基于自适应图卷积和注意力池化的点云分类与分割

针对现有点云分类与分割方法使用最大池化聚合局部邻域特征,导致最大值以外的重要信息丢失的缺陷,提出一种结合自适应图卷积AdaptConv和注意力池化AP的点云分类与分割网络。首先,采用K近邻算法构建点云局部图结构,根据点的特征生成自适应卷积核,灵活精确地捕获点云的局部邻域特征;其次,为有效提高特征聚合能力,采用注意力池化定义能量函数得到权重值,加权并聚合出更具代表性的点云局部特征;最后,堆叠自适应图卷积和注意力池化逐层提取全局特征,提高网络的分类和分割精度。实验结果表明,相较基准方法,点云分类的平均类别精度提升0.9%,部件分割和语义分割的平均交并比分别提升0.8%和0.3%,证明所提方法可有效提升点云分类与分割的准确率,具有较高的鲁棒性。

融合图卷积和注意力机制的GRU海面温度预测模型

海面温度(sea surface temperature,SST)是影响海洋气候变化的关键因素之一,SST的精确预测对海洋气象、航海等相关领域具有重要意义。为同时捕获空间和时间相关性,本文提出了一种融合图卷积(graph convolution,GC)和注意力机制的门控循环单元(gated recurrent unit,GRU)海面温度预测模型(graph convolutional recurrent unit-attention mechanism,GCRU-ATT)。GC将海洋表面空间构建成图形的拓扑结构,有效地挖掘数据特有的空间特征。首先,将门控循环单元中的矩阵乘法替换为图卷积运算,构成门控图卷积(graph convolutional recurrent unit,GCRU)层;应用GCRU层搭建模型主要结构,以提取数据的时空信息;其次,引入注意力机制为GCRU层输出信息分配不同的权重。最终,使用一个全连接的输出层输出海面温度预测结果。选取东海和渤海海域的SST数据建模,实验结果表明GCRU-ATT模型鲁棒性好,且其误差指标值低于已有的方法,预测精度较高。

几种特殊积和式的计算

积和式是一种特殊的矩阵函数,它在组合设计、组合矩阵论和概率论等领域都有很广泛的应用,特别是在组合矩阵论中描述组合问题时有着不可替代的优势.文章在积和式性质的基础上,通过示例归纳总结了几种特殊积和式的计算方法.

关于第二类Chebyshev多项式立方的积和式

研究了第二类Chebyshev多项式立方的乘积和的一些性质,给出了一组关于第二类Chebyshev多项式立方乘积和的恒等式及关于Fibonacci数立方乘积和的一个结论.

基于归纳学习图卷积和自注意力池化的图分类网络

针对图神经网络在大规模图上的分类表现不佳,无法快速形成未知节点和边的嵌入,并且容易丢失图重要特征等问题。提出一种基于归纳学习和自注意力池化相结合的图分类网络模型,一方面采用改进聚合函数后的归纳式学习方法对图的节点特征形成快速地嵌入,另一方面采用自注意力池化方法保留图的重要特征,最终采用适于提取大规模图信息的层次化结构框架进行下游图分类任务。实验结果表明,该网络模型在相同的公共数据集下,对比其他图分类模型有2%~10%左右精度的提高。

一类 (0 ,1 ) -矩阵的最大积和式的积分表达式(英文)

给出了线和为 n- 2的 n阶 (0 ,1) -矩阵的最大积和式的积分表达式 。

动态蛇形卷积和图卷积注意力的氟骨症X光图像分割

针对氟骨症X光图像中病灶区域轮廓不规则,边界模糊的问题,提出一种结合动态蛇形卷积、图卷积注意力的氟骨症X光图像分割方法。在编码器部分,提出全域动态蛇形卷积模块(ODSCM)来补充由于单一卷积所缺乏多尺度特征感知能力,从而减轻卷积过程中的特征丢失现象;在解码器部分,提出图卷积注意力模块(GCA)捕获长距离像素依赖,结合通道注意力聚焦关键病灶区域。为了提高性能并减少参数量,引入幻影卷积模块(GCB),并在U-Net解码结构的基础上去除了与前两层特征的跳跃连接操作,以提高模型的泛化性能。在氟骨症X光图像分割数据集上进行验证,所提方法的DSC、IoU、Accuracy和Recall分别为0.77、0.64、0.85和0.75。实验结果表明,所提方法优于目前主流的医学图像分割方法,特别在氟骨症细小骨质增生病灶上表现出色。

基于强化图卷积和时空循环门的区块链非法交易检测方法

区块链非法交易检测任务需要充分挖掘历史交易数据中固有的时间和空间特征。针对现有的非法交易检测方法存在误差较大的问题,提出一种基于强化图卷积和时空循环门的区块链非法交易检测方法(RGCN-SRG)。首先,利用比特币区块链历史交易数据构造交易图谱,引入一组具有不同尺寸卷积核的强化图卷积网络(RGCN),全面地提取该图谱的拓扑信息并生成特征向量;另外,考虑到区块链交易的时序特点,提出一种时空循环门结构(SRG),在传统门结构中引入图卷积运算,以提取交易图多个时空维度的依赖信息;最后,经过一个线性层和激活函数输出非法交易检测的预测结果。将提出的方法与GCN、DEDGAT、EGT以及GCN+MLP进行比较,在F 1方面,分别提高了18.4、10.7、9.3和4.9百分点;在精度方面,分别提高了11.5、11.2、7.7和3.7百分点。

基于混合差分卷积和高效视觉Transformer网络的三重多模态图像融合算法

提出了一种创新的三重多模态红外和可见图像融合算法,以解决传统卷积运算在全局特征捕捉和长程相关性分析方面的不足。该算法的核心创新包括:首先,在输入端引入差分图像,通过像素值相减突出图像间差异,构建三重输入网络架构,增强图像特征的区分度。其次,设计了混合差分卷积(Mixed difference convolution,MDconv),一种传统卷积的变体,结合边缘检测算子,利用像素差分原理,提升卷积运算的特征学习能力;进一步地,采用双分支编码器结构,结合密集混合差分卷积的卷积神经网络分支和高效视觉Transformer(Efficient Vision Trasnsformer,EfficientViT)分支,分别提取图像的局部细节和全局背景,实现对局部与全局特征的全面捕捉;最后,采用多维坐标协同注意力融合策略,在融合层有效整合编码器输出的多模态图像特征。在公开数据集上的定性和定量实验表明,采用文中算法进行红外和可见融合后图像具有背景纹理细节清晰、热辐射目标更显著等明显优势,并在四项客观评价指标MI、VIF、SD、QAB/F分别达到最优值,在SF指标上取得次优值。消融实验也证明了文中所提各个模块的有效性。

集改进图卷积和多层池化的点云分类模型

针对基于图卷积的点云分类模型在提取点云不同语义区域的特征信息以及高效利用聚合的高维特征方面存在的问题,本文提出了一种新的点云分类模型,该模型采用了动态自适应图卷积和多层池化相结合的方法。具体而言,本文采用了残差结构来构建更深层的卷积,以学习不同语义区域点对特征中不同层次的特征信息,从而生成动态自适应调整卷积核,针对不同的点对动态更新边的特征关系,从而提取更为精确的局部特征。同时,本文将聚合的高维特征输入到多层最大池化模块中,回收利用第一次最大池化后丢弃的特征信息进行多层最大池化,从而获取更为丰富的高维特征,提高分类模型的精度。实验结果表明,在ModelNet40数据集上,本文提出的分类模型的总体精度达到93.3%,平均精度为90.7%,明显优于目前主流的点云分类模型,并具有较强的鲁棒性。

基于图卷积和注意力神经网络的旅行商问题新解法

旅行商问题是一个经典的组合优化问题。为快速求解旅行商问题,设计了由图嵌入网络、图卷积神经网络、注意力神经网络和多层感知机组合而成的深度学习模型的学习分支规则,通过改进传统的分支定界算法提高算法性能。对15个城市的旅行商问题实例进行监督训练,并在SCIP求解器上分别测试10,15,20,25和30个城市的旅行商问题实例。发现:基于学习分支规则的分支定界算法的求解时间比基于传统分支规则的分支定界算法的求解时间分别快-0.0022 s,0.0178 s,1.7643 s,2.3074 s和2.0538 s。因此,基于图神经网络的分支变量选择对传统分支规则的改进是有效的,可以较好地泛化到训练规模更大的旅行商问题实例中。

基于图卷积和双线性注意力网络的药物靶标亲和力预测

药物靶标亲和力预测在药物研发中扮演着重要的角色。针对现有预测方法大多忽略药物分子的二维结构信息、缺乏深层表征融合学习的问题,提出了基于图卷积和双线性注意力网络的药物靶标亲和力预测模型(GBN_DTA)。该模型首先基于多层图卷积神经网络编码药物分子图,同时结合1D-CNN和双向长短期记忆网络(BiLSTM)编码靶标序列;然后使用双线性注意力网络融合编码后的药物和靶标特征,最终获得亲和力预测分数。实验结果表明,该模型在DAVIS和KIBA数据集上的性能均优于其他6种主流方法,有效提升了预测准确率。

奇、偶双随机矩阵及其积和式的若干注记

文章主要研究了奇、偶双随机矩阵及其(奇、偶)积和式的有关问题。一方面,通过分析双随机矩阵的奇偶性,说明了刻画奇双随机矩阵和偶双随机矩阵的等价性;另一方面,参照双随机矩阵其积和式的下确界问题(即著名的Van der WaerdenEgorychev-Falikman定理),对奇、偶双随机矩阵其(奇、偶)积和式的确界问题分别进行了探讨。

积和式的拉普拉斯展开式探析

积和式由著名数学家Binet和Cauchy引入,是矩阵的一个重要参数.从积和式与行列式的定义式出发,详细阐述了积和式、矩阵积和式的一些性质,用类比的方法建立了积和式的拉普拉斯展开式,最后,作为应用,给出了多项式f(x)=xn+a1xn-1+…+an-1x+an的积和式表示.

基于差分卷积和深浅层特征融合的表面缺陷分割

针对弱纹理情况下缺陷特征不明显和小目标缺陷分割准确性较低的问题,提出基于差分卷积和深浅层特征融合的表面缺陷分割方法。首先,基于差分卷积设计特征增强模块,对特征图进行特征增强;其次,在特征融合网络中将深浅层特征进行融合,对浅层网络中的细节特征和深层网络中的语义信息进行有效融合;最后分别采用NEU-Seg和MT-Magnetic数据集对本文方法和现有的代表性方法进行综合对比分析。结果表明:本文研究方法在NEU-Seg和MT-Magnetic数据集上分别实现85.2%、83.3%的分割精度,优于现有的代表性语义分割算法,证明该法可有效提升弱纹理和弱小缺陷的分割准确度,显著提高缺陷分割算法的精度。

基于轻量级图卷积和隐式反馈增强的多样化推荐

近年来,研究人员一直在努力提高推荐系统的准确性,而忽视了多样化对用户满意度的重要影响。目前大多数多样化推荐算法在传统算法生成的准确性候选列表后施加多样性约束进行后处理。然而,这种解耦设计总是导致推荐系统的次优状态。与此同时,尽管利用图卷积神经(Graph Convolution Networks,GCN)的推荐算法在提高推荐准确性方面的有效性已得到证实,但用于推荐的适用性和多样性设计仍然被忽视。此外,推荐算法采用用户购买这一单一的显式反馈无可避免地陷入“推荐过剩”。因此,提出一种端到端的多样化轻量级图卷积网络推荐模型(Diversified Light Graph Convolution Networks Recommendation,DLGCRec)来克服以上弊端。首先,将图卷积简化为轻量级图卷积(Light Graph Convolution Networks,LGCN)以便于推荐,并利用轻量级图卷积将多样化推向上游准确性匹配推荐过程。然后,在轻量级图卷积的采样阶段,利用引入了用户隐式反馈的多样性增强负采样来探索用户的多样化偏好。最后,利用多层特征融合策略捕获节点的完整特征嵌入,提升推荐性能。在真实数据集上进行实验,结果验证了DLGCRec在适用推荐和提升多样性方面的有效性。进一步的消融研究证实,DLGCRec有效地缓解了准确性-多样性困境。

Fibonacci数奇数次方的积和式

利用第二类Chebyshev多项式的性质以及其与Fibonacci数的关系得到了关于Fibonacci数奇数次方的积和式.

重庆主城核心区地表温度与绿地乔木基干横断面积和相关性研究

利用热红外波段资料反演主城区地表温度,结合实地典型样地抽查,对绿地内乔木基干横断面积和与主城核心区地表温度进行相关分析.结果表明:在重庆市主城核心区以内的大范围内,在有损估计的情况下,地表温度(y)和乔木基干横断面积和(x)之间满足线性关系:y=-0.463x+37.991(R=0.964 R2=0.930 SigniF=0.000(<0.01)),即在主城核心区每公顷绿地中乔木基干横断面积和增加1 m2,绿地内地表的温度可降低0.46℃,并对松树桥立交桥、北环立交及嘉陵江大桥北引桥下绿地进行实地观测分析,通过增加绿地内乔木基干横断面积和,可有效缓解区域内热岛强度.

定向图的斜邻接矩阵的积和多项式（英文）

设Gσ为简单图G的一个定向.介绍了定向图Gσ的积和多项式,得到了Gσ的积和多项式根据图的结构表示的系数公式,证明了一个图G的所有定向图有相同的积和多项式当且仅当G没有偶圈.对定向图Gσ的积和多项式的根也进行了研究.

奇下标契贝谢夫多项式的积和式及其应用

研究了第二类契贝谢夫多项式Un(x)(n=0,1,2,…)的性质,给出了奇下标第二类契贝谢夫多项式的一组积和式及二个推论。