TY -的A2 -费尔南德斯,胡安·卡洛斯AU - Ly Ngoc问:非盟-做,盯上了k . AU -阮,阿萍x PY - 2019 DA - 2019/07/18 TI -大规模而且对象检索本体和深当地多任务学习SP - 1483294六世- 2019 AB -对象检索在视频监控中发挥着越来越重要的作用,数字营销,电子商务,等。它面临着大规模数据集、不平衡数据、视角、集群背景和细粒度细节(属性)等挑战。本文提出了一种集成对象本体、局部多任务深度神经网络(local multitask deep neural network, local MDNN)、并利用不平衡数据求解器的优点和克服深度学习网络模型的缺点，将大规模对象检索系统的性能从粗粒度级(类别)提高到细粒度级(属性)。我们提出的从粗到细的对象检索(CFOR)系统可以健壮和抵抗上面列出的挑战。据我们所知，我们的CFOR系统的新要点是在统一系统中对象本体、局部多目标神经网络和不平衡数据求解器的相互支持。对象本体支持利用组内关联来提高系统在类别分类、属性分类等方面的性能，支持在大规模数据集上分别进行训练流和检索流以节省训练阶段和检索阶段的计算成本。局部多目标神经网络支持对象本体与原始数据的链接，基于Matthews相关系数的不平衡数据求解器(MCC)解决了数据不平衡在不调整网络结构和数据扩充的情况下有效提高对象本体实现质量的问题。为了评估CFOR系统的性能，我们在DeepFashion数据集上进行了实验。 This paper has shown that our local MDNN framework based on the pretrained NASNet architecture has achieved better performance (14.2% higher in recall rate) compared to single-task learning (STL) in the attribute learning task; it has also shown that our model with an imbalanced data solver has achieved better performance (5.14% higher in recall rate for fewer data attributes) compared to models that do not take this into account. Moreover, MAP@30 hovers 0.815 in retrieval on an average of 35 imbalanced fashion attributes. SN - 1687-5265 UR - https://doi.org/10.1155/2019/1483294 DO - 10.1155/2019/1483294 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -