基于去冗余特征和语义关系约束的零样本属性识别

基于生成式的零样本识别方法在生成特征时受冗余信息和域偏移的影响,识别精度不佳.针对此问题,文中提出基于去冗余特征和语义关系约束的零样本属性识别方法.首先,将视觉特征映射到一个新的特征空间,通过互相关信息对视觉特征进行去冗余处理,在去除冗余视觉特征的同时保留类别的相关性,由于在识别过程中减少冗余信息的干扰,从而提高零样本识别的精度.然后,利用可见类和不可见类之间的语义关系建立知识迁移模型,并引入语义关系约束损失,约束知识迁移的过程,使生成器生成的视觉特征更能反映可见类和不可见类之间语义关系,缓解两者之间的域偏移问题.最后,引入循环一致性结构,使生成的伪特征更接近真实特征.在数据集上的实验证实文中方法提高零样本识别任务的精度,并具有较优的泛化性能.     

伪标签置信选择的半监督集成学习视频语义检测

在视频语义检测中,有标记样本不足会严重影响检测的性能,而且伪标签样本中的噪声也会导致集成学习基分类器性能提升不足。为此,提出一种伪标签置信选择的半监督集成学习算法。首先,在三个不同的特征空间上训练出三个基分类器,得到基分类器的标签矢量;然后,引入加权融合样本所属某个类别的最大概率与次大概率的误差和样本所属某个类别的最大概率与样本所属其他各类别的平均概率的误差,作为基分类器的标签置信度,并融合标签矢量和标签置信度得到样本的伪标签和集成置信度;接着,选择集成置信度高的样本加入到有标签的样本集,迭代训练基分类器;最后,采用训练好的基分类器集成协作检测视频语义概念。该算法在实验数据集UCF11上的平均准确率到达了83.48%,与Co-KNN-SVM算法相比,平均准确率提高了3.48个百分点。该算法选择的伪标签能体现样本所属类别与其他类别的总体差异性,又能体现所属类别的唯一性,可减少利用伪标签样本的风险,有效提高视频语义概念检测的准确率。     

一种语义增强的空间关键词搜索方法

空间关键词搜索立足于查找满足用户查询意图且空间距离相近的兴趣点(point of interest, POI),在地图搜索等领域有着广泛的应用.传统的空间关键词搜索方法仅考虑关键词与POI点在文本上的匹配程度,忽略了查询的语义信息,因而会导致相关结果丢失以及无关结果引入等问题.针对传统方法的局限,提出了语义增强的空间关键词搜索方法S3(semantic-enhanced spatial keyword search).该方法对查询关键词中包含的语义信息进行分析,并结合语义相关性和空间距离对POI点进行有效的排序.S3方法主要有以下2个技术挑战：1)如何对语义信息进行分析.为此,S3引入了知识库对POI数据进行语义扩充,并提出了一种基于图的语义距离度量方式.结合语义距离和空间距离,S3给出POI点的综合排序方案.2)如何在大规模数据上即时地返回top-k搜索结果.针对这一挑战,提出了一种新型的语义-空间混合索引结构GRTree(graph rectangle tree),并研究了有效的剪枝策略.在大规模真实数据集上的实验表明,S3不仅能够返回更为相关的结果,而且有着很好的效率和可扩展性.     

面向上行流媒体的压缩感知视频流技术前沿

上行流媒体在军民融合领域展现出日益重要的新兴战略价值,压缩感知视频流技术体系在上行流媒体应用中具有前端功耗低、容错性好、适用信号广等独特优势,已成为当前可视通信研究的前沿与热点之一。本文从阐述上行流媒体的应用特征出发,从性能指标、并行分块计算成像、低复杂度视频编码、视频重构和语义质量评价等方面,分析了当前针对压缩感知视频流的基础理论与关键技术,对国内外相关的研究进展进行了探究与比较。面向上行流媒体的压缩感知视频流面临着观测效率难控、码流适配困难和重建质量较低等技术挑战。对压缩感知视频流的技术发展趋势进行展望,未来将通过前端与智能云端的分工协作,突破高效率的视频观测与语义质量导引视频重构等关键技术,进一步开拓压缩感知视频流在上行流媒体应用中的定量优势与演进途径。     

基于XML的DNA公共数据模型

针对目前DNA数据组织与处理中存在的数据异构问题,提出一个基于XML的DNA公共数据模型（DCDM）。该模型具有很强的可扩展性,能克服一般公共数据模型的作用范围小的缺点,可用于构建DNA研究领域统一的DNA数据描述模式。实验结果表明,该模型能解决DNA数据异构中的语义异构。     

改进DeepLabV3+网络的露天矿挡墙分割方法

为抑制露天矿场复杂环境下的背景干扰,对安全挡墙进行精确的语义分割,提出了一种基于改进DeepLabV3+网络的露天矿安全挡墙分割方法。首先,主干网络采用轻量级的MobileNetV2网络,通过深度可分离卷积和倒残差结构有效降低了网络参数量和计算量。然后,加入混合注意力模块进行通道及空间上的特征强化,可避免边缘信息丢失。最后,利用数据增强和迁移学习解决目标数据集较少的问题,提高模型的泛化能力。实验结果证明,该方法有较好的分割效果,MIOU和MPA分别为8506%、9294%,均优于原网络和其他经典网络模型。该方法能够精确地分割露天矿安全挡墙,有较好的实际应用价值。     

基于CNN-BLSTM的食品舆情实体关系抽取模型研究

食品舆情实体关系抽取是构建食品舆情知识图谱的关键技术,也是当前信息抽取领域的重要研究课题.针对食品舆情中常出现的实体对多关系问题,在卷积神经网络(convolutional neu-ral network,CNN)中引入基于位置感知的领域词语义注意力机制;在双向长短时记忆(bidirectional long shor...     

基于语义通信的低比特率图像语义编码方法

近年来森林火灾给环境与人类带来巨大的损失,传统基于卫星、无人机技术的探测手段效率低且成本高,而布置在山区等偏远地区的大规模传感器网络因性能受限,难以负载大数据量业务,尤其是图片等可以清楚提供现场周围环境变化的有效信息。针对以上问题,本文将基于深度学习与语义通信技术,提出一种图像语义编码方法,对火灾中传感器拍摄到的图片所包含的语义进行提取、编码、传输,在接收端利用对抗生成网络完成从语义到图片的重建,进而实现比传统图像压缩编码方法更加稳定且具有更高压缩比率,从而减轻了传感器网络的负载,其中,为了避免对复杂无线信道的学习,该方法采用成熟的LDPC码进行信道编码,以保证语义传输的可靠性。仿真结果表明,该方法能够实现比传统BPG图片压缩方法具有更低的压缩比特率和更高的清晰度。     

基于 FEF-DeepLabV3+的电力金具锈蚀分割方法

金具锈蚀在输电线路航拍图像中细节丰富且分布不规律,为克服分割检测过程中局部信息丢失、精度低和速度慢等问题,提出基于DeepLabV3+的金具锈蚀语义分割模型。替换其主干网络为轻量化改进MobileNetV3网络加快运算速度,并提出自适应特征金字塔(adaptive feature pyramid, AFP)结构融合多尺度。结合FRN层提出特征融合空洞空间金字塔池化(feature fusion atrous spatial pyramid pooling, FEF-ASPP)结构,能够在加强像素间联系的同时不降低分辨率。最后优化损失函数,提高算子的有效性。实验表明,mIoU和mPA分别达到了87.15%、96.64%,相较于原模型提高了3.09%、4.29%。参数量仅为原模型的48%,推理时间仅为15.94 ms,降低了对设备算力的要求,实现高效高精度、轻量化的输电设备锈蚀缺陷分割检测。     

一种双路网络语义分割模型

深度卷积神经网络对高分辨率遥感影像进行语义分割时,对图像的下采样会造成物体边缘模糊,使分割结果在边缘附近划分不清晰,误分类较多.通过在网络中增加边缘信息可以提升模型对遥感图像的分割能力.因此,提出了一个用于语义分割的双路网络模型,增加一路边缘网络学习目标的边缘特征,并利用边缘特征对分割特征进行细化.同时,作为一个多任务...