當今世界每時每刻都有許多真實事件在發(fā)生,如公共安全事件(游行示威、火災(zāi)車禍等)、體育娛樂事件(體育比賽、演出表演等)等等。其中,網(wǎng)上新聞媒體和社交媒體等互聯(lián)網(wǎng)數(shù)據(jù)平臺是人們得知現(xiàn)實世界事件發(fā)生的主要途徑。通過互聯(lián)網(wǎng)數(shù)據(jù)進行事件檢測具有十分重要的意義。本文主要針對兩種常見場景的事件檢測問題進行研究,即單數(shù)據(jù)源下的多模態(tài)事件檢測與基于遷移學(xué)習(xí)的不同數(shù)據(jù)源的同構(gòu)事件檢測。對于單數(shù)據(jù)源下的多模態(tài)事件檢測,其主要存在著標簽樣本少的問題,本文提出一個深度逐層堆疊模型,通過充分利用多模態(tài)特征來對解決現(xiàn)實場景中標定樣本稀少的問題。該模型由Dropout模塊、Block模塊和Detector模塊組成,其中,Dropout模塊避免了模型的過擬合、Block模塊利用多個分類器對多模態(tài)數(shù)據(jù)進行融合、Detector模塊決定模型的深度。對于基于遷移學(xué)習(xí)的不同數(shù)據(jù)源的同構(gòu)事件檢測,本文提出基于聯(lián)合分布適配的最大化分類器差異模型的遷移學(xué)習(xí)方法來解決異源數(shù)據(jù)之間的遷移問題。其一方面通過最小化最大均值差異距離以減少不同源數(shù)據(jù)之間的聯(lián)合分布差異,另一方面利用兩個分類器之間的差異進行對抗學(xué)習(xí)使生成器生成上生成的不同源數(shù)據(jù)之...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1Word2vec兩種模型的示意圖

第二章預(yù)備知識以一個CBOW模型的例子來說明該過程。對于一個句子“Iamnotanenginee取上下2個單詞作為輸入，即輸入為4個單詞，輸出為詞語“not”。由于有數(shù)，通過反向傳播算法，可以訓(xùn)練出一個生成詞向量的模型�；谠撍惴ň咛卣鞅硎灸芰�，本文對于文本....

圖2-2Vgg網(wǎng)絡(luò)模型示意圖

圖2-2Vgg網(wǎng)絡(luò)模型示意圖[34]Fig.2.2ThediagramofVggnetmodel[34]、池化層以及激活函數(shù)組成。其中，卷積層通過卷積操作提取圖像中卷積的特征留了圖像的空間結(jié)構(gòu)；池化層是為了減小圖像發(fā)生旋轉(zhuǎn)或變形產(chǎn)生的影響；激活則是使模型具備非線....

圖2-3卷積操作示意圖

Fig.2.2ThediagramofVggnetmodel[34]以及激活函數(shù)組成。其中，卷積層通過卷積操作提取圖像中的空間結(jié)構(gòu)；池化層是為了減小圖像發(fā)生旋轉(zhuǎn)或變形產(chǎn)生的型具備非線性特征，使模型有更強的擬合能力。積與池化操作核中，有許多可學(xué)習(xí)的參數(shù)變量，每個卷積核對....

圖2-4池化示意圖

卷積操作是通過卷積核對輸入圖像進行“遍歷”，最后得卷積操作的一些其它參數(shù)，如卷積的步長與是否填充。卷積的步在輸入圖片上滑動的步伐，是否填充指的是當原圖與卷積核大小不圖像的周圍像素點填充“0”.，在卷積層之后進行池化的操作，又叫采樣操作。因為卷積層是采行卷積，使得相鄰像素點之間的信....

本文編號：3918748