典型文献
基于图注意力网络的多标签图像分类模型
文献摘要：
针对ML-GCN中标签共现嵌入维度过高影响模型分类性能和ML-GCN中没有充分发掘标签之间不对称关系的问题,提出一种基于图注意力网络的多标签图像分类模型ML-GAT;ML-GAT模型首先对高维标签语义嵌入矩阵进行降维;然后通过降维后的低维标签语义嵌入表示和标签类别共现图得到标签共现嵌入;与此同时ML-GAT将多标签原始图像输入卷积神经网络进行图像通用特征提取,将卷积神经网络提取出的多标签图像通用特征按照图注意力网络计算得到的标签共现嵌入的维度进行维度统一;最后ML-GAT融合标签共现嵌入和图像通用特征得到每一张多标签图像的标签预测评分;在VOC 2007与MS-COCO 2014上的实验结果表明:在训练样本充分且标签类别数足够多的情况下,ML-GAT取得了较好的实验结果,通过和其他模型比较分析,ML-GAT模型所采取的策略可以一定程度上提升模型的多标签图像分类性能.
文献关键词：
多标签分类;图注意力网络;卷积神经网络;深度学习
中图分类号：
作者姓名：
张辉宜;张进;黄俊
作者机构：
安徽工业大学 计算机科学与技术学院,安徽 马鞍山243000
文献出处：
引用格式：
[1]张辉宜;张进;黄俊-.基于图注意力网络的多标签图像分类模型)[J].重庆工商大学学报（自然科学版）,2022(01):34-41
A类：
B类：
图注意力网络,多标签图像分类,分类模型,ML,GCN,中标,高影响,影响模型,模型分类性能,GAT,高维,标签语义,语义嵌入,低维,嵌入表示,原始图像,融合标签,和图像,征得,预测评分,VOC,COCO,训练样本,别数,模型比较,多标签分类
AB值：
0.226824
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
