【摘 要】
：
传统的多标签学习算法一般没有考虑标签的不均衡性,从而忽略了标签不平衡给分类带来的影响。但统计发现,目前常用的多标签数据集均存在标签不均衡问题,且少数类标签往往更加
【机 构】
：
安徽省高校智能感知与计算重点实验室（安庆师范大学）,安庆师范大学创新团队
论文部分内容阅读
传统的多标签学习算法一般没有考虑标签的不均衡性,从而忽略了标签不平衡给分类带来的影响。但统计发现,目前常用的多标签数据集均存在标签不均衡问题,且少数类标签往往更加重要。基于此,本文提出了一种基于分类间隔增强的不平衡多标签学习算法(Imbalanced multi-label learning algorithm based on classification interval enhanced,MLCIE),旨在利用各标签分类间隔的重构来增强分类器对少数类标签样本的学习效率,提升样本标签质量,从而减少多标
其他文献
为建立一种理想的急性肺损伤模型,筛选出小鼠急性肺损伤模型最佳造模时间和脂多糖浓度,本试验采用小鼠滴鼻给药途径,选取48只雄性SPF级小鼠随机分成8组,空白对照组、造模时间
"低、慢、小"飞行器的监控是低空空域开放的一个技术难题,制约通航的发展速度。本文针对"低、慢、小"航空器运行特点,设计一种低成本、小体积和低功耗的导航通信设备,该设备
车辆重识别目的是通过不同的摄像机来识别同一辆车。但是由于车辆图像类内差异性大、类间相似性大,使得车辆重识别成为一个极具挑战性的任务。本文提出了一个基于双分支网络特征融合的车辆重识别方法来解决这一问题。该方法使用2个分支和批擦除策略提取并融合全局特征和局部特征,以突出车辆图像的类内相似性和类间差异性;并且采用圆损失代替传统的三元组损失和交叉熵损失的组合来构造目标函数。最后使用本文方法在VeRi-77