) : 247-253 . |
| MLA | 霍光煜 et al. "基于语义的档案数据智能分类方法研究" . | 霍光煜 57 . 6 (2021) : 247-253 . |
| APA | 霍光煜 , 张勇 , 孙艳丰 , 尹宝才 , 计算机工程与应用 . 基于语义的档案数据智能分类方法研究 . | 霍光煜 , 2021 , 57 (6) , 247-253 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
基于深度学习的小目标检测方法综述
关键词 ：
特征金字塔 特征金字塔 小目标检测 小目标检测 上下文 上下文 数据增强 数据增强 深度学习 深度学习 目标检测 目标检测
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 员娇娇 , 胡永利 , 孙艳丰 et al. 基于深度学习的小目标检测方法综述 [J]. | 员娇娇 , 2021 , 47 (3) : 293-302 . |
| MLA | 员娇娇 et al. "基于深度学习的小目标检测方法综述" . | 员娇娇 47 . 3 (2021) : 293-302 . |
| APA | 员娇娇 , 胡永利 , 孙艳丰 , 尹宝才 , 北京工业大学学报 . 基于深度学习的小目标检测方法综述 . | 员娇娇 , 2021 , 47 (3) , 293-302 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Sparse representation based on over-complete dictionaries is a hot issue in the field of computer vision and machine learning. In probability theory, over-complete dictionary can be learned by non-parametric Bayesian techniques with Beta Process. However, traditional probabilistic dictionary learning method assumes noise follows Gaussian distribution, which can only remove Gaussain noise. In order to remove outlier or complex noise, we propose a dictionary learning method based on non-parametric Bayesian technology by assuming the noise follows Laplacian distribution. Because the non-conjugacy of Laplacian distribution makes the calculation of posteriors of latent variables more complicate, thus we utilize a superposition of an infinite number of Gaussian distributions to substitute for L1 density function. The weights of mixture Gaussian distribution are controlled by an extra hidden variable. Then the Bayesian inference is applied to learn all the key parameters in the proposed probabilistic model, which avoids the processing of parameter setting and fine tuning. In the experiments, we mainly test the performance of different algorithms in removing salt-and-pepper noise and mixture noises. The experimental results show that the PSNRs of our algorithm are higher 2-4 dB at least than other classic algorithms.
关键词 ：
Variational inference Variational inference Sparse representation Sparse representation Dictionary learning Dictionary learning Image denosing Image denosing
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Ju, Fujiao , Sun, Yanfeng , Li, Mingyang . Non-parametric Bayesian dictionary learning based on Laplace noise [J]. | MULTIMEDIA TOOLS AND APPLICATIONS , 2021 . |
| MLA | Ju, Fujiao et al. "Non-parametric Bayesian dictionary learning based on Laplace noise" . | MULTIMEDIA TOOLS AND APPLICATIONS (2021) . |
| APA | Ju, Fujiao , Sun, Yanfeng , Li, Mingyang . Non-parametric Bayesian dictionary learning based on Laplace noise . | MULTIMEDIA TOOLS AND APPLICATIONS , 2021 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于多语义学习的知识图谱补全方法，将实体e1和r分别先通过多个转换矩阵学习到多个隐藏的语义表示。在前面的知识图嵌入捕捉实体和关系多个隐藏语义的步骤中，得到对同一实体或关系的多个特征嵌入。利用深度残差注意力网络优化实体和关系的嵌入。引入去噪网络优化实体嵌入和关系嵌入。接下来先简述去噪网络的结构。引入多步融合的过程来充分融合实体和关系；本发明提出来的深度残差注意力网络，能有效减少引入多个隐藏语义带来大量噪声的问题。同时去噪网络和多步融合网络能充分融合实体和关系，来得到最符合的预测结果。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 尹宝才 , 王家普 , 胡永利 et al. 基于多语义学习的知识图谱补全方法 : CN202110059002.8[P]. | 2021-01-17 . |
| MLA | 尹宝才 et al. "基于多语义学习的知识图谱补全方法" : CN202110059002.8. | 2021-01-17 . |
| APA | 尹宝才 , 王家普 , 胡永利 , 孙艳丰 , 王博岳 . 基于多语义学习的知识图谱补全方法 : CN202110059002.8. | 2021-01-17 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
针对理工科课程在教学内容、方式上实施"润物细无声"式课程思政的难度,以计算机图形学为例,提出课程思政建设总体思路,在阐述具体课程思政建设过程及结果的基础上,凝练总体建设原则,给出一般化的理工科课程思政建设策略,为在理工科院校更广泛、更有效地开展课程思政建设提供思路。
关键词 ：
内涵与外延 内涵与外延 理工科课程思政建设 理工科课程思政建设 科学方法论 科学方法论 计算机图形学 计算机图形学 课程思政 课程思政
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孔德慧 , 李敬华 , 王立春 et al. 基于计算机图形学教学实践的理工科课程思政建设研究 [J]. | 计算机教育 , 2021 , (09) : 15-18 . |
| MLA | 孔德慧 et al. "基于计算机图形学教学实践的理工科课程思政建设研究" . | 计算机教育 09 (2021) : 15-18 . |
| APA | 孔德慧 , 李敬华 , 王立春 , 张勇 , 孙艳丰 . 基于计算机图形学教学实践的理工科课程思政建设研究 . | 计算机教育 , 2021 , (09) , 15-18 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于动态注意力的超网络融合视觉问答答案准确性的方法，先提取图像中两两物体之间的关系特征。通过进行关系特征的向量表示和问题文本的向量表示的余弦相似度的操作来动态的选取和问题文本相关的关系特征，并将余弦相似度分数排在前三的关系特征被选取为最为相关的关系特征；为了使视觉图片和问题文本中提取的特征融合的更加充分，提用基于超网络的卷积融合方式。利用融合图像‑问题特征学习多分类的分类器，以正确预测最佳匹配答案。使特征融合更加充分，能够使两模态之间进行深层次的交互，进一步促进视觉问答技术的准确性能的提升。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 尹宝才 , 王家普 , 胡永利 et al. 基于动态注意力的超网络融合视觉问答答案准确性的方法 : CN202110182159.X[P]. | 2021-02-09 . |
| MLA | 尹宝才 et al. "基于动态注意力的超网络融合视觉问答答案准确性的方法" : CN202110182159.X. | 2021-02-09 . |
| APA | 尹宝才 , 王家普 , 胡永利 , 孙艳丰 , 王博岳 . 基于动态注意力的超网络融合视觉问答答案准确性的方法 : CN202110182159.X. | 2021-02-09 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于事件相机的车辆目标检测方法，基于事件相机，利用深度学习技术研究了一种极端场景下的车辆目标检测方法。事件相机可以异步生成帧和事件数据，对克服运动模糊和极端光照条件有很大帮助。首先将事件转为事件图像，然后将帧图像和事件图像同时送入融合卷积神经网络，增加对事件图像进行特征提取的卷积层；同时在网络的中间层通过融合模块将二者的特征进行融合；最后重新设计损失函数提高了车辆目标检测的有效性。本发明的方法可以弥补在极端场景下仅使用帧图像进行目标检测的不足，在使用帧图像的基础上在融合卷积神经网络中融合事件图像，增强了在极端场景中车辆目标检测的效果。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 孙艳丰 , 刘萌允 , 齐娜 et al. 基于事件相机的车辆目标检测方法 : CN202110182127.X[P]. | 2021-02-09 . |
| MLA | 孙艳丰 et al. "基于事件相机的车辆目标检测方法" : CN202110182127.X. | 2021-02-09 . |
| APA | 孙艳丰 , 刘萌允 , 齐娜 , 施云惠 , 尹宝才 . 基于事件相机的车辆目标检测方法 : CN202110182127.X. | 2021-02-09 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于标签引导的字词融合的命名实体识别方法，用于解决以往分词工具不准确造成的分词错误的问题。具体采用标注信息对句子的分词结果进行分组，并对组内信息进行融合，能够有效的获得这个位置词的信息；将位置词信息与当前字的信息进行融合，增强位置词的信息表达；采用注意力机制，对每个位置词进行分配权重，使其更加关注正确的词的标签；采用Gated Mechanism来动态的权衡字特征与位置词向量特征的比重，最后通过BiLSTM与CRF找到最优序列。本发明改善了词边界识别错误的问题，并能够减少未登陆词(OOV)的产生。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 胡永利 , 于腾 , 孙艳丰 et al. 基于标签引导的字词融合的命名实体识别方法 : CN202110027765.4[P]. | 2021-01-08 . |
| MLA | 胡永利 et al. "基于标签引导的字词融合的命名实体识别方法" : CN202110027765.4. | 2021-01-08 . |
| APA | 胡永利 , 于腾 , 孙艳丰 , 王博岳 , 尹宝才 . 基于标签引导的字词融合的命名实体识别方法 : CN202110027765.4. | 2021-01-08 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
