意图注意力引导的小样本3D点云目标检测

现有的点云目标检测方法往往要求严苛的监督式数据集,这带来了人力、物力等方面的挑战。因此提出一种创新性的解决方案,即采用元学习框架来克服大量标注数据的困扰。对小样本学习技术在3D点云目标检测中的应用进行研究。这一方法能够基于有限的新类别标注样本,预测未标注样本的分类,从而在有限数据条件下仍能取得良好效果。引入原型投票网络来学习类别的几何原型以及支持集的类别原型。此外,为了学习点云上下文信息,引入意图注意力机制,以实现更加精准的信息融合。在原型生成方面,为避免点云原型过度依赖最大池化而丧失大量信息,采用平均池化方法来生成原型。与基准数据集上的基线模型相比,该方法呈现出显著且一致的提升效果,为点云目标检测领域的研究和应用提供了有力支持。

希尔排序理想最优增量序列的研究

希尔排序的运行效率取决于对增量序列的选择。随着新增量序列的提出,希尔排序的执行效率不断提高,然而始终未能求得理想最优增量序列。文章总结增量序列的更新历程,研究希尔排序算法及其各种增量序列,探究理想最优序列。提出一种新的增量序列——Li序列,并给出Li序列的实现过程和具体推导过程。Li序列有待进一步完善,但通过实验,多维度比较Li序列与当前主流增量序列的优劣,证明Li序列是最接近理想最优增量序列的增量序列之一。

基于井筒-地层置换效应的页岩油钻井环空流体温度分布

为了准确掌握井筒钻井液与地层页岩油置换条件下的环空流体温度分布规律,基于流体流动与传热理论,充分考虑置换后环空混合流体流动方式和热物性参数的变化,建立页岩油钻井环空流体温度分布预测模型,探究置换条件下环空流体温度分布规律,并分析置换位置、置换流体类型、置换速率对环空流体温度的影响规律。结果表明:置换条件下的环空流体温度高于正常循环条件下的温度;置换发生在井底时,环空流体温度分布曲线无明显拐点,而置换发生在非井底时,曲线存在明显拐点,且拐点位置与置换点位置一致;与低比热容的地层页岩油相比,高比热容的地层水与井筒钻井液发生置换时环空流体温度更高;当地层页岩油侵入速率大于井筒钻井液漏失速率时,置换速率越大,置换后的环空流体温度越高,反之越低。

PrivCode:代码生成隐私保护策略

为解决用户使用Copilot等代码生成工具时面临的数据隐私泄露的问题,提出一种在线代码生成隐私保护策略PrivCode。考虑到当前机器学习隐私保护策略往往是基于白盒的前提设计的,难以适用不可知结构下的大型模型,将Copilot视为黑盒并引入代理服务器,通过Mix-Net混淆多个用户的请求,打破用户和代码生成请求之间的映射关系。1-out-of-N不经意传输确保用户接收代码提示的安全。该策略满足定义的3条性质,实验测算结果表明,协议在实际场景中可用。该策略兼顾了用户的安全以及使用需求。

基于改进Faster RCNN的安全帽佩戴检测研究

针对已有安全帽佩戴检测算法对部分遮挡、尺寸不一和小目标存在检测难度大、准确率低的问题,提出了基于改进的Faster RCNN和多部件结合的安全帽佩戴检测方法。在原始Faster RCNN上运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性,并引入防止正负样本不均衡的在线困难样本挖掘策略,然后对检测出的佩戴安全帽工人和安全帽等采用多部件结合方法剔除误检目标。实验表明,相比于原始Faster RCNN,检测准确率提高了7%,对环境的适应性更强。

一种结合语义Web和用户信任网络的协同过滤推荐模型

协同过滤由于数据稀疏、冷启动等问题导致了相似用户发现变得困难,从而影响推荐结果的质量。为克服这一不足,提出一种以本体、语义Web为基础的方法,通过构建用户之间的信任网络以及计算用户间的信任权重值,从而增加系统中相似用户发现的数量,改善推荐结果的准确性、可靠性。实例证明,该方法能够帮助推荐系统发现更多的相似用户。

基于语义推理的学习资源推荐

为了能够更好的满足用户对学习资源个性化的需求,在传统推荐技术的基础上,引入本体来描述学习资源,借鉴语义网中的语义联系、Spreading Activation等技术,得到更多与用户兴趣偏好有"隐藏"语义联系的资源,从用户角度保证了用户对学习资源日益增长的需求。实例验证了通过这种方法可以获得更多符合用户需求的学习资源,丰富了最终的推荐集,更好的完成个性化推荐,拓宽了用户的学习范围。

空气重介质流化床气泡行为及其对分选的影响

空气重介质干法选煤流化床属于高密浓相稳定鼓泡床 ,气泡的行为直接影响分选效果 .介绍了空气重介质流化床中气泡行为的重要性及特点 ,导出了以气泡体积分率表示的流化床密度表达式 ,分析了气泡对流化床的 6mm实际分选粒度下限的影响 .同时 ,阐述了流化床中介质的返混和颗粒透泡对产品错配的影响 ,并给出了一个不同粒度级分选结果 Ep的实例 .结果表明 :气泡是影响分选精度的重要因素 ,其体积分率的变化与床层密度波动密切相关 .

基于YOLOv3的施工场景安全帽佩戴的图像描述

近年来,因工人未佩戴安全帽而造成的施工事故频繁发生,为降低事故发生率,对工人安全帽佩戴情况进行图像描述的研究。当前基于神经网络的图像描述方法缺乏可解释性且细节描述不充分,施工场景图像描述的研究较为匮乏,针对该问题,提出采用YOLOv3(You Only Look Once)的检测算法,以及基于语义规则和语句模板相结合的方法递进式地生成安全帽佩戴的描述语句。首先,采集数据,制作安全帽佩戴检测数据集和图像字幕数据集;其次,使用K-means算法确定适用于该数据集的锚框参数值,用以YOLOv3网络的训练与检测;再次,预定义一个语义规则,结合目标检测结果来提取视觉概念;最后,将提取出的视觉概念填充进由图像字幕标注生成的语句模板,以生成关于施工场景中工人安全帽佩戴的图像描述语句。使用Ubuntu16.04系统和Keras深度学习框架搭建实验环境,在自制的安全帽佩戴数据集上进行不同算法的对比实验。实验结果表明,所提方法不仅能够有效界定安全帽佩戴者和未佩戴者的数量,而且在BLEU-1和CIDEr评价指标上的得分分别达到了0.722和0.957,相比其他方法分别提高了6.9%和14.8%,证明了该方法的有效性和优越性。

一种基于安全帽佩戴检测的图像描述方法研究

安全帽佩戴检测与描述是施工图像理解中涉及施工安全的重要内容.本文提出了一种基于改进YOLOv3算法,使用规则和模板相结合的安全帽佩戴图像描述生成方法.首先采集并制作数据集,利用图像增强扩充数据样本;然后以原始YOLOv3为基础,改进多尺度预测结构和初始锚框参数,使用K-means算法进行目标框维度聚类;最后在自制的数据集上进行训练与检测,并根据预定义的规则结合语句模板生成描述语句.实验表明该方法在图像描述评价指标上的得分略有提升,同时经人工测评可知,该方法生成的语句在描述佩戴安全帽的人数方面较为准确,表明该方法在处理安全帽佩戴描述生成任务上的有效性.

基于粗糙集约简技术的输电线路运行风险评估

知识约简是粗糙集理论中获取决策规则的重要方式。结合知识约简的概念和定义,介绍了Semi-Naive-Scaler属性离散化算法,给出了基于可辨识矩阵的属性约简算法,并采用了基于可辨识矩阵的二值化数据过滤和贪心算法相结合的规则约简算法。通过属性约简和规则约简,得出决策规则。最后在输电线路运行风险评估方面给出了应用算例。

基于word2vec和LDA的文本主题

将word2vec和LDA算法相结合,对文本主题进行提取研究。通过已有的分词工具实现文本分词,提取文本中的词汇;对语料库依据LDA主题模型进行建模,提取主题相关词汇作为初始主题词集;依据word2vec模型提取与初始主题词集语义相似的词汇,将初始主题词汇之间的相似度和向量邻接关系按照权重不同重新分配,改进Gibbs抽样,对LDA进行改进,提高主题挖掘的准确性和稳定性。实验结果表明,当训练语料分布合理时,经过LDA和word2vec的有效结合,主题词抽取效果有所提高,验证了该方法的可行性。

基于改进区域卷积神经网络的安全帽佩戴检测

针对已有的安全帽佩戴检测算法对小尺寸目标和部分遮挡目标检测效果较差的问题,在区域卷积神经网络基础上,做出优化用于安全帽佩戴检测。在原始Faster RCNN的基础上使用多层卷积特征融合技术优化区域建议网络产生候选区域特征图,使用在线困难样本挖掘技术训练ROI网络,自动挑选出困难样本使训练更加有效。实验结果表明,相比原始的Faster RCNN算法,所提方法检测精度提高了4.73%,对部分遮挡和小尺寸目标均有较好的检测效果,对环境变化具有更强的适应性。

空气重介流化床介质流动和床层密度分布研究

建立了空气重介质流化床的多相流体力学模型 ,基于选矿实验室的二维床 ( 60 cm× 1 .2cm)求解了介质速度和密度的分布 .结果表明 :模拟结果和实验结果符合性很好 .磁性介质在流化床内部呈现出中心上升边壁下降的流动趋势 .固体颗粒的运动速度很小 ,在床内的大部分区域其速度在 - 40～ 40 mm/ s之间 .在气体的表观速度为 0 .1 5 7m/ s时 ,床层密度值为 1 .96± 0 .0 3。

基于HOG-CSLBP及YOLOv2的行人检测

使用传统的YOLOv2网络训练出来的行人检测模型在背景简单以及行人遮掩不严重的情况下,检测效果良好,但是当背景复杂以及行人遮掩严重的时候,检测效果较差。针对此问题,在YOLOv2网络中添加HOG-CSLBP特征提取层,根据维度聚类方法对INRIA数据集目标聚类分析的结果调整YOLOv2网络的先验框个数与维度值。实验结果表明,在误检率为0.1时该算法的漏检率为9.13%,与传统的YOLOv2网络相比漏检率降低了5.27%,说明此方法有效可行。

基于语义的医疗资源均衡推荐算法

传统医疗资源推荐算法中用户面临资源选择信息过载的问题,为此,从用户和医生2个角度出发,提出一种基于语义的医疗资源均衡推荐算法。采用语义本体技术对医疗资源与用户进行建模,给出一种机器能够理解的标准信息表示方法。融入稳定匹配算法处理推荐过程中的个性化匹配,同时加入推理规则进行匹配筛选,使个性化推荐中用户的个性特征与医生资源具体属性相匹配。理论分析和实验结果表明,该推荐算法能够降低用户选择医疗资源时的负担,提高用户的需求满意度和系统的推荐质量。

一种矿井主排水智能监控系统的设计探讨

探讨了一种新型的矿井主排水智能监控系统的设计,介绍了系统工作原理、关键技术及具体设计方案。除具备一般监控系统的功能外,该矿井主排水智能监控系统采用基于动态超限水位的方法控制水泵的启动,并将警情所在现场的图片信息发送给责任者;将基本功能封装为Web服务,可在局域网和广域网范围内实现对现场信息的快速查看。

高校研究型教学模式与创新人才培养探究

近几年,研究型教学作为培养创新型人才的新型教学模式得到了教育工作者的关注。本文分析了研究型教学的内涵,探讨了研究型教学中教与学、师与生以及过程与结果的关系,并对研究型教学的实施要素进行了分析,提出了实践性的建议。

基于两阶段计算Transformer的小目标检测

目前,小目标检测任务虽取得了长足发展,但仍存在诸多问题。如,小目标场景往往因为目标自身信息量过少导致目标特征提取难,容易丢失小目标原本的特征信息使得检测效果不佳。为了解决此问题,提出了一种基于两阶段计算Transformer(TCT)的小目标检测网络。首先,在主干特征提取网络中加入两阶段计算Transformer用于特征增强,在传统单阶段计算Transformer值基础上,使用多个一维空洞卷积层分支以不同的特征融合方式获得全局自注意力特征权重,提高特征表达能力与信息交互能力。其次,提出高效的残差连接模块,改进现有的CSPLayer层中低效的卷积层与激活层,有利于促进信息流的交互,学习更丰富的上下文细节特征。最后,提出特征融合与精炼方法以融合多尺度特征,提升目标特征表征能力。通过在PASCAL VOC2007+2012数据集、COCO2017数据集和TinyPerson数据集上进行多个定量与定性实验发现,相较于YOLOX算法,所提算法在小目标检测上具有更强的目标特征提取能力和更高的检测精度。

基于本体的旅游资源二次推荐方法研究

为降低用户寻找旅游资源时的负担,更好地处理用户的需求和偏好,从用户角度出发,提出了一种基于本体的二次推荐方法。该方法引入本体来描述旅游资源,实现了用户的直接需求及偏好兴趣信息与推荐中过滤条件的关联,用户可对推荐结果进行评价。理论分析和实验表明,该方法可行,推荐结果能够覆盖绝大部分用户的选择,具有较好的效果。