卷积深度神经网络在基于文档的自动问答任务中的应用与改进

基于文档的自动问答,尤其是语义匹配,其目标是计算两个文本之间的相似度。这是自然语言处理中的典型任务,并且用以衡量对自然语言的理解程度。深度学习方法得益于可以自动化地学习到给定任务的最优特征表示,在许多研究中取得成功,也包括文本匹配。针对基于文档的自动问答,提出一个基于卷积深度神经网络的语义匹配模型,以便对每一对问题和文档提取特征,并据此计算它们的得分。通过问题和文档之间的交互计算,利用重叠词等文本特征,在中文开放域上的自动问答任务中取得的实际效果证明了该模型的有效性。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

典型相关滤波跟踪算法的比较与分析

为综合评价现有的相关滤波类算法,对典型的相关滤波跟踪器进行全面的比较与分析,从而为进一步完善相关滤波器的设计提供指引。从相关滤波跟踪理论的一般框架切入,重点对当前四种具有代表性的相关滤波跟踪器即KCF,DSST,HCF和ECO展开研究,分别从理论分析以及在大规模公开数据集OTB100上的实验表现详细地比较各算法的优劣。比较与分析结果表明,使用卷积特征的算法在跟踪准确性和鲁棒性上相比单纯使用人工特征的算法具有显著优势,然而跟踪速度也会急剧下降,具有尺度估计模块的跟踪器能够得到更优的跟踪成功图表现。最后对深度学习结合相关滤波方法存在的实时性不足、长时跟踪等问题进行分析,并对未来的发展趋势进行了展望。