.png){kind=icon}
返回
Classifying and mining design diagrams in source code repositories using transfer learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.array.2025.100656.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文报道了使用迁移学习和微调技术实现设计图分类器的方法。研究中，我们构建了一个包含5981张图像的标注数据集，识别以下设计图类别：无设计图、活动图、顺序图、类图、组件图、用例图和云图。随后利用该数据集、迁移学习和微调技术，基于在ImageNet上预训练的模型，训练了一个专门的DenseNet169卷积网络。新训练的网络预测准确率达到98.6%（0.986±0.0017），F1得分为98.3%（0.983±0.0025）。随后采用代码仓库挖掘技术分析了2,469,206张图像（相当于231 GB数据），这些数据来自287,201个代码仓库。分析表明，设计图相对于项目演进往往过时；平均而言，设计图最后更新时间比代码仓库最新提交时间早554天。这一显著滞后表明，尽管设计图存在，但实践者主要依赖源代码作为活的设计工件。
Keyword:
Repository mining
Neural networks
Deep learning
Multiclass classification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
942
被引数:
1.2K
机构
暂无机构信息
引用论文
分享收藏Exploring the efficacy of transfer learning in mining image-based software artifacts探索迁移学习在挖掘基于图像的软件工件中的功效.png)
JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏
分享收藏Exploring the applicability of low-shot learning in mining software repositories探索低射学习在挖掘软件库中的适用性JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏 没有更多内容
没有更多内容