排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
近年来,随着机器学习的发展,分类系统的性能有了很大的飞跃。模型需要大量带标签数据才能使训练结果达到要求,而获取高质量的标注数据费时费力。为了降低成本,出现了众包、自动化系统等方法标注训练数据。但是,这些标注方法往往会产生大量错误标注,即标签噪声。另外,信息不足、专家错误和编码错误等因素,也可能使标签受到污染。训练过程中对标签噪声的处理不当,可能会使预测精度和准确性降低,或者使模型复杂度增加。因此,研究标签噪声对推广机器学习在各领域的应用和降低机器学习算法的部署成本等方面具有重要意义。通过综述产生标签噪声的原因、影响以及近几年来应对标签噪声的一些技术方法,对标签噪声的研究现状和发展前景进行分析。 相似文献
2.
3.
航天科技开源情报文本内容较长且含有大量专有名词,影响了情报分类的效果,为了提升相关情报的分类准确率,提出一种基于BERT与XGBoost融合模型的航天科技开源情报分类算法.首先通过BERT模型的深度结构提取情报中的关键特征,然后利用XGBoost模型取代BERT最后的输出层,并依据BERT提取到的关键特征对相关情报进行... 相似文献
4.
为了提高不同图像之间的基础矩阵估计的精度与效率,提出了一种结合单应变换和对极几何约束的基础矩阵估计算法.在不同图像上提取特征点并建立匹配关系,过滤其中明显的误匹配点,并计算单应变换矩阵,由于单应变换的内点和外点在图像之间的对应关系均符合对极几何约束,通过将单应变换矩阵与外点结合,进一步计算出基础矩阵.为了验证算法的有效... 相似文献
1