目录
- 论文阅读前期准备
- 前期知识储备
- 学习目标
- 论文导读
- 论文研究背景、成果及意义
- 论文泛读
- 论文结构
- 摘要
- 论文精读
- CRCNN模型
- PCNN模型
- 论文总结
论文阅读前期准备
前期知识储备
学习目标
论文导读
论文研究背景、成果及意义
回顾
Bootstrapping
远程监督
多示例学习
分类损失函数
加权softmax损失函数应用的场景是类别的不平衡,类别不平衡的解决方案:正采样和负采样的方式、在损失函数上,对于类别数比较少的权重进行提高。
问题的提出
研究成果
历史意义
论文泛读
论文结构
CRCNN
PCNN
摘要
CRCNN
PCNN
论文精读
CRCNN模型
论文网络结构:
- 位置特征
- 词特征
- 卷积+最大池化
CRCNN损失函数:
- Rankloss最大化负样本边界
- 对于other类特殊处理:loss设置为0
CRCNN实验
PCNN模型
网络结构
Piecewise max pooling
dropout
多示例学习
PCNN实验
与其他方法相比,Piecewise Max Pooling + Multi-instance Learning可以得到更好的结果:
论文总结