基于深度卷积神经网络的三维模型检索

为了更有效地利用三维模型数据集进行特征的自主学习,提出一种使用自然图像作为输入源,以三维模型的较优视图集为基础,通过深度卷积神经网络的训练提取深度特征用于检索的三维模型检索方法。首先,从多个视点对三维模型进行视图提取,并根据灰度熵的排序选取较优视图;然后,通过深度卷积神经网络对视图集进行训练,从而提取较优视图的深度特征并进行降维,同时,对输入的自然图像提取边缘轮廓图,经过相似度匹配获得一组三维模型;最后,基于检索结果中同类模型总数占检索列表长度的比例对列表进行重排序,从而获得最终的检索结果。实验结果表明,该算法能够有效利用深度卷积神经网络对三维模型的视图进行深度特征提取,同时降低了输入源的获取难度,有效提高了检索效果。     

卷积深度神经网络在基于文档的自动问答任务中的应用与改进

基于文档的自动问答,尤其是语义匹配,其目标是计算两个文本之间的相似度。这是自然语言处理中的典型任务,并且用以衡量对自然语言的理解程度。深度学习方法得益于可以自动化地学习到给定任务的最优特征表示,在许多研究中取得成功,也包括文本匹配。针对基于文档的自动问答,提出一个基于卷积深度神经网络的语义匹配模型,以便对每一对问题和文档提取特征,并据此计算它们的得分。通过问题和文档之间的交互计算,利用重叠词等文本特征,在中文开放域上的自动问答任务中取得的实际效果证明了该模型的有效性。     

基于深度学习的运动目标交接算法

针对多摄像机非重叠视域下存在的运动目标不连续性和不确定性的问题,提出一种基于深度学习的运动行人目标的交接算法.首先基于深度卷积神经网络构建人脸特征提取模型,对人脸特征提取模型进行训练,获得精确的人脸特征.然后比较两种常用的相似度度量方法,选择其中一种更适合的相似度度量方法,以完成最优的人脸匹配过程,提高人脸匹配的准确率.最后通过对不同摄像机下的人脸进行特征匹配找到最匹配的人脸,实现运动目标的交接.实验表明,深度神经网络可以减少运动目标丢失的概率,准确地提取到运动目标的人脸特征,有效完成多摄像机下运动目标的交接跟踪任务.     

基于深度特征分析的双线性图像相似度匹配算法

基于内容的图像检索一直面临"语义鸿沟"的难题,特征选择对语义学习结果有着直接的影响;而传统距离度量方法往往从单一角度进行相似性计算,不能很好地表示出图像之间的相似度。为了解决以上问题,提出基于深度特征分析的双线性图像相似度匹配的方法。首先,将图像数据集在卷积神经网络模型上进行微调训练,然后利用训练好的卷积神经网络对图像进行特征提取,获得全连接层输出的特征之后,通过双线性相似性度量方法得到图像间相似度的大小,通过对相似度的大小排序,返回最相似的图像实例。在Caltech101和Caltech256数据集上的对比实验显示,所提算法的平均查准率、TopK查准率和查全率均优于对比算法,验证了所提算法的有效性。     

结合卷积神经网络不同层的特征进行包类商品检索

基于图像的内容相似性进行图像检索是计算机视觉领域的一个重要研究内容,比传统基于关键字的检索方法能节约相似物体的筛选时间。包类商品不仅市场需求量大且种类繁多,而且关键字往往不能准确地描述各种包类的款式。因此,利用关键字来进行包类款式搜索有时候并不能达到预期效果,基于内容图像检索则能较好地处理包类商品的检索问题。近年来,深度学习算法被用来解决图像相似搜索问题,但主要是基于卷积网络高层的特征作为输入图像的特征表达。高层的特征是比较抽象的语义特征,容易丢失一些图像的细节信息,因此会影响图像搜索的准确度。基于这个观察,运用基于卷积神经网络的深度学习算法完成对包类商品图像特征的自动学习,整理了5 000张分类好的包类商品图像作为深度学习的训练集。并且,和现有方法不同的是,结合了卷积神经网络中不同层的特征来提升包类商品图像检索的准确度。通过实验和实际应用验证了该方法能够较好地完成包类款式图像的检索问题。     

基于可信语义深度学习的文本文献搜索方法

针对传统文本搜索返回结果不准确、不满意的问题，提出一种基于可信语义深度学习的文本搜索方法。首先为了充分挖掘文本的可信语义，通过文本中的信任事实，以及人机交互标注的方式计算文本的可信度。利用网络爬虫抓取大量文本文献学习训练数据，并且构建深度学习神经网络模型，以文本的语义矩阵为输入，以文本的可信度为输出，通过有监督学习，训练出评估文本可信度的深度学习神经网络模型。最后应用该神经网络模型实现文本文献的搜索。通过“中国政治党建”领域的搜索实验表明：该方法在平均可信度方面优于传统搜索方法。     

融合LDA的卷积神经网络主题爬虫研究

传统的主题爬虫在计算主题相似度时,通常采用基于词频、向量空间模型以及语义相似度的方法,给相似度计算准确率的提升带来一定瓶颈。因此,提出融合LDA的卷积神经网络主题爬虫,将主题判断模块视为文本分类问题,利用深度神经网络提升主题爬虫的性能。在卷积层之后拼接LDA提取的主题特征,弥补传统卷积神经网络的主题信息缺失。实验结果表明,该方法可以有效提升主题判断模块的平均准确率,在真实爬取环境中相比其他方法更具优势。     

基于深度学习的问答匹配方法

面向中文问答匹配任务,提出基于深度学习的问答匹配方法,以解决机器学习模型因人工构造特征而导致的特征不足和准确率偏低的问题。在该方法中,主要有三种不同的模型。首先应用组合式的循环神经网络（RNN）与卷积神经网络（CNN）模型去学习句子中的深层语义特征,并计算特征向量的相似度距离。在此模型的基础上,加入两种不同的注意力机制,根据问题构造答案的特征表示去学习问答对中细致的语义匹配关系。实验结果表明,基于组合式的深度神经网络模型的实验效果要明显优于基于特征构造的机器学习方法,而基于注意力机制的混合模型可以进一步提高匹配准确率,其结果最高在平均倒数排序（MRR）和Top-1 accuray评测指标上分别可以达到80.05%和68.73%。     

基于子词单元的深度学习摘要生成方法

现有的生成式文本摘要方法存在一些局限,包括难以产生可靠的源文本表示,产生的摘要句与源文本的语义相似度较低,存在集外词问题等。对此提出一种混合神经网络编码器结构,对源文本的长距依赖和上下文信息进行捕捉,得到高质量的文本表示;提出一种基于关键短语的重排序机制,利用源文本中抽取的关键短语对集束搜索生成的候选序列进行重新排序,以减小其与源文本语义上的距离;对文本进行子词单元提取,利用更细粒度的单元对文本进行表示。该方法在不同长度的摘要数据集上进行实验,均取得了良好的效果。     

基于多样化特征卷积神经网络的情感分析

深度网络模型在微博情感倾向性分析过程中难以有效利用情感特征信息,为此,提出一种基于多样化特征信息的卷积神经网络(MF-CNN)模型。结合词语多样化的抽象特征和2种网络输入矩阵计算方法,利用句中的情感信息,以优化情感分类效果。在COAE2014和微博语料数据集上进行文本情感分析,结果表明,MF-CNN模型的情感分类效果优于传统的分类器和深度卷积神经网络模型。