Characterizing the role of Weibo and WeChat in sharing original information in a crisis

Strategically differentiated managerial evidence of different social media platforms is of great importance to enhance crisis communication processes by balancing their strengths and weaknesses. This study aims to uncover the platform-specific situational information-sharing characteristics by differentiating the major types of information published in Weibo and WeChat during different phases of a crisis. The subject of the study is the Changsheng fake vaccine crisis which happened in China in 2018. Multiple supervised machine learning and topic modelling methods are used for the characterization of situational information types of the crisis during three phases in both platforms. Our study found that WeChat shares more situational information such as notifications, caution and advice, and criticizing information, whereas Weibo shares more emotional support and help-seeking information. This study provides social media analytics and empirical evidence of platform-specific situational information-sharing characteristics to aid authorities/researchers for better crisis communication and public emergency management.     

基于特征融合的无监督跨模态哈希

已有的无监督跨模态哈希（UCMH）方法主要关注构造相似矩阵和约束公共表征空间的结构,忽略了2个重要问题：一是它们为不同模态的数据提取独立的表征用以检索,没有考虑不同模态之间的信息互补;二是预提取特征的结构信息不完全适用于跨模态检索任务,可能会造成一些错误信息的迁移。针对第一个问题,提出一种多模态表征融合结构,通过对不同模态的嵌入特征进行融合,从而有效地综合来自不同模态的信息,提高哈希码的表达能力,同时引入跨模态生成机制,解决检索数据模态缺失的问题;针对第二个问题,提出一种相似矩阵动态调整策略,在训练过程中用学到的模态嵌入自适应地逐步优化相似矩阵,减轻预提取特征对原始数据集的偏见,使其更适应跨模态检索,并有效避免过拟合问题。基于常用数据集Flickr25k和NUS-WIDE进行实验,结果表明,通过该方法构建的模型在Flickr25k数据集上3种哈希位长检索的平均精度均值较DGCPN模型分别提高1.43%、1.82%和1.52%,在NUS-WIDE数据集上分别提高3.72%、3.77%和1.99%,验证了所提方法的有效性。     

一种加密域鲁棒图像哈希算法

随着云计算的发展,越来越多的多媒体数据存储在云端,出于安全需要,往往需要对其加密后再上传至云端进行存储或运算等操作.针对加密图像,在不具备图像明文内容的情况下,为了认证图像内容的完整性和真实性,提出了一种基于Paillier同态加密的鲁棒图像哈希算法.该算法主要由3个部分构成:图像所有者端图像加密,云服务器端密文图像哈希计算以及接收者端明文图像哈希生成.具体地,图像所有者对图像进行Paillier加密,并将加密图像上传至云服务器,由云服务器利用Paillier密码系统的运算法则执行加密域DCT与Watson人眼视觉特征等的计算,并利用密钥控制的伪随机矩阵增加哈希的随机性,接收者解密并分析接收到的密文哈希,生成明文图像哈希.实验结果表明,所提算法在鲁棒性、唯一性和安全性上具有较理想的性能.     

基于注意力机制及类别层次结构的弱监督目标定位

弱监督目标定位是指仅利用图像级的类别标注信息来训练目标定位器, 而不需要使用精确的目标位置标注信息来进行算法训练. 当前的一些方法往往只能定位出目标对象中最具鉴别性的部分而无法准确地标识出完整的目标对象, 或者易受背景无关信息干扰从而导致定位结果不精确. 为了解决上述问题, 提出一种基于注意力机制和类别层次结构的弱监督目标定位方法. 该方法通过对卷积神经网络的注意力图进行均值分割提取更完整的目标区域. 进一步, 通过类别层次结构网络实现对背景区域注意力的削弱, 从而提高对感兴趣目标的定位精度. 基于多个网络结构和公共数据集上的大量实验结果表明, 相比目前已有的弱监督定位方法, 所提方法在多个评价指标下均能够获得更好的定位效果.     

Weakly supervised temporal action localization with proxy metric modeling

Temporal localization is crucial for action video recognition. Since the manual annotations are expensive and time-consuming in videos, temporal localization with weak video-level labels is challenging but indispensable. In this paper, we propose a weakly-supervised temporal action localization approach in untrimmed videos. To settle this issue, we train the model based on the proxies of each action class. The proxies are used to measure the distances between action segments and different original action features. We use a proxy-based metric to cluster the same actions together and separate actions from backgrounds. Compared with state-of-the-art methods, our method achieved competitive results on the THUMOS14 and ActivityNet1.2 datasets.     

基于QBFM矩和三维结构的图像哈希算法

为了增强图像哈希算法的分类性能并提高拷贝检测的准确率和效率,提出基于QBFM矩和三维结构的图像哈希算法。首先对彩色图像进行规格化处理,并通过多尺度融合得到高斯融合图像和拉普拉斯融合图像,再对两种融合图像分别提取QBFM特征。同时直接在RGB颜色空间提取高斯融合图像的梯度图像并构造三维模型,利用不同视角下梯度峰顶和峰谷曲线的凹凸点信息得到三维局部结构特征;再对三维模型等距切分,统计各切面的像素数和方差作为三维全局结构特征。最后,将图像的QBFM特征和三维特征结合并置乱构成最终的哈希序列。实验结果表明,算法在鲁棒性和区分性之间有更好的平衡;与现有的哈希算法相比具有较好的图像分类性能;在拷贝检测实验中,算法具有最优的查全率和查准率。     

深度非对称离散跨模态哈希方法

大多数深度监督跨模态哈希方法采用对称的方式学习哈希码,导致其不能有效利用大规模数据集中的监督信息;并且对于哈希码的离散约束问题,常采用的基于松弛的策略会产生较大的量化误差,导致哈希码次优。针对以上问题,提出深度非对称离散跨模态哈希（DADCH）方法。首先构造了深度神经网络和字典学习相结合的非对称学习框架,以学习查询实例和数据库实例的哈希码,从而更有效地挖掘数据的监督信息,减少模型的训练时间;然后采用离散优化算法逐列优化哈希码矩阵,降低哈希码二值化的量化误差;同时为充分挖掘数据的语义信息,在神经网络中添加了标签层进行标签预测,并利用语义信息嵌入将不同类别的判别信息通过线性映射嵌入到哈希码中,增强哈希码的判别性。实验结果表明,在IAPR-TC12、MIRFLICKR-25K和NUS-WIDE数据集上,哈希码长度为64 bit时,所提方法在图像检索文本时的平均精度均值（mAP）较近年来提出的先进的深度跨模态检索方法——自监督对抗哈希（SSAH）分别高出约11.6、5.2、14.7个百分点。     

基于量子进化算法的包装式特征选择方法

针对监督分类中的特征选择问题, 提出一种基于量子进化算法的包装式特征选择方法. 首先分析了现有子集评价方法存在过度偏好分类精度的缺点, 进而提出基于固定阈值和统计检验的两种子集评价方法. 然后改进了量子进化算法的进化策略, 即将整个进化过程分为两个阶段, 分别选用个体极值和全局极值作为种群的进化目标. 在此基础上, 按照包装式特征选择遵循的一般框架设计了特征选择算法. 最后, 通过15个UCI数据集分别验证了子集评价方法和进化策略的有效性, 以及新方法相较于其它6种特征选择方法的优越性. 结果表明, 新方法在80%以上的数据集上取得相似甚至更好的分类精度, 在86.67%的数据集上选择了特征个数更小的子集.     

基于位置编码与实体交互信息的关系抽取方法

关系抽取作为信息抽取领域的重要研究课题, 其主要目的是抽取句子中已标记实体对之间的语义关系, 对句子语义理解及知识库构建有着重要作用. 针对现有抽取方法中未能充分利用单词位置信息和实体间的交互信息导致重要特征丢失的问题, 本工作提出一种基于位置编码与实体交互信息的关系抽取方法(BPI-BERT). 首先将新型位置编码融入BERT预训练语言模型生成的词向量中后使用平均池化技术得到实体和句子向量, 再利用哈达玛乘积构造实体交互信息, 最后将实体向量、句子向量及交互信息向量拼接得到关系向量并输入到Softmax分类器进行关系分类. 实验结果表明BPI-BERT在精准率和 F1上较现有方法有提高, 证明了BPI-BERT的有效性.     

基于深度学习的单图像超分辨率重建综述

图像超分辨率重建是用于提高图像质量的一项重要技术, 得益于深度学习在计算机视觉领域的成功应用和快速发展, 单图像超分辨率重建的效果得到了显著提升. 因此, 本文针对基于深度学习的单图像超分辨率重建方法展开深入研究, 首先综合介绍了用于该领域的基准数据集、性能评价指标、损失函数等相关知识, 然后对有监督学习和无监督学习下单图像超分辨率重建技术的最新算法进行分类讨论, 并且比较分析了不同模型之间的异同点与优缺点, 最后对该领域面临的问题和未来的发展方向进行了总结与展望.