目錄

• 論文閱讀前期準備
• • 前期知識儲備
  • 學習目標
• 論文導讀
• • 論文研究背景、成果及意義
  • 論文泛讀
  • • 論文結構
    • 摘要
• 論文精讀
• • CRCNN模型
  • PCNN模型
  • 論文總結

論文閱讀前期準備

前期知識儲備

學習目標

論文導讀

論文研究背景、成果及意義

回顧


Bootstrapping


遠程監督

多示例學習

分類損失函數

加權softmax損失函數應用的場景是類別的不平衡，類別不平衡的解決方案：正采樣和負采樣的方式、在損失函數上，對于類別數比較少的權重進行提高。

問題的提出

研究成果

歷史意義

論文泛讀

論文結構

CRCNN

PCNN

摘要

CRCNN

PCNN

論文精讀

CRCNN模型

論文網絡結構：

• 位置特征
• 詞特征
• 卷積+最大池化

CRCNN損失函數：

• Rankloss最大化負樣本邊界
• 對于other類特殊處理：loss設置為0
  
  CRCNN實驗
  
  
  

PCNN模型

網絡結構

Piecewise max pooling

dropout

多示例學習

PCNN實驗

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

論文總結

總結

以上是生活随笔為你收集整理的CRCNN PCNN的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。