目錄

• 論文閱讀前期準(zhǔn)備
• • 前期知識儲(chǔ)備
  • 學(xué)習(xí)目標(biāo)
• 論文導(dǎo)讀
• • 論文研究背景、成果及意義
  • 論文泛讀
  • • 論文結(jié)構(gòu)
    • 摘要
• 論文精讀
• • CRCNN模型
  • PCNN模型
  • 論文總結(jié)

論文閱讀前期準(zhǔn)備

前期知識儲(chǔ)備

學(xué)習(xí)目標(biāo)

論文導(dǎo)讀

論文研究背景、成果及意義

回顧


Bootstrapping


遠(yuǎn)程監(jiān)督

多示例學(xué)習(xí)

分類損失函數(shù)

加權(quán)softmax損失函數(shù)應(yīng)用的場景是類別的不平衡，類別不平衡的解決方案：正采樣和負(fù)采樣的方式、在損失函數(shù)上，對于類別數(shù)比較少的權(quán)重進(jìn)行提高。

問題的提出

研究成果

歷史意義

論文泛讀

論文結(jié)構(gòu)

CRCNN

PCNN

摘要

CRCNN

PCNN

論文精讀

CRCNN模型

論文網(wǎng)絡(luò)結(jié)構(gòu)：

• 位置特征
• 詞特征
• 卷積+最大池化

CRCNN損失函數(shù)：

• Rankloss最大化負(fù)樣本邊界
• 對于other類特殊處理：loss設(shè)置為0
  
  CRCNN實(shí)驗(yàn)
  
  
  

PCNN模型

網(wǎng)絡(luò)結(jié)構(gòu)

Piecewise max pooling

dropout

多示例學(xué)習(xí)

PCNN實(shí)驗(yàn)

與其他方法相比，Piecewise Max Pooling + Multi-instance Learning可以得到更好的結(jié)果：

論文總結(jié)

總結(jié)

以上是生活随笔為你收集整理的CRCNN PCNN的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。