基于图卷积网络的掩码数据增强

针对多项选择问答（MCQA）领域中原始数据信息不准确、样本质量低以及模型泛化能力差等问题,提出一种基于图卷积网络（GCN）的掩码数据增强模型GMDA(Graph convolution network-based MASK Data Augmentation)。该模型以GCN作为基础框架,首先将文章中的单词抽象为图节点,并利用问题-候选答案（QA）对节点进行连接,建立与相关的文章节点之间的联系;其次,计算节点之间的相似性,并应用掩码技术对图中的节点进行掩盖,从而生成增强样本;再次,利用GCN对增强样本进行特征扩充,以提升模型的信息表达能力;最后,引入打分器对原始样本和增强样本进行评分,并结合课程学习策略提高答案预测的准确性。综合评估实验结果表明：与RACE-M、RACE-H数据集上的最优基线模型EAM相比,所提模型GMDA的准确率分别平均提高了0.8、0.4个百分点,而与DREAM数据集上的最优基线模型STM(SelfTraining Method)相比,GMDA模型的准确率平均提高了1.4个百分点。此外,对比实验的结果也验证了GMDA模型在MCQA任务中的有效性,可为数据增强技术在该领域的进一步研究和应用提供帮助。     

结合掩码定位和漏斗网络的6D姿态估计

目的 6D姿态估计是3D目标识别及重建中的一个重要问题。由于很多物体表面光滑、无纹理,特征难以提取,导致检测难度大。很多算法依赖后处理过程提高姿态估计精度,导致算法速度降低。针对以上问题,本文提出一种基于热力图的6D物体姿态估计算法。方法 首先,采用分割掩码避免遮挡造成的热力图污染导致的特征点预测准确率下降问题。其次,基于漏斗网络架构,无需后处理过程,保证算法具有高效性能。在物体检测阶段,采用一个分割网络结构,使用速度较快的YOLOv3（you only look once v3）作为网络骨架,目的在于预测目标物体掩码分割图,从而减少其他不相关物体通过遮挡带来的影响。为了提高掩码的准确度,增加反卷积层提高特征层的分辨率并对它们进行融合。然后,针对关键点采用漏斗网络进行特征点预测,避免残差网络模块由于局部特征丢失导致的关键点检测准确率下降问题。最后,对检测得到的关键点进行位姿计算,通过PnP （perspective-n-point）算法恢复物体的6D姿态。结果 在有挑战的Linemod数据集上进行实验。实验结果表明,本文算法的3D误差准确性为82.7%,与热力图方法相比提高了10%;2D投影准确性为98.9%,比主流算法提高了4%;同时达到了15帧/s的检测速度。结论 本文提出的基于掩码和关键点检测算法不仅有效提高了6D姿态估计准确性,而且可以维持高效的检测速度。     

结合多尺度特征与掩码图网络的小样本学习

对样本所含信息的提取能力决定网络模型进行小样本分类的效果,为了进一步提高模型挖掘信息的能力,提出一种结合多尺度特征与掩码图网络的小样本学习方法。设计由1×1卷积、全局平均池化和跳跃连接组成的最小残差神经网络块,与卷积块拼接成特征提取器,以提取样本不同尺度的特征,并通过注意力机制将不同尺度特征融合;使用融合的多尺度特征构建包含结点与边特征的图神经网络,并在其中加入一个元学习器（meta-learner）用于生成边的掩码,通过筛选边特征来指导图结点聚类与更新,进一步强化样本特征;通过特征贡献度和互斥损失改进类在嵌入空间表达特征的求解过程,提升模型度量学习能力。在MiniImagenet数据集上,该方法 1-shot准确率为61.4%,5-shot准确率为78.6%,分别超过传统度量学习方法 12.0个百分点与10.4个百分点;在Cifar-100数据集上分别提升9.7个百分点和6.0个百分点。该方法有效提升了小样本学习场景下的模型分类准确率。     

基于掩码提示与门控记忆网络校准的关系抽取方法

针对关系抽取（RE）任务中实体关系语义挖掘困难和预测关系有偏差等问题,提出一种基于掩码提示与门控记忆网络校准（MGMNC）的RE方法。首先,利用提示中的掩码学习实体之间在预训练语言模型（PLM）语义空间中的潜在语义,通过构造掩码注意力权重矩阵,将离散的掩码语义空间相互关联;其次,采用门控校准网络将含有实体和关系语义的掩码表示融入句子的全局语义;再次,将它们作为关系提示校准关系信息,随后将句子表示的最终表示映射至相应的关系类别;最后,通过更好地利用提示中掩码,并结合传统微调方法的学习句子全局语义的优势,充分激发PLM的潜力。实验结果表明,所提方法在SemEval(SemEval-2010 Task 8)数据集的F1值达到91.4%,相较于RELA(Relation Extraction with Label Augmentation)生成式方法提高了1.0个百分点;在SciERC(Entities, Relations, and Coreference for Scientific knowledge graph construction)和CLTC(Chinese Literature Text Corpus)数据集上的F1值分别达到91.0%和82.8%。所提方法在上述3个数据集上均明显优于对比方法,验证了所提方法的有效性。相较于基于生成式的方法,所提方法实现了更优的抽取性能。     

基于无监督显著性掩码引导的红外与可见光图像融合网络

在具有挑战性的拍摄环境中,使用单张红外或可见光图像很难捕获清晰详细的纹理信息以及热辐射信息。然而,红外和可见光图像融合允许保存来自红外图像的热辐射信息和来自可见光图像的纹理细节。现有的许多方法在融合过程中直接生成融合图像,忽略了对源图像像素级权重贡献的估计,强调了不同源图像之间的学习。为此,提出了基于无监督显著性掩码引导的红外与可见光图像融合网络,利用密集结构在源图像中进行全面的特征提取。它产生一个权重估计概率来评估每个源图像对融合图像的贡献。此外,由于红外与可见光图像缺乏真实标签,难以使用有监督学习,UMGN还引入了显著性掩码,便于网络集中学习红外图像的热辐射信息和可见光纹理信息。在训练过程中还引入了加权保真度项和梯度损失,以防止梯度退化。与大量其他最先进的方法进行对比实验,结果证明了所提出的UMGN方法的优越性和有效性。     

基于掩码技术的进化加速算法

在进化算法中引入基于特征掩码的进化引导因素,使整个进化过程在掩码引导下进行。并将之应用于针对用户特定语义的图像检索的问题。检索实验结果表明引导因素的引入确实加快了进化速度。     

基于图像掩码的棉纤维截面分割

针对棉纤维图像预处理提出了一种基于图像掩码的棉纤维截面分割方法,该方法既能够有效地解决纤维粘连问题,又能够去除大面积的背景区域,降低后续处理的数据量,此外,还抑制了边缘检测中的双边缘效应。     

融合答案掩码的视觉问答模型

目的 现有的视觉问答模型由于受到语言先验的影响,预测准确率不高。虽然模型能够根据数据集中问题和答案的统计规律学习到它们之间简单的对应关系,但无法学习到问题和答案类型之间深层次的对应关系,容易出现答非所问的现象。为此,提出了一种使用答案掩码对预测结果中的无关答案进行遮盖的方法,迫使模型关注问题和答案类型之间的对应关系,提高模型的预测准确率。方法 首先对数据集中的答案进行聚类并为每一类答案生成不同的答案掩码,然后使用预训练的答案类型识别模型预测问题对应的答案类型,并根据该模型的预测结果选择相应的答案掩码对基线模型的预测结果进行遮盖,最终得到正确答案。结果 提出的方法使用UpDn（bottom-upand top-down ）、RUBi （reducing unimodal biases ）、LMH（learned-mixin+h ）和CSS（counterfactual samples synthesizing ）4种模型作为基线模型,在3个大型公开数据集上进行实验。在VQA（visual question answer）-CP v2.0数据集上的实验结果表明,本文方法使UpDn模型的准确率提高了2.15%,LMH模型的准确率提高了2.29%,融合本方法的CSS模型的准确率达到了60.14%,较原模型提升了2.02%,达到了目前较高的水平。在VQA v2.0和VQA-CP v1.0数据集上的结果也显示本文方法提高了大多数模型的准确率,具有良好的泛化性。此外,在VQA-CP v2.0上的消融实验证明了本文方法的有效性。结论 提出的方法通过答案掩码对视觉问答模型的预测结果进行遮盖,减少无关答案对最终结果的影响,使模型学习到问题和答案类型之间的对应关系,有效改善了视觉问答模型答非所问的现象,提高了模型的预测准确率。     

基于掩码技术的共生进化算法

针对进化算法没有一个明确的引导趋势,导致在求解具体问题时,进化速度慢的问题,引入了基于共生现象的进化控制时序,使整个进化过程在时序引导下进行。文章将该算法应用于系统跟踪问题,实验结果表明此算法具有良好的性能。     

开发财务专用数字的掩码控件

本文主要结合作者在项目开发中的实际经验,通过一个具体的实例来阐述商业软件开发过程中财务专用控件开发的方法和技巧。     

基于数据加密标准掩码的功耗分析方法

针对典型数据加密标准( DES)掩码实现的安全性问题,提出一种对其进行密钥破解的相关性功耗分析方法。结合DES运算后两轮,选择密码运算过程中间值中的分散位作为目标函数,利用汉明重量模型猜测第16轮运算的轮密钥,并计算功耗和中间值数据的汉明重量之间的相关性,根据相关性大小进行排序,从而破解掩码DES算法的密钥。实验结果表明,该方法取得了较好的效果,可成功破解掩码型DES算法的64位密钥。     

基于掩码损失的人脸图像生成方法

当前主流的基于生成对抗网络（Generative Adversarial Network,GAN）的图像生成方法,在生成真实度较高的人脸图像方面取得了显著进展,但在生成人脸图像的头发、牙齿等细节区域时易出现失真现象。针对存在的问题,提出掩码损失,并将其整合到Style GAN2中。该损失函数通过人脸分割网络生成人脸掩码,基于掩码调整生成图像在细节和非细节区域的贡献程度,以提高细节区域的合成质量。实验结果表明,所提方法显著改善了头发、牙齿等细节区域的合成质量,提高了生成图像的真实度。     

网络计算中间件

网络计算中间件是随着互联网的发展而于20世纪90年代兴起的一类基础软件,网络计算中间件为各种网络应用系统的开发、部署、运行和管理提供了有力支持.随着信息网络技术和软件服务工程的快速发展,网络计算中间件又被赋予了新的内涵,首先从网络计算环境出发,就基础中间件、应用集成中间件和领域应用框架的基本概念和主要技术作较全面的诠释;然后聚焦于云计算和物联网等网络计算的热点研究方向,从中间件的角度指出当前值得关注的某些挑战性研究课题和需要深入探索的若干关键技术.     

网络计算大有可为

IBM,这个引领过一次又一次技术革命的蓝色巨人,其技术趋势一直受到大家的关注。因此,IBM中国研究及开发部的总经理王玮博士经常被同事和合作伙伴问到:“What’s the next big thing?”(下一件大事是什么?)。那么,王玮博士的答案是什么呢?它就是网格计算(Grid computing)。 网格计算,是当今IT业界的一个热点,四月初在北京召开的“网格战略研讨会”更是将其推向了一个高潮。那么,IBM在网格计算方面取得了哪些进展,具体的发展规划又是什么呢?     

网络计算结构

网络计算结构可以分为集中式、客户机/服务器和分布式三种,这些结构是逐步演化而成且互为因果的.本文将详细为您介绍这三种结构.     

网络计算大有可为

作为下一代互联网的主要应用之一,网络高性能计算正在形成全球年产值上千亿美元的产业,并且已经广泛应用于政府部门、金融、国防、教育、医疗卫生等行业。与此同时,在以大通信量和高速率为特征的新一代互联网上,计算机已成为网络瓶颈,如何实现新的互联网业务不仅取决于应用技术和市场本身,计算资源也是一个必要条件。     

防止差分功耗分析攻击的软件掩码方案

以差分功耗分析（DPA）为代表的旁路攻击对包含AES算法的加密设备构成了极大威胁,目前关于防御DPA的方法研究主要针对硬件加密电路,对软件加密系统研究不足。提出一种引入掩码矩阵的软件防护方案,对智能卡加密算法运行过程中每个可能泄漏的中间值添加随机掩码,并对掩码矩阵采取动态更新策略以提高效率,实验结果表明,提出的方案具有抵抗差分功耗攻击的能力,同时效率相较于未采用动态更新的方案提高了将近1倍,该方案设计简单且易于实现,从而为智能卡的安全设计提供参考。