Perceptually Grounded Language Learning: Part 2—DETE: A Neural/Procedural Model

In Part 1 of this two-part series, we introduced Katamic memory—a neural network architecture capable of robust sequence learning and recognition. In Part 2, we introduce the Blobs World taskjdomain for language learning and describe the DETE language learning system, which is composed of over 50 Katamic memory modules. DETE currently learns small subsets of English and Spanish via association with perceptual! motor inputs. In addition to Kaiamic memory, DETE employs several other novel features: (1) use of feature planes, to encode visual shapes, spatial relationships and the motions of objects, (2) phase-locking of neural firing, in order to represent focus of atention and to bind objects across multiple feature planes, and (3) a method for encoding temporal relationships, so that DETE can learn utterances involving the immediate past and future. We compare DETE to related models and discuss the implications of this approach for language-learning research.     

Attentional task aptitude and performance anxiety.

Anxious responding (trait, state, and test anxiety) has a negative impact on overt performance. Researchers have used a unidimensional method of assessing anxiety and performance, although a more informative approach would involve a comprehensive assessment battery and multiple performance tasks. Incorporating this strategy, the authors measured the impact of anxiety on 4 attentional processing tasks. Results revealed that "types" of anxiety symptoms were differentially related to attentional task performance; test anxiety accounted for the most variance in predicting performance on the Wechsler Adult Intelligence Scale-Third Edition (D. Wechsler, 1997) letter-number sequencing and digit-span subtests, trait anxiety and fear of negative evaluation were more significant in predicting Stroop performance, and math anxiety accounted for the largest variance toward understanding Paced Auditory Serial Addition Task (C. W. Lejuez, C. W. Kahler, & R. A. Brown, 2003) scores. Theoretical and clinical implications are discussed. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

Linux下高效存储优化的研究

随着数据的指数性增长,存储技术成为信息产业发展的核心动力,存储系统在一定程度上比计算系统和通信系统更加重要。如何高效地存储和优化存储空间,是存储系统急需解决的问题。本文介绍高效存储技术中的RAID技术、重复数据删除技术、数据压缩技术等,并在Linux环境下设计与实现具有高效存储优化特点的应用程序。试验表明该应用程序实现了软件RAID,删除了重复性数据,提高了存储空间利用率,降低了存储能耗。     

基于损失自注意力机制的立体匹配算法研究

针对现有的立体匹配算法在阴影、物体边缘和光照反射等区域匹配困难且存在大量错误结果的问题,设计了一种可拆卸的损失自注意力网络（loss self-attention net,LSAnet）查找图像中的匹配困难区域。LSAnet的网络各层相互稠密连接,应用了空洞卷积来扩大感受野,并以立体匹配算法生成的损失分布为标签,能够动态地进行有监督训练,最终生成匹配困难区域掩膜辅助立体匹配网络进行更好的优化;同时,改进了立体匹配网络中经典的特征匹配代价卷结构,降低了后续3D卷积的计算负荷,提高了匹配效率。实验结果表明,该算法相比于基准算法精度更高,并且可以提高算法对于匹配困难区域的鲁棒性。     

基于APCNN和BiGRU-Att的单词DGA域名检测方法

为了提高对基于单词的域名生成算法（domain generation algorithm,DGA）生成的恶意域名的检测准确率,提出了一种结合改进的并行卷积神经网络（APCNN）和融合简化注意力机制的双向门控循环单元（BiGRU-Att）的网络模型,该模型能充分学习单词特征、单词之间的组合关系和关键字符信息。实验结果表明,相比Bilbo和CL模型,APCNN-BiGRU-Att模型的分类准确率和F1值更高,表明该模型具有更好的检测效果、多分类效果和稳定性。     

基于多通路融合网络的高速公路雾天能见度等级识别

雾天是影响高速公路交通安全的重要因素。研究从监控图像进行高速公路雾天能见度的自动识别方法可以为交通管理部门的智能管理和决策提供技术支持。根据大气散射模型分析出与雾浓度相关的多个物理因素,提出了综合这些物理因素的多通路融合识别网络。该网络使用三个通路联合学习深度视觉特征、传输矩阵特征和场景深度特征,并设计注意力融合模块来自适应地融合这三类特征以进行能见度等级识别。同时构建了一个合成数据集和一个真实的高速公路场景数据集,用于网络参数学习和性能评估。实景数据集中的图像是从中国多条高速公路的监控视频中收集的。在这两个数据集上的实验表明,所提方法可以适应不同的监控拍摄场景,能够比现有方法更准确地识别能见度等级,有效提升了识别精度。     

局部特征表征的6D位姿估计算法

为解决有纹理模型在遮挡条件下6D位姿估计精确度不高的问题,提出了一种局部特征表征的端到端6D位姿估计算法。首先为了得到准确的定位信息,提出了一个空间—坐标注意力机制（spatial and coordinate attention）,通过在YOLOv5网络中加入空间—坐标注意力机制和加权双向特征金字塔网络（bidirectional feature pyramid network）,YOLOv5-CBE算法的精确度（precision）、召回率（recall）、平均精度均值（mAP@0.5）分别提升了3.6%、2.8%、2.5%,局部特征中心点坐标误差最高提升了25%;然后用 YOLOv5-CBE算法检测局部特征关键点,结合3D Harris关键点通过奇异值分解法（singular value decomposition）计算模型的6D位姿,最高遮挡70%的情况下仍然可以保证二维重投影精度（2D reprojection accuracy）和ADD度量精度（ADD accuracy）在95%以上,具有较强的鲁棒性。     

基于标签推理和注意力融合的多标签文本分类方法

目前许多多标签文本分类方法主要关注文档表示,而丢失了大量标签相关的语义信息,导致分类效果不理想。针对以上问题,提出一种基于标签推理和注意力融合的分类方法,挖掘文档中与标签相关的特征以及相似标签之间的相关性,学习标签信息进行标签推理,同时采用注意力机制自学习地融合文档表示和标签表示,最终完成多标签分类任务。在AAPD和RCV1-V2数据集上进行实例验证,该方法的F1值分别达到了0.732和0.887,与其他最新方法相比其准确度均有提升,实验结果证明了标签推理和注意力融合策略的有效性。     

融合外部属性的短时交通流预测研究

针对现有交通流量预测算法大多仅考虑常态下的预测,而未考虑天气属性、周围地理属性对预测结果的影响,提出一种融合外部属性的组合预测模型（A-STIGCN）。首先,将外部属性作为路网中路段的属性,同时对路段的属性和交通特征进行建模,得到增强的特征向量。其次,采用图小波变换和自适应矩阵分别提取交通流局部和全局空间特征信息,并借助门控循环单元（GRU）对时间信息的长时记忆能力以提取其时间特性。最后,通过注意力机制来捕获时空动态变化性进行交通流预测。采用深圳出租车轨迹数据、对应天气数据以及POI数据进行预测,研究结果表明：A-STIGCN组合模型预测效果优于传统线性模型及变体模型,与未引入注意力机制的ASTGCN模型相比,MAE降低了约0.131,精度提高了0.068,与未引入外部因素的TGCN模型对比分析,MAPE降低了约0.637%,精度提高了0.079,从而更好地为交通管理提供指导意见。     

基于组反馈融合机制的视频超分辨率模型

视频超分辨率（video super-resolution,VSR）的目的是利用多个相邻帧的信息来生成参考帧的高分辨率版本。现有的许多VSR工作都集中在如何有效地对齐相邻帧以更好地融合相邻帧信息,而很少在相邻帧信息融合这一重要步骤上进行研究。针对该问题,提出了基于组反馈融合机制的视频超分辩模型（GFFMVSR）。具体来说,在相邻帧对齐后,将对齐视频序列输入第一重时间注意力模块;然后,将序列分成几个小组,各小组依次通过组内融合模块实现初步融合。不同小组的融合结果经过第二重时间注意力模块;然后,各小组逐组输入反馈融合模块,利用反馈机制反馈融合不同组别的信息,最后将融合结果输出重建。经验证,该模型具有较强的信息融合能力,在客观评价指标和主观视觉效果上都优于现有的模型。