针对传统图像模式挖掘无法提取全局特征,不具备抽象能力,难以符合实际要求等问题,研究提出采用基于深度相关特征聚类算法来完成云平台用户界面智慧图像设计任务。并在此基础上,引入交叉熵损失、三元损失以及注意力机制来对该算法进行优...针对传统图像模式挖掘无法提取全局特征,不具备抽象能力,难以符合实际要求等问题,研究提出采用基于深度相关特征聚类算法来完成云平台用户界面智慧图像设计任务。并在此基础上,引入交叉熵损失、三元损失以及注意力机制来对该算法进行优化,使得改进后的算法在图像的视觉模式挖掘上能同时满足判别性与频繁性,获得最优解。实验结果显示,在UI Elements Dataset与CIFAR10数据集上,改进后模型的分类准确率分别为0.936和0.978,频率分别为0.464和0.514,且在应用于教育领域时,该模型可提供较好的学习体验。综合表明,研究所提模型能推动改善云平台用户界面智慧图像的视觉体验,为新质生产力的发展提供有力的技术支持。展开更多
文摘针对传统图像模式挖掘无法提取全局特征,不具备抽象能力,难以符合实际要求等问题,研究提出采用基于深度相关特征聚类算法来完成云平台用户界面智慧图像设计任务。并在此基础上,引入交叉熵损失、三元损失以及注意力机制来对该算法进行优化,使得改进后的算法在图像的视觉模式挖掘上能同时满足判别性与频繁性,获得最优解。实验结果显示,在UI Elements Dataset与CIFAR10数据集上,改进后模型的分类准确率分别为0.936和0.978,频率分别为0.464和0.514,且在应用于教育领域时,该模型可提供较好的学习体验。综合表明,研究所提模型能推动改善云平台用户界面智慧图像的视觉体验,为新质生产力的发展提供有力的技术支持。
