Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: sieć neuronowa splotowa

Sortuj według:

Ogranicz wyniki do:

A few-shot fine-grained image recognition method

Wang Jianwei, Chen Deyun

Bulletin of the Polish Academy of Sciences. Technical Sciences

2023

Vol. 71, nr 1

art. no. e144584

Deep learning methods benefit from data sets with comprehensive coverage (e.g., ImageNet, COCO, etc.), which can be regarded as a description of the distribution of real-world data. The models trained on these datasets are considered to be able to extract general features and migrate to a domain not seen in downstream. However, in the open scene, the labeled data of the target data set are often insufficient. The depth models trained under a small amount of sample data have poor generalization ability. The identification of new categories or categories with a very small amount of sample data is still a challenging task. This paper proposes a few-shot fine-grained image recognition method. Feature maps are extracted by a CNN module with an embedded attention network to emphasize the discriminative features. A channel-based feature expression is applied to the base class and novel class followed by an improved cosine similarity-based measurement method to get the similarity score to realize the classification. Experiments are performed on main few-shot benchmark datasets to verify the efficiency and generality of our model, such as Stanford Dogs, CUB-200, and so on. The experimental results show that our method has more advanced performance on fine-grained datasets.

Convolutional Neural Networks as Context-Scraping Tools in Architecture and Urban Planning

Dzieduszyński Tomasz

Builder

2022

R.26, nr 3

79--81

"Data scraping" is a term usually used in Web browsing to refer to the automated process of data extraction from websites or interfaces designed for human use. Currently, nearly two thirds of Net traffic are generated by bots rather than humans. Similarly, Deep Convolutional Neural Networks (CNNs) can be used as artificial agents scraping cities for relevant contexts. The convolutional filters, which distinguish CNNs from the Fully-connected Neural Networks (FNNs), make them very promising candidates for feature detection in the abundant and easily accessible smart-city data consisting of GIS and BIM models, as well as satellite imagery and sensory outputs. These new, convolutional city users could roam the abstract, digitized spaces of our cities to provide insight into the architectural and urban contexts relevant to design and management processes. This article presents the results of a query of the state-of-the-art applications of Convolutional Neural Networks as architectural “city scrapers” and proposes a new, experimental framework for utilization of CNNs in context scraping in urban scale.

„Data scraping” to termin używany zazwyczaj w kontekście ruchu sieciowego, oznaczający proces automatycznej ekstrakcji danych ze stron internetowych i interfejsów, zaprojektowanych do stosowania przez człowieka. Obecnie blisko dwie trzecie ruchu internetowego jest generowanych przez boty, a nie przez ludzi. Na podobnej zasadzie głębokie splotowe sieci neuronowe (CNN) mogą być stosowane jako narzędzia wyszukujące w miastach stosowne konteksty urbanistyczne. Filtry splotowe, odróżniające CNN od sieci w pełni połączonych (FNN), sprawiają, że są one obiecującymi kandydatami do wykrywania cech ukrytych w zasobnych i łatwo dostępnych danych smart city, składających się z modeli GIS i BiM oraz obrazów satelitarnych oraz innych danych sensorycznych. Filtry splotowe mogą przemierzać abstrakcyjne, cyfrowe przestrzenie naszych miast, dostarczając kontekstów przydatnych w projektowaniu oraz zarządzaniu architektoniczno-urbanistycznym. Artykuł prezentuje wyniki kwerendy źródeł dotyczących najnowszych zastosowań splotowych sieci neuronowych w wydobywaniu danych miejskich i proponuje nowe, eksperymentalne ramy dla wykorzystania CNN w ekstrakcji kontekstów urbanistycznych.