基于ERC Roberta的提示学习实现对话情感识别

使用Transformer架构的预训练模型进行对话情感识别时，用传统的微调分类方法难以充分考虑对话文本的语序和结构特征。而且情感对话分类任务与预训练任务不匹配。而使用提示学习方法可通过重建下游任务缩小情感对话分类任务与预训练任务之间的差距。因此，提出一种将提示学习与Roberta模型相融合的对话情感识别(PERC Roberta)模型。利用该模型通过文本掩码预测任务学习对话的语序和结构特征；然后通过提示学习重建下游任务，进一步激发学习到的丰富对话知识。将该模型在2个对话情感识别公共数据集上进行了实验，实验结果表明，PERC Roberta模型比其他模型具有更好的分类效果。此外，消融实验的对比结果也证明了所提模型的有效性。     

基于道路中心线的分阶段弱监督遥感图像道路提取

利用语义分割算法从卫星图像中提取道路已经成为遥感道路监测任务的主流解决方案。然而，不同地理环境下卫星图像中的道路纹理复杂多变，加之道路的像素级标注成本昂贵，因此在训练语义分割模型时大量使用像素级标注的方法是不现实的。对此，提出了一种分阶段弱监督道路提取算法，利用道路中心线涂鸦标签进行弱监督训练，并分阶段地训练道路分割模型。此外，还提出了伪掩码更新策略和混合训练策略，设计了适用于道路前景和背景的损失函数。实验结果表明，所提算法在道路分割任务中比其他基于道路中心线的弱监督方法具有更优异的性能，而消融实验结果也验证了所提训练策略的有效性。     

癫痫病相关论文多模态知识图谱的构建初探

癫痫病相关论文缺乏命名实体识别和关系抽取任务的标注数据,命名实体识别和关系抽取模型无法用常规方法训练。为解决该问题,针对癫痫病相关论文的数据特点,改进了命名实体识别和关系抽取模型,提出利用相近领域的医疗数据和预训练模型构建零资源癫痫病领域命名实体识别和关系抽取模型。评估了现有无监督和半监督模型在癫痫病领域论文数据集上的性能,并针对数据集特征引入域对抗网络和关系判别器,有效地提高了命名实体识别和关系抽取模型的性能。将癫痫患者的脑电特征以视觉模态嵌入知识图谱中,在提高脑电分析可解释性的同时,构建了更加直观的多模态知识图谱。     

基于数学规则的龟背纹自动生成方法

龟背纹是一种中国民间装饰纹样,一般为六角形连续状几何纹样。通过分析龟背纹的构图规则,提出了一种传统民间纹样生成算法。首先分析了龟背纹的最基本组成元素——图元,根据不同图元的对称性获得了组成图元的基本要素;然后通过旋转基本要素获得图元,平铺图元后获得整个龟背纹图案。通过定义符号,将图元生成流程参数化,获得了一般龟背纹的通用生成公式。仿真实验结果表明,通过调节生成公式参数,可生成具有不同细节的龟背纹样。     

阶梯式图像去噪方法

为了提高对原始红绿蓝（RAW）和标准红绿蓝（sRGB）2种格式的真实噪声图像的去噪性能,提出了一种基于卷积神经网络的阶梯式图像去噪方法。第一阶段,利用单个通道内空间结构信息对图像各个通道独立去噪,获得初步去噪结果。第二阶段,利用噪声图像在不同通道的相关性进一步去噪,获得增强的去噪结果。在所提方法中引入误差反馈机制来减少采样带来的信息损失;使用密集残差连接模块使得提取到的噪声图像特征能更有效地复用和传播;利用通道注意力使得网络有选择性地增强信息量大的特征,抑制无用特征。将所提方法与常用的其他去噪方法比较,实验结果表明,在达姆施塔特噪声数据集的RAW/sRGB数据集上,所提方法分别达到了49.55 dB和39.55 dB的峰值信噪比（PSNR）;在跨通道数据集达到了39.52 dB的PSNR,较目前绝大多数方法具有更好的性能。     

一种面向弱纹理图像的特征点描述子

现有的大多数特征点提取算法适用于处理纹理丰富的图像,而对于弱纹理图像则无法提取有效的特征点. 对此,提出了多邻域结构张量特征(MNSTF)算法. 基于一系列固定的邻域和图像结构张量,通过表达局部图像的结构和纹理信息,解决了弱纹理和无纹理场景下特征点提取和匹配等相关问题;同时,通过计算邻域之间的相对方向,实现了MNSTF算法特征描述子的旋转不变性. 实验结果表明,MNSTF算法在经过旋转的弱纹理图像测试集上的特征点匹配准确率达到了99.9%以上,验证了其良好的适用性、旋转不变性和鲁棒性.     

基于感知驱动的纹饰矢量图评价方法

针对构建中华文化矢量素材库过程中如何评价矢量图质量优劣的问题,提出精确性、连续性和简单性三大视觉评价指标,并进行了量化分析. 首先,对矢量图进行解析,获取矢量图的文档对象模型,遍历文档树得到矢量信息;然后,结合格式塔心理学对矢量图的视觉误差、曲线连续性和纹饰图案的复杂度进行量化;最后,提出一种基于感知驱动的传统纹饰矢量图的评价方法. 结合视觉上的启发性规则,所提评价方法可提供3个量化指标用于多任务驱动矢量化系统中矢量图的自动评价、排序和筛选. 在纹饰矢量图数据集上对算法进行了仿真实验,结果表明,对矢量图的评价结果符合主流设计的视觉审美和期望.     

一种面向目标的情感极性分析方法

面向目标的情感分析是细粒度情感分析的重要任务之一,旨在预测句子中给定目标实体的情感极性.当前大多数研究方法忽略了句法结构信息,在情感判别时往往会关注无关词汇,从而使分类性能下降.为此,设计了一种新的引入句法结构的模型,该模型利用双向预训练编码器和作用于依存句法树的图卷积网络分别捕获文本的上下文信息和句法结构信息,并使用多头注意力机制进行信息聚合得到目标的情感分类表征.此外,还将该模型与现有的领域自适应方法相结合,同时向模型中引入领域知识和句法结构知识,进一步提升了模型效果.在几个常用的标准数据集上的实验结果表明了上述模型的有效性.     

基于差分分解和误差补偿的短期电力负荷预测方法

基于序列分解的方法能够提高短期电力负荷预测精度,但会带来误差的积累。同时,现有方法忽略了历史预测误差与当前预测结果的相关关系。提出了一种基于差分分解和误差补偿的短期电力负荷预测方法(differential decomposition-error compensation-gated recurrent unit,DD-EC-GRU)。首先,对原始负荷序列进行一阶差分,将负荷的预测问题转化为负荷变化量的预测问题。基于此,在一组实际预测负荷序列的基础上引入多组辅助预测负荷序列,应用门控循环单元(gated recurrent unit,GRU)构建多目标迭代预测网络。最后综合考虑各序列迭代预测误差的变化趋势与平稳性,构建基于序列相似度和人工神经网络集成模型的误差补偿网络,提升预测精度。在3个实际负荷数据集上对DD-EC-GRU各环节有效性进行验证,并与多种主流算法对比,结果表明本文所提方法有较高的预测精度和较强的适应能力。     

面向传统服饰的细粒度跨模态检索算法

目的 由于跨模态数据集有限和模态异构表征问题,利用跨模态检索算法解决实际应用问题一直是当前多模态研究中的一大研究方向.方法 提出了一种面向传统服饰的细粒度跨模态检索算法,解决传统服饰跨模态检索的单模态表征和跨模态表征一致的问题.在单模态特征表征方面,沿用DCMH使用深度学习的方法对初始数据进行特征提取;在跨模态表征一致方面,新增自监督语义网络,以自监督的方式对应标签信息提取细粒度信息,并将其用于图文哈希学习的监督,从而得到更好的图文哈希表征.通过在传统服饰数据集上与其他方法进行对比实验,验证算法的有效性.结论 有关此方面的应用探索,有利于解决互联网时代中国传统服饰文本、图像处理等的保护性难题,为未来纹样检索中的工作做铺垫,实现中国传统服饰的创新性传承和发展.