多模態數據融合與挖掘技術 薛哲 9787563572915 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：北京郵電大學
物品所在地：中國大陸
原出版社：北京郵電大學
NT$286
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202407*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：多模態數據融合與挖掘技術 ISBN：9787563572915 出版社：北京郵電大學 著編譯者：薛哲 頁數：124 所在地：中國大陸 *此為代購商品 書號：1670862 可大量預訂，請先連絡。 內容簡介 隨著5G和互聯網技術的快速發展，用戶可以非常方便、靈活地將不同類型的數據共享到互聯網，各類網路平台上出現了海量的文本、圖像、視頻等多模態數據。因此亟鬚髮展高效的多模態數據融合與挖掘技術，以從海量的多模態數據中獲得有價值的信息。本書圍繞多模態學習的融合與挖掘這兩個關鍵任務，針對多模態數據特徵缺失、標註缺失、關聯複雜隱匿、學習結果不可靠等問題，從多模態數據聚類、多模態數據半監督分類、多模態數據可信分類等方面深入介紹一系列多模態數據融合與挖掘方法，並在不同數據集上通過大量實驗驗證本書所提出方法的有效性。本書可作為高等院校計算機、人工智慧等相關專業本科生和研究生的教材，也可作為相關領域的科研與工程技術人員的重要參考書。目錄 第1章 緒論1 1 研究背景 1 2 存在的挑戰 1 3 本書主要內容 第2章 研究現狀 2 1 本章導讀 2 2 多模態聚類 2 3 多模態分類 第3章 基於聚類引導自適應結構增強網路的多模態聚類方法 3 1 本章導讀 3 2 方法設計 3 2 1 定義問題 3 2 2 多模態自編碼器模塊 3 2 3 自適應多模態圖結構提取模塊 3 2 4 聚類引導的結構增強模塊 3 2 5 總損失函數 3 2 6 網路的訓練方法 3 3 實驗分析 3 3 1 數據集 3 3 2 對比方法和評價準則 3 3 3 實驗設置 3 3 4 實驗結果 3 3 5 參數敏感性分析 本章小結 第4章 基於魯棒多樣化圖對比學習的多模態聚類方法 4 1 本章導讀 4 2 相關工作 4 3 方法設計 4 3 1 預備知識 4 3 2 多模態統一和特定編碼網路 4 3 3 圖內的對比正則化 4 3 4 圖間的對比正則化 4 3 5 聚類引導的圖對比正則化 4 3 6 目標函數與求解 4 4 實驗分析 4 4 1 數據集 4 4 2 對比方法 4 4 3 評價準則 4 4 4 實驗設置 4 4 5 實驗結果 4 4 6 參數敏感性分析 4 4 7 消融實驗 本章小結 第5章 基於深度神經網路的魯棒多模態聚類方法 5 1 本章導讀 5 2 相關工作 5 3 基於深度神經網路的魯棒多模態聚類方法 5 3 1 細粒度特徵提取模塊 5 3 2 基於自注意力的細粒度特徵增強模塊 5 3 3 統一多模態聚類模塊 5 4 優化求解 5 5 實驗分析 5 5 1 數據集 5 5 2 對比方法 5 5 3 評價準則 5 5 4 實驗分析 本章小結 第6章 基於深度相關預測子空間學習的半監督多模態數據語義標註方法 6 1 本章導讀 6 2 方法設計 6 2 1 預備工作 6 2 2 問題描述 6 3 優化方法 6 3 1 深度矩陣分解模型的預訓練 6 3 2 更新Zi（v） 6 3 3 更新Hm（v） 6 3 4 更新Si（v） 6 3 5 更新Wi和Wp（v） 6 3 6 更新F 6 3 7 複雜度分析 6 4 實驗分析 6 4 1 實驗設置 6 4 2 實驗結果 本章小結 第7章 基於深度受限低秩子空間學習的多模態半監督分類方法 7 1 本章導讀 7 2 方法 7 2 1 預備知識 7 2 2 問題提出 7 2 3 優化方法 7 3 實驗分析 7 3 1 實驗設置 7 3 2 實驗結果 本章小結 第8章 基於置信度評估的可信多模態分類方法 8 1 本章導讀 8 2 相關工作 8 3 方法設計 8 3 1 多模態增強編碼及一致性和判別性學習 8 3 2 多模態置信度感知融合 8 3 3 多模態分類正則化 8 3 4 總的損失函數 8 4 實驗分析 8 4 1 數據集 8 4 2 模型設計與訓練 8 4 3 實驗結果 本章小結 第9章 結束語 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
