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。

流量全要素记录_融合细粒度威胁情报与威胁框架支撑威胁猎杀 安全防御 安全意识教育 安全实践 零信任 网络安全

行业分类-设备装置-一种基于异构多核芯片的细粒度科学计算并行处理装置.zip

行业分类-设备装置-基于POCKIT+Micro荧光PCR平台的犬细粒、多房棘球绦虫的试剂盒及应用.zip

2021泰迪杯C1-基于细粒度情感分析与迁移学习的游客目的地印象分析.pdf

行业分类-嵌入式设备-面向嵌入式片上异构存储器的细粒度数据分配方法.zip

细粒度情感分类 此仓库显示了对各种NLP方法的比较和讨论，这些方法可以在（SST-5）数据集上执行5级情感分类。 目标是使用多个基于规则，基于线性和神经网络的分类器来预测此数据集上的类，并查看它们之间的区别。 当前已实现以下分类器： TextBlob ：基于规则，使用库中的内部polarity度量。 Vader ：基于规则，使用库中的compound极性分数。 Logistic回归：在将词汇表转换为特征向量并考虑使用TF-IDF的词频影响后，在scikit-learn中训练简单的logistic回归模型。 SVM ：在将词汇表转换为特征向量并使用TF-IDF考虑词频的影响后，在sci