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。

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。

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

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