Classification-assisted Deep Sparse Image Recognition
Notice bibliographique
Résumé
This paper proposes a classification-assisted deep sparse network (CDSRC) model to achieve the purpose of image classification. The proposed algorithm consists of four parts: Encoder, Self-representer, Decoder and Classifier. The Encoder part can extract the high-level feature map of the input image, and Self-representer can establish the representational relationship between the test set and the training set image, so as to reconstruct the image of the test set. The Decoder can restore the reconstructed sample to the original image in the form of deconvolution, which is used to supervise the Self-representer. Next, the Encoder can effectively extract the feature map of the original image and the reconstruction of the test set sample. In addition, in order to increase the robustness of image recognition, a Classifier part is added after the Encoder. The Classifier is mainly used to classify training samples while extracting features in the training phase. This will increase the feature similarity of images of the same category, increase the difference of image features of different categories, and reduce the noise interference formed by individual samples. After the algorithm training is completed, the test sample is imported into the Encoder to extract the feature map, the feature map is combined with the sparse matrix of the Self-representer part, and then the test sample category is predicted. Experiments show that the algorithm(CDSRC) in this paper has better results than the SRC-related algorithms that have been proposed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».