基于多重注意结构的图像密集描述生成方法研究EI北大核心CSCD

图像密集描述旨在为复杂场景图像提供细节描述语句.现有研究方法虽已取得较好成绩,但仍存在以下两个问题:1)大多数方法仅将注意力聚焦在网络所提取的深层语义信息上,未能有效利用浅层视觉特征中的几何信息;2)现有方法致力于改进感兴趣区域间上下文信息的提取,但图像内物体空间位置信息尚不能较好体现.为解决上述问题,提出一种基于多重注意结构的图像密集描述生成方法—MAS-ED (Multiple attention structure-encoder decoder). MAS-ED通过多尺度特征环路融合(Multi-scale feature loop fusion, MFLF)机制将多种分辨率尺度的图像特征进行有效集成,并在解码端设计多分支空间分步注意力(Multi-branch spatial step attention, MSSA)模块,以捕捉图像内物体间的空间位置关系,从而使模型生成更为精确的密集描述文本.实验在Visual Genome数据集上对MAS-ED进行评估,结果表明MASED能够显著提升密集描述的准确性,并可在文本中自适应加入几何信息和空间位置信息.基于长短期记忆网络(Longshort term memory, LSTM)解码网络框架, MAS-ED方法性能在主流评价指标上优于各基线方法.     

基于GC-MS指纹图谱和XGBoost机器学习的泸型基酒贮存时间鉴别

通过顶空固相微萃取结合气相色谱-质谱联用采集挥发性成分指纹图谱，采用极端梯度提升算法建立回归模型，运用极端随机森林的变量重要性评估、sklearn特征选择模块中的单变量线性回归测试（F_regression）以及连续目标变量的互信息（mutual_info_regression）确定有效建模变量，对白酒的贮存时间进行鉴别。模型的R2评估结果为0.987，预测模型可靠性较好，为白酒酒龄的判断提供了新思路。