Knowledge Graph

最新推荐文章于 2023-04-02 08:11:51 发布
最新推荐文章于 2023-04-02 08:11:51 发布
阅读量401 收藏 3
点赞数 1
分类专栏： 机器学习 医学图像 文章标签： 自然语言处理 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HLK_1135/article/details/109443818
版权

1、论文汇总
Awesome Knowledge-based Question Answering (KBQA)

2、Mucko：面向视觉问答的多层次跨模态知识推理模型
（HSN师姐组会分享的论文，利用多模态异质图）

3、知识图谱如何入门（东南大学 计算机软件与理论教授）
知识图谱如何入门

4、多模态中NLP与CV融合的一些方式
多模态中NLP与CV融合的一些方式

5、整理知识图谱相关学习资料，提供系统化的知识图谱学习路径。
https://github.com/silvaco/awesome-knowledge-graph

6、知识图谱
https://blog.csdn.net/cooldream2009/category_8360399.html

7、东南大学《知识图谱》研究生课程
https://github.com/npubird/KnowledgeGraphCourse

8、B站 知识图谱（python）机器学习
https://www.bilibili.com/video/BV14a4y1j7mg

9、知识图谱论文集
https://blog.csdn.net/qq_36426650

10、多模态机器学习文章阅读列表
https://github.com/pliang279/awesome-multimodal-ml

11、中文医学知识图谱 CMeKG
http://cmekg.pcl.ac.cn/

K.SHI
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
KG-开源项目：CMeKG【利用自然语言处理与文本挖掘技术，基于大规模医学文本数据，以人机结合的方式研发的中文医学知识图谱】
u013250861的博客
12-01 2237
CMeKG（Chinese Medical Knowledge Graph）是利用与文本挖掘技术，基于大规模医学文本数据，以人机结合的方式研发的中文医学知识图谱。
CMeKG(Chinese Medical Knowledge Graph) Dataset-数据集
03-13
The dataset uses NLP and Text Mining technology to develop Chinese Medical Knowledge Graph. user guide.pdf
机器学习深度学习数据集大汇总
AbnerAI的博客
02-01 3334
本文汇总了NLP 和 CV领域主流的数据集并提供了介绍。
CMeKG代码解读(以项目为导向从零开始学习知识图谱)（一）
chen_nnn的博客
02-06 1万+
作者从零开始学习和知识图谱有关技术和内容，而本文的核心内容是对CMeKG的python代码进行学习和解读，供大家讨论参考共同进步。 CMeKG（Chinese Medical Knowledge Graph）是利用自然语言处理与文本挖掘技术，基于大规模医学文本数据，以人机结合的方式研发的中文医学知识图谱。
The More You Know: Using Knowledge Graphs for Image Classification ——用知识图谱进行图像分类论文
qydsb的博客
12-22 2201
个人的学习记录，有参考 https://blog.csdn.net/sunshine__0411/article/details/82847203?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2.control Abstract
knowledge graph
04-12
knowledge graph
KnowledgeGraph
04-03
知识图
Knowledge Graph Embedding.pptx
09-18
A basic description of knowledge graph embedding models.
LRU 不大行？试试 LIRS
游戈程序员
10-09 819
LRU 不大行？试试 LIRS LIRS 是什么？ Low Inter-reference Recency Set，它和 LRU 一样，是一种内存淘汰策略。继承了 LRU 根据时间局部性预测内存冷热数据的特性，引进了 IRR(Inter-Reference Recency) 和 R (Recency），来增加对冷热数据的预测准确性，从而减少错误的数据淘汰，提高缓存命中率。 既然说到 LIRS 是继承 LRU，那就不得不聊聊 LRU 有哪些优缺点，以及顺便聊聊大佬们还有哪些改进吧。 先来说说 LRU 内存淘
The More You Know: Using Knowledge Graphs for Image Classification ——用知识图谱进行图像分类论文阅读笔记
sunshine__0411的博客
09-26 6231
  Abstract  使人类区别于现代基于学习的计算机视觉算法的一个特征是获得关于世界的知识并使用该知识推理关于视觉世界的能力。人类可以了解物体的特征以及它们之间发生的关系，从而学习各种各样的视觉概念，并且可以通过很少的例子学习。本文研究了知识图谱形式的结构化先验知识在图像分类中的应用，表明利用结构化先验知识可以提高图像分类的性能。我们基于最近关于图的端到端学习的工作，引入Graph S...
Knowledge-Embedded Routing Network for Scene Graph Generation.pdf
08-09
To understand a scene in depth not only involves locating/recognizing individual objects, but also requires to infer the relationships and interactions among them. However, sincethedistributionofreal-worldrelationshipsisseriously unbalanced, existing methods perform quite poorly forthelessfrequentrelationships. Inthiswork,wefindthat the statistical correlations between object pairs and their relationships can effectively regularize semantic space and make prediction less ambiguous, and thus well address the unbalanced distribution issue. To achieve this, we incorporate these statistical correlations into deep neural networks to facilitate scene graph generation by developing a Knowledge-Embedded Routing Network. More specifically, weshowthatthestatisticalcorrelationsbetweenobjectsappearing in images and their relationships, can be explicitly representedbyastructuredknowledgegraph,andarouting mechanism is learned to propagate messages through the graph to explore their interactions. Extensive experiments on the large-scale Visual Genome dataset demonstrate the superiority of the proposed method over current state-ofthe-art competitors.
基于深度学习的图像语义提取与图像检索技术研究
12-12
将深度学习应用于图像语义特征提取中，提出一种无监督的算法与朴素的基于深度学习的图像标注方法。
基于图谱的医学图像分割综述_黎丽华.pdf
06-29
摘要：精确的医学图像分割为能临床诊断提供清晰的解剖信息。目前手动分割被视为分割的金标准，它是临床先验知识很好的应 用，但它具有费时、分割结果不可重现的缺点。基于图谱的分割方法则在利用先验解剖知识的同时，也能很好地重现出分割结果。 它把手动分割好的图像（图谱）配准到目标图像上，然后通过标记传播把图谱的标记映射到目标图像上。基于图谱的分割方法可 以大致地分为基于单图谱的分割方法、基于平均图谱的分割方法、基于多图谱的分割方法以及混合分割方法。本文将对这些基于 图谱的分割方法作出综述。 关键词：图谱；医学图像；配准；分割
The More You Know: Using Knowledge Graphs for Image Classification 论文总结
Jay_Tang的博客
09-02 2524
文章目录往期文章链接目录OverviewIntuitionPrevious WorkMajor ContributionGraph Search Neural Network (GSNN)GSNN ExplanationThree networksDiagram visualizationAdvantageIncorporate the graph network into an image pipelineDatasetConclusion往期文章链接目录 往期文章链接目录 Overview This p
论文笔记：GSNN: The More You Know: Using Knowledge Graphs for Image Classification
flyminnnnn的博客
06-08 2614
Paper, CMU, CVPR 2017 人类有从世界中获取信息并进行推理的能力，可以通过了解物体的特征以及特征之间的的关系来从少量的样本中学习视觉概念。 通过结构化的先验知识以知识图谱的形式来优化image的分类：recognizing, recalling knowledge, reasoning。不再从整体上识别一个物体，而是识别部分特征，通过推理的方式理解物体的类别 方法： pr...
再相逢【知识图谱】中文医学知识图谱CMeKG，中文产科医学知识图谱COKG | 附：图数据库Neo4j下载安装教学(遇到问题并解决) + Neo4j基本操作
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
04-02 1435
本篇文章介绍知识图谱的相关知识。从便于理解的角度切入，给出知识图谱的形象化定义，并介绍了国内的中文医学知识图谱CMeKG，还以用户视角体验了中文产科医学知识图谱。目录二介绍了如何部署安装Neo4j数据库，并解决了部署过程中遇到的一些基础错误，随后介绍了Neo4j图数据库的基础操作。
[正在进行中...] KG & object detection
SARACH_WONG的博客
08-12 5265
文章目录multi-labelThe More You Know: Using Knowledge Graphs for Image ClassificationmodelExperiment multi-label The More You Know: Using Knowledge Graphs for Image Classification 人类和learning-based CV 算法最...
知识图谱综述（初步了解后的总结整理）
陌若安生的博客
01-01 4842
文章目录一、导读二、知识图谱的概念演化三、 什么是知识图谱四、知识图谱的数据类型和存储方式五、知识图谱的架构六、知识图谱的构建技术七、 知识图谱的应用八、总结 注：首先声明，本篇博客是博主在查询知识图谱的资料的时候，看了数篇知识图谱综述以及阅读了相关资料后的一个总结以及自己的相关理解，仅是为了记录学习的过程。如果有侵权，请第一时间联系博主。博主是一位刚接触知识图谱的小白，初学乍练，希望可以每天进步...
CVPR2017 all paper list
热门推荐
一亩半分地
07-26 2万+
本文给出了CVPR2017的最新的paperlist
knowledge graph课程
最新发布
12-04
知识图谱课程是一门专注于教授知识图谱理论和实践的课程。在这门课程中，学生将学习如何构建、表示、存储和查询知识图谱，以及如何应用知识图谱在各个领域中解决问题。 在知识图谱课程中，学生将了解知识图谱的基本...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值