针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题，提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征，然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征，最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明，该方法的分类准确率达到82.3%，较FV-SIFT算法在分类准确率上提高了15.4%。

公开数据集，包括lt，res，res15，res16等，其中每个数据集又分为训练集及测试集，又细分为sentence、label、term等文件。

NTS-Net-Keras 该项目是用Keras编写的用于构建NTS-Net模型的工具。 原始论文： 获取 支持多GPU训练 只支持tensorflow作为后端 快速开始 请注意，当前只能在Linux和macOS中执行此项目。 您可能会在Windows中遇到一些问题。 Python版本：python2.7。 下载CUB_200_2011.tgz并解压缩tgz文件。 通过运行pip install -r requirements.txt安装依赖项。 编辑config.py以配置您的实验，您可能需要设置data_root ， num_gpu ， batch_size等。 运行python train.py训练新模型。 训练有素的模型权重 CUDA版本 需要CUDA 9.0 表现 测试仪的准确度为0.82，比原始实现降低了5％。欢迎使用PR来解决此问题。 致谢 原始实现 ，pytor

基于HDFS的大规模监控视频的细粒度检索，方瑞，李文生，Hadoop分布式文件系统（HDFS）被广泛用于存储大规模监控视频，然而目前并没有基于HDFS的监控视频细粒度检索方法。在本文中，我们借鉴�

人工智能-项目实践-情感分析-基于LSTM网络与自注意力机制对中文评论进行细粒度情感分析 题目介绍 该题目为《细粒度用户评论情感分析》，来源于“全球AI挑战赛”。https://challenger.ai/competition/fsauor2018 对于题目内容以及任务描述均可从该网站获取，这里不再赘述。 成绩 单个模型最好的F1指标为：75.04 整体20个模型的综合F1指标为：68 数据集 数据集由比赛平台提供。包含105000条训练样本以及15000条测试样本。 关于数据集的标注可以点击这里查看。

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。

主要用于方面级的细粒度文本情感分析，是全球性的细粒度情感分析赛事，16年增加了中文情感分析，数据集格式为.XML，实际使用还需要进行预处理

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。

基于SpringBoot+VUE的前后端分离细粒度权限管理demo，有问题请留言，本人不定时登录系统做解答