convolutional 第12页

Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks翻译

Cluster-GCN:AnEfficientAlgorithmforTrainingDeepandLargeGraphConvolutionalNetworksABSTRACT问题：训练大规模的GCN仍然具有挑战性，当前基于SGD的算法的计算成本随着GCN层数的增长呈指数增长。方法：Cluster-GCN算法，利用图的聚类结构，适用于基于奇异值分解的训练。原理：每次对由图聚类算法识别的密集子图相

歌者And贰向箔·2022-12-26 11:49

图神经网络（二十六）Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networ

本文收录于KDD2019，作者来自国立台湾大学。图卷积网络已经成功地应用于许多基于图数据的应用，然而，但对于大型GCN来说其训练仍然具有挑战性，目前基于SGD的算法要么面临着随GCN层数呈指数增长的高昂计算成本，要么面临着保存整个图形和每个节点的embedding到内存的巨大空间需求。本文作者提出了基于图聚类优化的图卷积神经网络（Cluster-GCN），使得图卷积神经网络计算效率能在时间空间收敛

码匀·2022-12-26 11:19

Cluster-GCN: An Efficient Algorithm for Training Deep andLarge Graph Convolutional Networks

论文来源：InThe25thACMSIGKDDConferenceonKnowledgeDiscoveryandDataMining(KDD’19),August4–8,2019,Anchorage,AK,USA.ACM,NewYork,NY,USA,10pages.作者：Wei-LinChiang论文题目：Cluster-GCN:AnEfficientAlgorithmforTrainingDe

huanglkgege·2022-12-26 11:47

Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heter---

AttentionalGraphConvolutionalNetworksforKnowledgeConceptRecommendationinMOOCsinaHeterogeneousView目录AttentionalGraphConvolutionalNetworksforKnowledgeConceptRecommendationinMOOCsinaHeterogeneousView论文十问

smile_point·2022-12-26 00:13

DC-GAN：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks(2015)简述：目前CNN已经在有监督学习中取得成功，本文提出的DCGANs希望能够帮助弥补CNNs在监督学习的成功和非监督学习方面之间的差距。问题or相关工作：本文使用训练有素的鉴别器进行图像分类任务，显示出与其他无监督算法的竞

用GAN得有GPU·2022-12-25 19:09

《Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks》论文阅读

文章目录文章介绍文章模型通过依赖树构建图学习特定方面实体的表示总结文章地址：https://www.sciencedirect.com/science/article/pii/S0950705121009059文章介绍最近，图卷积神经网络因为其优越的性能（能很好的考虑词语间的依赖）被广泛的应用在自然语言处理任务当中。其一般方式为首先将文本转化为邻接矩阵的形似，然后结合文本的特征表示即可输入到G

jst100·2022-12-25 10:57

时空图神经网络（Spatio-Temporal Graph Convolutional Networks，STGCN）原理与代码

目录时空图神经网络（STGCN）结构时空图神经网络（STGCN）代码stgcn.pymain.pyutils.py[github地址](https://github.com/FelixOpolka/STGCN-PyTorch)原文链接时空图神经网络（STGCN）结构时空图神经网络（STGCN）能够捕获输入图结构数据中的时空关联性特征，STGCN由时空卷积模块（spatio-temporalconv

未央君@·2022-12-25 08:44

CVPR2018 Spotlight 《Decoupled Networks》读后感

首先要明确的最顶层的概念是：CNN是一个visualrepresentationlearning的过程，所有的convolutionalfilterswi是学到的featurestemplate，每一个convolutional

Trasper1·2022-12-25 07:25

【机器学习】卷积层，池化层，全连接层，BN层作用；CNN 网络参数数量的计算

官方文档：https://keras.io/layers/convolutional/#zeropadding2dhttps://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.htmlVGG16

XR要做有思考的笔记·2022-12-25 04:04

深度学习笔记（二）卷积层 Convolutional tf.keras.layers.conv2D

如何理解tf.keras.layers.Conv2D（）在介绍，此函数之前，我们先了解卷积层在深度学习中的作用：什么卷积卷积是指将卷积核应用到某个张量的所有点上，通过卷积核在输入的张量上滑动而生成经过滤处理的张量。不同的卷积核对图像中不同特征的敏感程度不同，因此不同的卷积核提取的图像特征不同卷积层完成的是：对图像特征的提取或者信息匹配tf.keras.layers.Conv2D（）的函数参数具体如

咸鱼小姐-coding·2022-12-25 04:30

keras卷积层理解

keras卷积层1卷积中的输出shape2以一个模型为例来说明1卷积中的输出shape官方api注释，来自:https://keras.io/zh/layers/convolutional/'参数如下'

溯水襄陵_·2022-12-25 04:58

论文笔记（三）：PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes

PoseCNN:AConvolutionalNeuralNetworkfor6DObjectPoseEstimationinClutteredScenes文章概括摘要1.介绍2.相关工作3.PoseCNNA.网络的概述B.语义标签C.3D平移估计D.3D旋转回归4.YCB-Video数据集A.6D姿势注释B.数据集特征5.实验A.数据集B.评价指标C.实施细节D.基线E.旋转回归损失的分析F.YC

墨绿色的摆渡人·2022-12-25 01:37

论文阅读笔记《PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes》

核心思想本文提出一种基于卷积神经网络的物体分割与位姿估计的方法（PoseCNN）。如下图所示，输入图像经过卷积层特征提取之后，分成三个任务分支：语义分割、平移矩阵预测和旋转矩阵（四元数）预测。最后结合三个分支的预测结果，得到每个物体的位姿估计。语义分割分支采用了常见的全卷积神经网络方法。平移矩阵的预测并不是直接通过回归的形式输出中心点坐标，因为这种方法当中心点被遮挡时容易失效。而是预测物体

深视·2022-12-25 01:01

笔记：PoseCNN:A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes

PoseCNN:AConvolutionalNeuralNetworkfor6DObjectPoseEstimationinClutteredScenes(Robotics:ScienceandSystems2018)原文：https://arxiv.org/abs/1711.00199代码和数据集：https://rse-lab.cs.washington.edu/projects/posecn

kadima_WEI·2022-12-25 01:56

AlexNet论文学习笔记：ImageNet Classification with Deep Convolutional Neural Networks

AlexNet论文学习笔记：ImageNetClassificationwithDeepConvolutionalNeuralNetworks文章目录AlexNet论文学习笔记：ImageNetClassificationwithDeepConvolutionalNeuralNetworks前言一、研究背景二、结构三、网络结构四、训练技巧五、实验结果分析总结前言最近复习了经典论文AlexNet，想

walyn lee·2022-12-24 14:27

论文阅读：Two-Stream Convolutional Networks for Action Recognition in Videos

**论文阅读：Two-StreamConvolutionalNetworksforActionRecognitioninVideos**摘要主要研究如何使用深度卷积神经网络去做视频里的动作识别，难点在于同时学到appearance信息，又能学到motion信息（appearance信息就是从静止的图像上获得这种，包括了物体的形状、大小、颜色以及整体场景信息；motion信息就是物体之间的这个移动信

青石板路zff·2022-12-24 14:13

Structured Sequence Modeling With Graph Convolutional Recurrent Networks

https://davidham3.github.io/blog/2018/07/23/structured-sequence-modeling-with-graph-convolutional-recurrent-networks

zzx3163967592·2022-12-24 10:22

Time-Evolving Graph Convolutional Recurrent Network for Traffic Prediction论文笔记

Time-EvolvingGraphConvolutionalRecurrentNetworkforTrafficPrediction总结本文提出了一种基于时间演化图卷积递归网络的流量预测模型。该方法采用张量分解方法生成自适应时间演化图（随时间变化的动态邻接矩阵），然后将这些时间演化图的图卷积模块集成到RNN结构中。在两个真实的交通数据集上的实验表明，TEGCRN比多个竞争基线模型更有优势，尤其

不想搞IT呀·2022-12-24 10:22

卷积层数据放大_Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecast.

问题背景：交通流量预测忽略时空依赖性。提出模型：Spatio-TemporalGraphConvolutionalNetworks(STGCN)。insteadof常规卷积和递归单元，本文在图上公式化问题，并使用完整的卷积结构构建模型，使得以更少的参数实现更快的训练速度。流量预测分为：短期(5-30min)，中长期(>30min)。RNN迭代训练会累积误差，并且难训练，计算量大。为了解决RNN内在

芒果绵绵冰·2022-12-24 10:51

Dynamic Graph Convolutional Recurrent Network for Traffic Prediction Benchmark and Solution

DynamicGraphConvolutionalRecurrentNetworkforTrafficPrediction:BenchmarkandSolution1.文章概述1.1当前不足交通图拓扑的动态特性需要进一步建模。预定义邻接矩阵和自适应邻接矩阵都是随时间变化的静态矩阵，不足以反映现实中路网拓扑的动态特性。静态的基于距离的图和动态的基于属性的图从不同的角度描述了交通网络的拓扑结构，因此将

wwj灬·2022-12-24 10:21

2018 Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting

2018[STGCN]Spatio-TemporalGraphConvolutionalNetworks:ADeepLearningFrameworkforTrafficForecasting这是一篇比较早的文章了，之前看过去没有详细写笔记，现在由于复习到GCN相关知识，想要更加深入的了解，于是在此简单记录一下本文的主要思路。如果搜本篇论文到我的博客，请转身去知乎，这位大佬讲的很详细，而且详细复现

小卜妞~·2022-12-24 10:50

Deep Variational Graph Convolutional Recurrent Network for Multivariate Time Series Anomaly Detect

多元时间序列异常检测是数据挖掘和服务质量管理的重要任务。最近的许多异常检测工作都集中在设计无监督概率模型，以提取MTS的鲁棒正常模式。将其与自适应变分图卷积循环网络(VGCRN)相结合，对MTS中的空间和时间细粒度相关性进行建模。为了探索分层的潜在表示，进一步将VGCRN扩展为一个深度变分网络，在不同层捕获多级信息，对噪声时间序列具有鲁棒性。提出了一种向上向下的变分推理方案，同时考虑了基于预测和基

西西弗的小蚂蚁·2022-12-24 10:49

Simplifying Graph Convolutional Networks

背景对图神经网络的简化，WUF,ZHANGT,JR.AHS,etalSimplifyingGraphConvolutionalNetworks.ICML模型SGCN(SimplifyingGraphConvolutionalNetworks)是图神经网络的简化。SGCN指出图神经网络对特征进行邻近节点聚合后相当于多层线性感知机。多层神经网络目的是通过拟合非线性函数划分不同的数据类别。SGCN假定非

Starry memory·2022-12-24 08:11

CNN时间序列异常检测——Time Series Anomaly Detection Using Convolutional Neural Networks and Transfer Learning

TimeSeriesAnomalyDetectionUsingConvolutionalNeuralNetworksandTransferLearning使用卷积神经网络和转移学习的时间序列异常检测2019时间序列异常检测在自动化监控系统中发挥着关键作用。与时间序列异常检测相关的最先前的深度学习努力基于经常性的神经网络（RNN）。文章提出了一种基于卷积神经网络（CNN）的时间序列分割方法进行异常检

KrystalKarlieKarina·2022-12-24 08:09

Signed Graph Convolutional Network论文阅读笔记

符号图存在正负边。在SGCN算法中，利用平衡理论在各个层之间聚合和传播信息。设计SGCN的难点在于：因为负向边与正向边本质上是不同的，如何正确地处理负向边？如何在同一个模型里边联合正向边和负向边来学习节点表征。论文的主要贡献在于：3.基于平衡理论设计了SGCN算法。4.构建了SGCN的目标函数来高效地学习低维表征。在论文的邻接矩阵中以111表示正向边，−1-1−1表示负向边，000表示无边。在符号

SXxtyz·2022-12-24 08:09

MAD-SGCN: Multivariate Anomaly Detection with Self-learning Graph Convolutional Networks

当今的信息物理融合系统(cps)是大型且复杂的数据密集型系统。为了准确、及时地检测可能发生的入侵或故障，需要对大量相互连接的传感器和执行器产生的数据进行持续监测和分析。近年来，基于深度学习的多变量时间序列无监督异常检测技术被提出，用于检测CPSs攻击。然而，目前的方法要么受限于其表示学习方法，无法同时有效地编码时间和空间信息，要么无法在没有明确了解不同变量或传感器之间的内部关系的情况下容易扩展到其

西西弗的小蚂蚁·2022-12-24 08:39

Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 论文笔记

Spatio-TemporalGraphConvolutionalNetworks:ADeepLearningFrameworkforTrafficForecasting论文笔记-----GCN在交通领域的应用（二）一、论文翻译：1、摘要：及时准确地交通预测对于城市交通控制和指导具有至关重要的意义。由于交通流量的非线性和复杂性，传统的方法不能满足中长期预测任务的需求，并且往往会忽略时空数据的时间和

circle_yy·2022-12-24 06:41

深度学习论文阅读图像分类篇（一）：AlexNet《ImageNet Classification with Deep Convolutional Neural Networks》

深度学习论文阅读图像分类篇（一）：AlexNet《ImageNetClassificationwithDeepConvolutionalNeuralNetworks》Abstract摘要1.Introduction引言2.TheDataset数据集3.TheArchitecture架构3.1非线性ReLU函数3.2在多GPU上训练3.3局部响应归一化3.4重叠池化3.5整体架构4.减少过拟合4.1

Jasper0420·2022-12-23 12:23

PoseCNN(A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes)复现记录

PoseCNN:ACbjonvolutionalNeuralNetworkfor6DObjectPoseEstimationinClutteredScenes挖个坑，希望研究位姿估计的人大家一起来交流。一、环境搭建1、PangolinPangolin是对OpenGL进行封装的轻量级的OpenGL输入/输出和视频显示的库。可以用于3D视觉和3D导航的视觉图，可以输入各种类型的视频、并且可以保留视频和

Robot_Sun56·2022-12-23 12:45

论文笔记01——PoseCNN：A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes

参考链接：https://blog.csdn.net/nwu_NBL/article/details/83176353论文标题：《PoseCNN：杂乱场景中物体6D姿态估计的卷积神经网络》Abstract 机器人与现实世界进行交互时，对已知目标的6D姿态估计至关重要。由于对象的多样性，以及由于对象之间的杂波和遮挡而导致场景的复杂性，使得该问题具有挑战性。本文介绍了一种用于6D目标姿态

qq_40539943·2022-12-23 12:14

PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes—2017（笔记）

PoseCNN：用卷积神经网络估计杂乱场景中目标6D姿态—2017（笔记）文章提出了新的PoseCNN姿态估计网络，通过CNN提取图像特征，然后分三路进行目标分割标签标注、平移估计和姿态估计得到目标6D姿态，其中通过应用新型损失函数，能够较好地估计对称目标。-----------------Occlusion、symmetricobject、onlyRGB摘要PoseCNN，这是一种用于6D目标姿

樱木仙僧·2022-12-23 12:43

论文阅读笔记《Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation》

bro_donkey·2022-12-22 06:59

【论文阅读笔记】Learning Efficient Convolutional Networks through Network Slimming

论文地址：NetworkSlimming论文总结本文提出了一种channel-level的裁剪方案，可以通过稀疏化尺度因子（BN层的scalingfactor）来裁掉“不重要”的channel。文中的方案为：在训练时，对BN层的scalingfactor施加L1L_1L1正则化，在训练网络的同时得到稀疏化的尺度因子；裁掉低于指定阈值的channel；【（1）设定裁剪的百分比；（2）依据百分

时光机ﾟ·2022-12-21 14:15

【异常检测-论文阅读】（CVPR 2022）Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection

来源：RisteaNC,MadanN,IonescuRT,etal.Self-supervisedpredictiveconvolutionalattentiveblockforanomalydetection[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2022:13576-13586.文

不喝可乐不快乐·2022-12-21 09:56

【论文精读】2022_CVPR_Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection

Self-SupervisedPredictiveConvolutionalAttentiveBlockforAnomalyDetection论文地址链接Abstract 在成功的异常检测方法中，有一类方法依赖于对被mask掉信息的预测(例如，patch、未来帧等)并利用与被mask信息相关的重建误差作为异常分数。与相关方法不同，作者提出将基于重建的功能集成到一个新的自监督的预测体系结构模块中。

几帧从前_·2022-12-21 09:25

【论文笔记】【CVPR2022】【异常检测】Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection

[CVPR2022](SSPCAB)Self-SupervisedPredictiveConvolutionalAttentiveBlockforAnomalyDetectionCVPR2022Link:[2111.09099]Self-SupervisedPredictiveConvolutionalAttentiveBlockforAnomalyDetection(arxiv.org)Code

Merengue_l·2022-12-21 09:19

深度伪造检测论文 · Combining EfficientNet and Vision Transformers for Video Deepfake Detection

核心方法EfficientVitConvolutionalCrossViT实验结果实验设置训练推理实验结果DFDC数据测试集上的实验结果在FF++子集上的泛化性能总结核心方法提出有两个Convolutional-Transformer

sevenster·2022-12-21 07:22

【姿态估计文章阅读】Joint Training of a Convolutional Network and a Graphical Model for Human Pose Estimation

一、这是毫无疑问的大佬们的文章，2014年出就发布了第一版本，代码：https://github.com/max-andr/joint-cnn-mrf二、文章的核心思想1、利用CNN做姿态估计，采用heatmap的方式来回归出关键点2、利用人体关键点之间的结构关系，结合马尔科夫随机场的思想来优化预测结果，主要针对于网络预测的falsepostive。三、这是早期的deeplearning应用到姿态

Hi_AI·2022-12-21 06:00

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition之前讲到r-cnn的时候强调，输入CNN的图像尺寸是固定的，这是因为深度卷积网络分为卷积层和全连接层，虽然卷积层对输入图像的大小没有要求，但是全连接层要求图片大小一致。SPP-net可以不管图片的大小/尺度产生一个固定长度的表示方式（representation）

weixin_34295316·2022-12-21 01:41

GNN Algorithms(2): GCN, Graph Convolutional Network

目录GCNAlgorithmBackground传统卷积公式：在graph上不行定义GraphFourier传统Fouriertransformation传统InverseFouriertransformation拉普拉斯算子laplacianoperatorGraphFourierInverseGraphFourierGraphConvolution图卷积核GraphConvolutionker

天狼啸月1990·2022-12-21 00:50

Biometric spoofing detection by a Domain-aware Convolutional Neural Network

BiometricspoofingdetectionbyaDomain-awareConvolutionalNeuralNetwork标签：antispoofing论文论文出处：201612thInternationalConferenceonSignal-ImageTechnology&Internet-BasedSystems基于经验信息现在很多地方都用CNN网络进行预测，但是有些地方效果很好

qq_28888837·2022-12-20 18:51

论文笔记--ImageNet Classification with Deep Convolutional Neural Networks

ImageNetClassificationwithDeepConvolutionalNeuralNetworksAlexNet–深度学习奠基作之一摘要训练了一个既大又深的深度卷积神经网络模型去在120万张高分辨率的图片上做1000类的分类任务。模型共有5个卷积层，其中一些之后有max-pooling层，有3个全连接层和最后的1000个头的softmax。使训练更快，使用非饱和神经元和两个GPU训

冰羽vee9·2022-12-19 18:30

【论文精读】——使用卷积神经网络进行纹理合成（Texture Synthesis Using Convolutional Neural Networks）

2015-TextureSynthesisUsingConvolutionalNeuralNetworks基本信息作者：LeonA.Gatys，AlexanderS.Ecker，MatthiasBethge期刊：NIPS引用：*摘要：本文介绍了一个基于卷积神经网络特征空间的自然纹理的新模型，该模型为目标识别而优化。该模型的样本具有很高的感知质量，显示了以纯粹的辨别方式训练的神经网络的生成能力。在该

Zency_SUN·2022-12-19 18:51

2021_WWW_Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

[论文阅读笔记]2021_WWW_Self-SupervisedMulti-ChannelHypergraphConvolutionalNetworkforSocialRecommendation论文下载地址：https://doi.org/10.1145/3442381.3449844发表期刊：IW3C2(InternationalWorldWideWebConferenceCommittee)

XingHe_XingHe_·2022-12-19 14:16

【论文阅读笔记】【ARXIV2105】An Efficient Pyramid Split Attention Block on Convolutional Neural Network

源文https://arxiv.org/abs/2105.14447源代码https://github.com/murufeng/EPSANetIntroductionModelPyramidSplitAttention(PSA)在SENet的基础上提出多尺度特征图提取策略，整体结构图如下所示。具体可分为如下四个步骤：SplitandConcat(SPC)模块用于获得空间级多尺度特征图；SEWei

creami11·2022-12-19 11:57

Dual Bidirectional Graph Convolutional Networks for Zero-shot Node Classification

零样本节点分类对于经典的半监督节点分类算法，如被广泛应用于节点分类的图卷积网络(GCN)，是一个非常重要的挑战。为了从未见过的类中预测未标记的节点，零样本节点分类需要将知识从可见的类迁移到未见过的类。在零样本节点分类中，考虑类别之间的关系是至关重要的。然而，GCN只考虑了节点之间的关系，而没有考虑类之间的关系。因此，GCN不能有效地处理零样本节点分类问题。文中提出了一种双双向图卷积网络(DualB

西西弗的小蚂蚁·2022-12-19 10:39

【目标检测】FCOS: Fully Convolutional One-Stage Object Detection

Abstract&Introduction受语义分割模型FullyConvolutionalNetwork启发，提出一种per-pixelprediciton方式的目标检测。anchor-based方法，存在下列问题：（1）训练过程中，需要计算每个anchor和GT的IoU，非常浪费计算资源（2）需要面向任务设计anchor，anchor的sizes，aspectratios和numbers会极大

zzl_1998·2022-12-18 14:10

论文精读：《FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection》

文章目录论文精读摘要（Abstract）1.介绍（Introduction）2.相关工作（RelatedWork）3.方法（Approach）3.1框架总览(FrameworkOverview)3.22D引导的多层次3D预测(2DGuidedMulti-Level3DPrediction)3.3二维高斯分布的三维中心度(3DCenter-nesswith2DGaussianDistribution

zyw2002·2022-12-18 14:37

论文笔记：Visualizing and Understanding Convolutional Networks

一、这篇论文解决什么问题模型为什么表现得好（内在原理）模型怎么样改进（可解释地、可控地）以前方法的局限性：只可以对第一层特征进行可视化，而对高层特征束手无策无法解释每一层的不变性（从不同的图中学到相同的特征）本文的核心技术：DeconvolutionalNetwork(deconvnet)本文可以做到：解释训练集中的哪些pattern可以激活相应的featuremap二、模型基础结构及deconv

foreverbeginnerz·2022-12-18 12:01

文献阅读笔记 Chinese Short Text Classification with Mutual-Attention Convolutional Neural Networks

全文脉络本文中提到的新的模型总体来讲是基于BiLSTM进行改进的一种适用于中文短文本分类的模型。这篇文章的主要使用的数据集也都是中文数据集。一共是使用了6个不同来源的中文数据集。个人感觉本篇文章中的主要的贡献点主要是，将基于字级别的特征和基于词级别的特征进行了一个整合，也就是使用了两个层次共同贡献来的信息，来使得最终的模型不会忽略掉任何一个重要的semanticinformation。从而文中了对

奋斗的海绵·2022-12-18 09:52

推荐频道

convolutional