基于深度学习的语义通信系统

语义通信利用传输内容的语义信息进行编码,可以去除冗余数据,减少传输数据量,满足6G时代的智能通信需求.探究一种以文本为传输内容的语义通信系统,利用深度学习模型进行语义挖掘与特征提取,加入信道编解码层、信道层与量化层,构建端到端的深度神经网络.仿真结果表明,与传统的通信编解码方式相比,所提模型在传输时所需的数据量更少,传...     

基于语义的Web service组合技术研究

随着Web服务的发展,Web服务组合越来越显示出其必要性。文章分析了语义Web服务组合的特点,着重阐述了基于AI规划的语义Web服务组合方案。     

基于智能语义分析的乡村非遗品牌设计策略实践研究

目的 在浙江推动山海协作和助力山区26县高质量发展的背景下,依托智能创意设计理念,基于智能语义分析技术探索乡村非遗品牌的创新模式与设计策略。方法 通过文献研究结合实地调研梳理出地域性乡村非遗品牌构建的特点与不足;依托智能创意设计为理论基础,为乡村非遗品牌构建新的设计模式;针对国内文创产品的受众评价选取典型数据源,利用智能数字技术进行词频统计、情感倾向分析和LDA主题分析;以挖掘品牌文化、建立品牌形象、创新品牌活力为着力点,提出乡村非遗品牌形象创新设计策略。结论 基于机器学习、智能语义分析等信息技术的赋能,提出未来乡村建设背景下的非遗品牌形象创新设计策略,将智能设计、内容创意和文化价值相融合,为乡村非遗品牌设计打造新的模式,为乡村文化创意产业的发展探索新方向。     

可拓语义下汉代铜镜纹样的创新设计研究

目的 挖掘汉代铜镜纹样文化性内涵及中国传统纹样再设计价值,并将之创新应用于现代产品包装设计中。方法 首先,分析汉代铜镜纹样的社会属性和艺术属性,运用可拓语义分析的设计方法,提取纹样意向词汇并建构可拓表征模型,获得铜镜纹样文化语义设计区间;其次,辅助图解思维,将词汇语义转换为图解语义,进行语义表达分析和量值获取;最后,形状文法代入图解获得新纹样,与铜镜单元纹样结合生成有辨识度和设计价值的新纹样因子,并展开新纹样因子在产品包装上的设计实践。结论 可拓学相关理论可以将隐性知识转化为可显性表示和理性评价的文化基元,该方法为汉代铜镜纹样文化性内涵的内挖与外显提供可行路径,为中国传统纹样在现代产品包装设计领域中的再现提供一种延续性方法。     

基于上下文注意力机制的实时语义分割

针对实时语义分割网络提取的特征缺少上下文信息,易造成分割结果出现类内不一致和类间不可区分的问题,文中提出了轻量级的自适应通道注意力模块和空间注意力模块。自适应通道注意力模块使用深度分离卷积对通道层面的特征依赖关系进行建模,自适应地调整通道卷积核大小,强化高层特征的上下文表征能力,加强了分割结果的类内一致性。空间注意力模块使用分组卷积,以较小的计算量获得较大的特征信息流动区域,在空间层面加强特征的上下文联系,增强特征的空间细节信息,加强了分割结果的类间可区分性。在Cityscapes数据集上的测试与分析表明,轻量级上下文注意力机制获得了71.5%的mIoU。     

右值引用概述

右值引用（Rvalue Reference）是对C＋＋语言的一个技术小扩展。有了它,程序员可以在逻辑上规避临时对象的无谓复制,即搬移语义（move Semantics）,并可实现完美转发（perfect forwarding）。本文是对右值引用这个C＋＋语言新特性的概述。     

跨层协同注意和通道分组注意的细粒度图像分类

细粒度图像分类的主要挑战在于类间的高度相似性和类内的差异性. 现有的研究多数基于深层的特征而忽略了浅层细节信息, 然而深层的语义特征由于多次卷积和池化操作往往会丢失大量的细节信息. 为了更好地整合浅层和深层的信息, 提出了基于跨层协同注意和通道分组注意的细粒度图像分类方法. 首先, 通过ResNet50加载预训练模型作为骨干网络提取特征, 由最后3个阶段提取的特征以3个分支的形式输出, 每一个分支的特征通过跨层的方式与其余两个分支的特征计算协同注意并交互融合, 其中最后一个阶段的特征经过通道分组注意模块以增强语义特征的学习能力. 模型训练可以高效地以端到端的方式在没有边界框和注释的情况下进行训练, 实验结果表明, 该算法在3个常用细粒度图像数据集CUB-200-2011、Stanford Cars和FGVC-Aircraft上的准确率分别达到了89.5%、94.8%和94.7%.     

基于LSDANet的手机芯片屏蔽壳表面缺陷检测方法

为了解决手机芯片屏蔽壳表面白印缺陷微小、尺度各异等因素影响检测快速性和准确性的问题,本文提出一种基于长短连接通路和双注意力网络(long short link and double attention network, LSDANet)的手机芯片屏蔽壳表面缺陷检测方法。首先,通过构建基于编码和解码的语义分割模型和利用长短距离连接通路,提高网络模型对尺度各异缺陷的特征提取能力。其次,分别设计基于通道和空间的注意力机制,增大5—10 pixel尺寸的白印缺陷在空间和通道上的特征权重。最后,融合双注意力机制和长短距离连接通路分割模型,构建LSDANet缺陷检测网络,应用于手机芯片屏蔽壳表面缺陷检测。实验数据表明,LSDANet网络能够达到96.21%的平均像素精度、66.13%的平均交并比和39.03的每秒检测帧数,相比多种语义分割算法均具有更高的检测精度和速度。     

一种增强的多粒度特征融合语义匹配模型

语义匹配作为自然语言处理任务中重要的一环,直接制约问答系统、信息检索等任务的效率。针对现有语义模型大多只以词为基本语义单元进行注意力交互,较少考虑中文中的词边界模糊和字符信息获取不足而带来的语言颗粒度对整体建模忽略的问题,提出一种增强的多粒度特征融合语义匹配模型EMGFM。首先结合BERT模型和word2vec以获得增强的字符向量表示,然后从字、词、句三种粒度进行注意力的交互,并对交互结果进行加权融合,以突出不同交互信息对整体建模的贡献。为减少交互过程中产生的信息损失,通过构造差异性来对交互信息进行信息增强。最后通过最大池化、平均池化两种方式获得文本的最终语义表示以进行匹配度的计算。该模型在CCKS问句匹配大赛中文数据集上达到了87%的正确率,相比于一些语义匹配的经典模型准确率均有提升,证明该方法确实能有效提升问句语义匹配的准确性。     

基于卷积神经网络的多模型交通场景识别研究

利用人工智能中的视觉分析技术,实现对高分辨率交通视频中出现的各个目标类别进行实时目标检测、语义分割和目标追踪。数据集结合BDD100K和Mapillary Vistas。训练中不仅对模型中的参数进行调整,还对多个模型进行改进与创新。目标检测模型使用EfficientNet-B1作为主干网络,使用ASPP与改进后的FPN作为脖颈网络,通过引入多种模型训练技巧,对模型进行优化,最终结果减少约2.3倍的参数量,在不同数据集上的准确率都有所提升。目标追踪使用DeepSort追踪算法对多个目标类别进行追踪计数。语义分割使用Encoder-Decoder结构,使用EfficientNet-B4作为主干网络,参照U-Net++网络使用卷积层作为特征提取模块,反卷积层作为上采样模块,通过联结不同大小的特征图,得到最终输出结果。将改进语义分割模型与MobileNetV2和DeeplabV3网络结合的模型进行对比,减少约1.35倍的参数量。实验证明,通过深度学习算法提取鲁棒性特征能够为自动驾驶和辅助驾驶场景中的检测识别提供便利。