基于条件随机场的中文时间短语识别

传统时间短语识别方法存在中文文本时间短语边界定位不准确和长距离依赖的问题。为此,提出一种基于条件随机场(CRFs)的时间短语识别方法。采用基于机器学习的方法识别时间短语,分析中文文本中时间短语的词法、句法和上下文信息等语言学特征,将时间短语分为日期型和事件型2种类型,并半自动构建3个常用词表作为外部特征。在此基础上,引入能整合不同层面特征的CRFs方法,将识别问题转化为序列标注问题。实验结果表明,该方法在日期型时间短语和事件型时间短语识别上分别取得95.70%和85.75%的F1值,识别效果较好。     

基于回声状态网络的回转窑工况识别方法

回转窑烧成带图像蕴含了丰富的温度场和熟料烧结信息,是回转窑烧结工况识别的重要依据.现有的基于静态图像的识别方法易受各种噪声影响,工况识别准确率较低.而视频图像序列蕴含了更多的烧结工况,具有区分性和不变性时空特征,在反映烧结工况变化方面信息更全面,更鲁棒.鉴于循环神经网络(RNN)和回声状态网络(ESN)适合处理时间序列...     

基于信息增量特征选择的微表情识别方法

基于LBP-TOP、HOG-TOP、HIGO-TOP特征描述子的微表情识别方法通常提取到的特征向量维度较高,计算复杂度较大,运行时间较长,识别准确率较低。为此,提出一种基于信息增量(IG)特征选择的识别方法。运用IG特征选择方法对高维度特征向量进行降维,提高识别效率。运用支持向量机分类器的线性核、卡方核、直方图交叉核进行留一交叉验证,以完成分类任务。在SMIC和CASME2数据集上进行实验,结果表明,经IG选择后,特征向量在2个数据集上的识别准确率分别达到76.22%和73.68%,分类所需时间分别缩短为原方法的3.67%和3.64%,验证了该方法的有效性。     

Grenander时间结构学习与推理优化下的行为识别

针对现有基于视频整体时间结构建模的行为识别方法中,存在的时间噪声信息和歧义信息干扰现象,从而引起行为类别识别错误的问题,提出一种新型的Grenander推理优化下时间图模型(temporal graph model with Grenander inference, TGM-GI).首先,构建3D CNN-LSTM模块,其中3D CNN用于行为的动态特征提取, LSTM模块用于该特征的时间依赖关系优化.其次,在深度模块基础上,利用Grenander理论构建了行为识别的时间图模型,并设计了两个模块分别处理慢行为时间冗余和异常行为干扰问题,实现了时间噪声抑制下的时间结构提议.随后,设计融合特征约束和语义约束的Grenander测度,并提出一种时序增量形式的Viterbi算法,修正了行为时间模式中的歧义信息.最后,采用基于动态时间规划的模式匹配方法,完成了基于时间模式的行为识别任务.在UCF101和Olympic Sports两个公认数据集上,与现有多种基于深度学习的行为识别方法进行比较,该方法获得了最好的行为识别正确率.该方法优于基准的3D CNN-LSTM方法,在UCF101数据集上识别...     

基于多特征的P2P直播流识别方法

针对当前P2P流媒体直播流的识别方法较少、识别效果一般的问题,分析了P2P直播流的行为特征,提出了基于节点连接度的识别方法和基于BM信息比的识别方法,并结合两个流量特征采用联合特征进行P2P直播流识别。实验表明,该识别方法整体上识别准确率较高,可以实现P2P直播的在线识别。     

基于Kinect的手语识别方法

为实现基于Kinect的手语识别,提出了一种利用有限状态机及动态时间规整(DTW)的动态手语识别方法。首先,利用Kinect技术得到人体深度图像和骨骼特征信息;然后利用手部分割算法得到手部深度图像,再选取识别正确率高的梯度方向直方图(HOG)特征算子来提取手部特征;最后加入有限状态机和DTW算法实现动态手语识别。实验结果表明:该方法能够实现对常用手语单词、句子的识别,识别准确率可达95%。     

人在回路的在线手写数学公式识别方法

在线手写数学公式识别面临书写字符的不确定性、数学公式结构的复杂性,以及公式书写风格因人而异等问题,特别是在公式书写中出现偶然性错误和包含复杂结构的情况下,现有的仅依赖机器的识别算法的识别准确率较低.为了解决这一问题,提出了人在回路的手写公式识别方法,该方法主要在结构分析阶段引入了人的参与,借助人对结构中歧义笔画的修改和结构补笔操作,完善和界定结构笔画和结构内笔画信息.为了评估该方法的有效性,将其与不含用户参与信息的一个基线识别方法在结构识别率和表达式识别率方面进行了对比分析.结果表明,该方法能够有效地促进用户参与到手写识别过程,同时,针对实验收集的手写数学公式数据,引入用户参与的方法能够有效地提高手写数学公式的结构和表达式识别率,分别提高了9.26％和13.99％.     

基于依存分析和错误驱动的中文时间表达式识别

时间表达式识别是进行时间表达式归一化的基础,其识别结果的好坏直接影响归一化的效果。本文提出一种基于依存分析和错误驱动识别中文时间表达式的新方法。首先以时间触发词为切入点,据依存关系递归地识别时间表达式,大大地提高了识别效果;然后,采用错误驱动学习来进一步增强识别效果,根据错误识别结果和人工标注的差异自动地获取和改进规则,使系统的性能又提高了近3.5%。最终在封闭测试集和开放测试集上,F₁值达到了76.38%和76.57%。     

基于C4.5决策树的单向P2P流量识别方法研究

P2P流量识别方法已能对基于TCP传输的双向P2P流量进行高准确率的识别,但少有论文研究单向P2P流量的识别方法.针对单向P2P流量的识别难点,提出一种基于C4.5决策树的单向P2P流量识别方法.该方法仅利用10个网络流统计特征,且这些特征可在一个流的前若干个数据包内快速计算完成,并对承载P2P流量的传输层协议具有通用性.实验结果表明,该方法识别准确率高,识别时间短,可用于高速骨干链路P2P流量的实时识别.