不干胶标签贴标系统的分类

该文设计了一种协作不干胶标签修正网络(COLC-Net).该方法基于乳腺超声BI-RADS评级噪音分布特点,为乳腺超声图像定义了软不干胶标签,并设计了双网络协作训练,以蒸馏知识修正软不干胶标签.随着软不干胶标签准确性的增加,可以降低噪音不干胶标签负作用,并增强准确不干胶标签知识的学习.与现有最新方法进行比较,结果证实了该方法具有更好的效果.

 针对M LKNN算法仅对独立不干胶标签进行处理,忽略现实世界中不干胶标签之间相关性这一问题,提出了一种基于关联规则的MLKNN多不干胶标签分类算法(FP-MLKNN).该算法采用关联规则算法挖掘不干胶标签之间的高阶相关性,并用不干胶标签之间的关联规则改进MLKNN算法,以达到提升分类性能的目的.首先,使用M LKNN算法求样本的特征置信度;采用关联规则算法挖掘生成一系列强关联规则,进而将2种算法进行融合来构造多不干胶标签分类器,对新不干胶标签进行预测;在此基础上,将本文提出的算法与MLKNN、AdaBoost-M H和BPMLL这3种算法进行实验对比.实验结果表明,本文所提算法在yeast、emotions和enron数据集上的分类性能均优于这3种算法,具有较好的分类效果.

 目前大部分多不干胶标签文本分类算法忽视文本序列中不同词的重要程度、不同层次文本特征的影响,提出一种ATT-Capsule-BiLSTM模型,使用多头注意力机制(Multi-head Attention),结合胶囊网络(CapsuleNet)与双向长短期记忆网络(BiLSTM)方法.将文本序列向量化表示,在词向量的基础上通过多头注意力机制学习单词的权重分布.通过胶囊网络和BiLSTM分别提取局部空间信息和上下文时序信息的特征表示,通过平均融合后,由sigmoid分类器进行分类.在Reuters-21578和AAPD两个数据集上进行对比实验,实验结果表明,提出的联合模型在使用简单架构的情况下,达到了较好的性能,F1值分别达到了89.82％和67.48％.

 研究设计了通用不干胶标签的贴标系统,其主要由送标机构、剥离机构、贴标机构及控制装置组成.将不干胶标签剥离和贴附两个工艺动作设置在不同的工位,在其间增加移标动作.此种设计使之可适用于平面或曲面形物体外表面或无盖箱型物体内表面的贴标,有助于实现不干胶贴标机的标准化、通用化.

http://www.fullrich-hk.com/