一个面向电离辐射计量领域的Web挖掘平台

数据挖掘技术是近十几年来兴起的热门技术,它在很多领域都得到了重要应用.电离辐射计量是重要的国防军工技术基础学科.为了促使其更好地发展,有必要采用新技术.目前,数据挖掘(包括Web挖掘)技术如何运用到电离辐射计量领域在国内尚属空白.本文给出了数据挖掘技术在电离辐射计量领域可能的研究方向以及作者开发的一个面向电离辐射计量领域的Web挖掘平台,该平台可以搜集电离辐射领域网页、对搜集的信息进行分类并对网页内容进行文摘.     

基于Unity的虚拟服装走秀系统设计与实现

针对传统服装走秀只能通过单一角度欣赏的不足,本文基于Unity和VR头盔开发了可以实现360度展示的虚拟服装走秀系统,设计了自适应性走秀路线选择算法和表演动作切换算法。经测试,该系统能系统地管理走秀信息、展示走秀过程,为观众提供了全方位的观看角度,实现了较好的第一视角浸入式观看效果。     

基于潜在语义分析的汉语问答系统答案提取

为了解决在汉语问答系统答案提取时，由于词的同义或多义现象而导致的“漏提”或“错提”等问题，提出了一种基于潜在语义分析（LSA）的问题和答案句子相似度计算方法．它利用空间向量模型作为问题和句子的表示方法，借助于潜在语义分析理论，对大量问答作句子语料统计分析，构建了一个潜在的词一句子语义空间，从而消除了词之间的相关性，并在语义空间上实现了问题与答案句子相似度计算，有效地解决了词的同义和多义问题．最后结合问题类型和相似度计算结果，对汉语基于事实的简单陈述问题进行了答案句子提取实验．答案提取的MRR值达到了0．47，明显优于空间向量模型．结果说明该方法具有很好的效果．     

一种通过程序自动实现数据库初始化的方法研究

在构建一个管理信息系统时,数据库的初始化工作是必不可少的,而通常数据库的初始化工作一般由开发人员手工完成,包括数据库的安装配置、数据库创建、数据表、视图、存储过程、触发器的创建,通用数据的初始化等工作,这些工作对于普通的用户很难完成,而且,通过手工建立数据库步骤繁琐,容易导致操作出错。论文针对这种情况,提出了一种全新的方法,利用标准的SQL语句通过程序自动实现数据库的初始化,从而大大减少系统实施过程的工作量,提高程序的质量,并结合一个实例,分析了其具体的实现过程。     

计算机动画基础课程的动态分层教学

计算机动画基础课程的选课学生专业跨度大、学生起点各异,现有教学模式很难满足不同专业对该门课的需求。针对这一问题,文章提出一种动态分层的阶进式教学模式,并以此模式设计计算机动画基础课程相应的分层阶进式实验,从实验的目标分层、分层评价等方面论述分层教学中的具体实施方案,最后指出这种分层的教学改革取得初步成效。     

基于层次语义的Web服装图像智能采集方法

以大规模智能采集互联网中的服装图像为目的,研究如何利用互联网上服装图像的伴随文本与服装图像概念之间的关联,实现自动采集各语义对应的服装图像。在HITS(Hyperlink-Induced Topic Search)算法的基础上提出一个基于层次语义的图像采集算法SICR(Semantic-based Image Collection Robot)。该算法在层次语义库的支持下,扩充根集与去除链接工厂页面同步进行。在爬取链接网页前,进行锚文字的相似度计算和页面内容的概念分析,舍弃不符合语义的页面,只下载满足语义的服装图像。算法克服了基于文本分析或链接分析的图像自动提取算法的不足,具有较高的准确率和召回率,实验结果证明了SICR算法的有效性。     

卷积神经网络在纺织及服装图像领域的应用

随着大数据时代的到来,作为类脑计算领域的一个重要研究成果,卷积神经网络(convolutional neural net-works,CNNs)已广泛应用于多个领域.与传统机器学习相比,卷积神经网络拥有更复杂的网络结构和更多隐藏层,有更强的特征学习和特征表达的能力,已被较好地运用处理多个大规模分类识别任务.目前纺织服装行业大量丰富的图像数据正好迎合了它的应用,已经有许多纺织服装图像领域的研究运用卷积神经网络技术,并取得了较好的效果.梳理了卷积神经网络运用在图像分类和目标检测两方面的主要经典网络结构,并分别介绍了这些网络为更好地应用于纺织服装领域而进行的改良与创新,最后结合现阶段发展给出未来可以运用的理论方向.     

电离辐射计量网页识别方法

Internet上拥有取之不尽用之不竭的资源。将某一行业或领域的资源更多、更好地提取出来一直是Web挖掘的研究方向之一。本文以Bayes、Rocchio和Widrow-Hoff算法为基础,研究了电离辐射计量领域的网页分类,并对3种算法的试验效果给出了分析。     

一种基于GMM-聚类树的面向大规模服装图像检索的索引结构

目前服装图像检索研究主要偏重于考察服装图像底层特征的表示方法,对服装图像数据集整体的特性关注较少.服装图像种类、款式、细节多种多样,传统方法在检索速度和准确率上已经不能满足用户的需求.为在日益庞大的服装图像集中快速准确地搜索需要的款式,提出一种GMM-聚类树索引方式.GMM-聚类树将不同细节的服装图像按照相似性逐步聚类,分别对应于不同的聚类树分支,避免人为指定聚类个数造成服装分类的错误.分别在小数据集和大数据集上测试其对服装图像检索的准确率和效率,试验结果表明通过自动确定聚类个数和GMM-聚类树的逐层分类,能够带来检索准确率和效率的双重提升.     

融合注意力机制与知识蒸馏的孪生网络压缩

目的 使用深度孪生网络解决图像协同分割问题,显著提高了图像分割精度。然而,深度孪生网络需要巨大的计算量,使其应用受到限制。为此,提出一种融合二值化注意力机制与知识蒸馏的孪生网络压缩方法,旨在获取计算量小且分割精度高的孪生网络。方法 首先提出一种二值化注意力机制,将其运用到孪生网络中,抽取大网络中的重要知识,再根据重要知识的维度重构原大网络,获取孪生小网络结构。然后基于一种改进的知识蒸馏方法将大网络中的知识迁移到小网络中,迁移过程中先后用大网络的中间层重要知识和真实标签分别指导小网络训练,以获取目标孪生小网络的权值。结果 实验结果表明,本文方法可将原孪生网络的规模压缩为原来的1/3.3,显著减小网络计算量,且分割结果接近于现有协同分割方法的最好结果。在MLMR-COS数据集上,压缩后的小网络分割精度略高于大网络,平均Jaccard系数提升了0.07%;在Internet数据集上,小网络分割结果的平均Jaccard系数比传统图像分割方法的最好结果高5%,且达到现有深度协同分割方法的最好效果;对于图像相对复杂的iCoseg数据集,压缩后的小网络分割精度相比于传统图像分割方法和深度协同分割方法的最好效果仅略有下降。结论 本文提出的孪生网络压缩方法显著减小了网络计算量和参数量,分割效果接近现有协同分割方法的最好结果。