融合语义信息与物体级几何特征的实时动态激光SLAM算法

针对现有的激光SLAM算法在动态场景下鲁棒性差、定位与建图精度易受动态物体干扰的问题,提出了一种融合语义信息与物体级几何特征的实时动态激光SLAM算法Object-SuMa。首先通过地面滤波、物体分割、方向包围盒解算等过程,生成物体级几何特征并表示为纹理,用于并行计算和修正物体内部错误的语义分割结果;然后在配准过程中分解计算方向包围盒间的IOU,并基于包围盒IOU和语义分割结果引入物体级几何加权和语义加权,减少误匹配和动态点匹配;借助图形渲染管线构建并行计算过程,进行地面点配准和非地面点配准两步优化,降低计算复杂度和耗时;最后在KITTI里程计数据集测试表明,Object-SuMa算法相比SuMa++算法的相对位姿估计精度提升15%,ICP平均耗时下降17%,改善了动态场景下的激光SLAM定位精度和鲁棒性。

融合多时间维度视觉与语义信息的图像描述方法

传统的图像描述方法仅使用当前时刻的视觉信息和语义信息来生成预测词,而没有考虑过去时刻的视觉信息和语义信息,从而导致模型输出的信息在时间维度上比较单一,因此生成的描述语句在准确性上有所欠缺。针对此问题,提出一种融合多时间维度视觉与语义信息的图像描述方法,有效地融合了过去时刻的视觉信息和语义信息,并设计一种门控机制动态地对两种信息进行选择利用。在MSCOCO数据集上进行实验验证,结果表明该方法能够更准确地生成描述语句,和当前最主流的图像描述方法进行对比,性能在各项评价指标上都得到了可观的提升。

基于语义信息的无监督单目深度估计

随着深度学习的发展,无监督单目深度估计成为计算机视觉的研究热点。由于深度图存在轮廓不清晰、深度估计不准确等问题,以编—解码器结构为基础,提出一种基于语义信息的无监督单目深度估计网络,为了获取更为清晰的轮廓信息,本文在编解码器之间通过空洞空间卷积池化金字塔(ASPP)层进行语义信息的细化,提高生成的图像质量;该网络通过在编码器到解码器的跳层连接实现对多分辨率特征的提取,在编码器部分采用改进的高分辨率网络(HRNet)融合不同层的多分辨率特征,在解码前使用串联策略融合中间阶段的输出,提高深度估计的准确率。在KITTI数据集上的实验结果表明,本文方法的误差评价指标相较于目前的深度估计方法更低,在3个深度估计准确率评价指标上达到了89.4%,96.3%,98.1%,具有较好的准确性。

融合双通道的语义信息的方面级情感分析

针对方面级情感分析任务中语义信息难以提取以及方面词信息难以和上下文信息相关联的问题,提出一种融合双通道的语义信息模型(FDCS)。通过BERT预训练模型搭建两个通道获取不同层次的语义信息,一个是全局信息通道,另一个是句子信息通道;使用语义注意力融合双通道中不同层次的语义信息,将融合后的语义信息再次分别融入全局信息和句子信息;根据每个通道语义信息的不同分别提取相应的特征信息。在3个基准数据集上的实验结果表明,该模型的性能优于其它模型。

基于词汇搭配的蒙古语兼类词语法和语义信息标注研究

通过对《蒙古文学语料库》中的兼类词文本进行语法和语义信息标注得出了以下结论:蒙古语兼类现象主要集中在形容词、名词、动词和副词之间;兼类词的语义分类信息最多为名词义类,其次为形容词义类、动词义类;兼类词的语义格信息最多为受格,其次是性状格、情态格。本实验对基于语义分类和语义格信息的蒙古语兼类词搭配的语义关系描述提供知识依据。

融合共现和语义信息的药对提取方法研究及应用

目的针对处方数据特点,提出一种融合共现和语义信息的药对提取算法。方法将处方数据转化为矩阵数据,计算药物之间的关联信息作为初始筛选指标,再根据处方数据构建词向量,计算药物之间的语义相似度,作为第二筛选指标,从而提取潜在药对。将本文算法与经典的Apriori算法分别对1090条肺癌门诊处方用药数据进行实验,对比分析实验提取结果,从而验证本算法提取的有效性及实用性。结果与Apriori算法相比,本算法提取药对效果较好,可以在药物频次相差较大的情况下合理地缩小潜在药对选择范围,此外对阈值结果进行比对,针对本文数据根据数量变化与专家经验,分别推出两组建议阈值,在推荐阈值设置的范围下分别成功提取出医案中的88组与33组药对。结论词频结合语义信息用于筛选潜在药对的方法是可行且有效的,可为中医临床处方用药经验挖掘提供方法参考。

基于标签语义信息感知的少样本命名实体识别方法

在少样本命名实体识别方法中,目前广泛应用的方法是基于原型网络的两阶段模型。但是,该方法未充分利用实体标签中的语义信息,且在距离计算中过度依赖实体类型原型向量,导致模型泛化能力差。针对这些问题,提出一种基于标签语义信息感知的少样本命名实体识别方法。该方法是一种先进行实体跨度检测,再判断实体类型的两阶段方法。在构建实体类型原型向量时,将对应实体类型包含的语义信息考虑在内,通过维度转换层将其与原型向量相融合。在对新样本进行实体识别时,将实体类型的正负样本与实体类型原型向量组成实体类型三元组,依据样本到三元组的距离对其进行分类。在多个数据集上的实验结果证明,该模型的性能比以往的模型有较大的提升。

融合IFC语义信息与几何相似性的BIM构件实例信息提取方法

建筑信息模型(BIM)能够对建筑结构、部件组成及其业务语义属性进行准确表达,在智慧城市时空底板建设及建筑物“规、建、养、运”全生命周期数字化管理中发挥着重要的作用。BIM模型的数量级大、引用关系与层级结构复杂,增加了BIM构件实例信息的提取难度,从而导致目前的CIM平台难以直接利用BIM构件实例信息实现轻量化的数据传输、流畅的可视化及BIM分析计算。针对此问题,本文提出了一种融合IFC语义信息与几何相似性的BIM构件实例信息提取方法,在充分考虑IFC几何引用语义信息的基础上,使用ICP算法和豪斯多夫距离计算几何相似性,实现对BIM构件实例信息的精确提取;此外,还针对BIM场景中常见的拉伸体构件,提出了一种基于特殊拉伸体的实例信息快速提取方法;最后选取了5个不同BIM专业的试验示例数据进行详尽分析。试验结果显示,本文提出的BIM构件实例信息提取方法在各种示例数据中的文件平均压缩率为29.79%,能够显著地减小文件体积;在BIM构件实例信息提取能力方面,实现了79.41%的平均构件实例化率及22.47%的平均实体压缩率,且每个实例化构件平均包含的子构件数量高达49.24。本文方案可以充分提取IFC文件中的BIM构件实例信息,能够为海量BIM模型的轻量化提供强有力的技术支撑。

基于语义信息和彩色图像引导的道路场景深度补全框架

随着人工智能技术的发展,深度信息在机器人技术、无人驾驶和虚拟现实等领域的应用日益广泛。然而,现有深度传感器存在数据稀疏和受干扰等问题,生成的深度图限制了其在实际任务中的应用。于是,近年来提出由图像引导的深度补全任务,从稀疏深度图和高质量彩色图像生成密集深度图。在这项任务中,如何融合图像的语义信息和稀疏深度对性能起着重要作用。本文提出了一种将语义信息引入双分支网络中的深度补全框架,以促进语义信息与深度信息的融合,从而提高补全效果。试验结果表明,在加入了语义信息后,本文框架在道路场景数据集上表现优异,验证了其合理性和性能优势。

结合句法结构和语义信息的方面情感三元组抽取

为解决先前方面情感三元组抽取方法中忽略句法结构和语义信息的问题,提出一种结合句法结构和语义信息的抽取模型。使用BERT预训练模型编码输入语句,同时编码句法结构特征。通过注意力层学习词对间的语义信息。将句法结构特征和语义信息输入图卷积网络,增强对单词间句法结构的学习。通过网格解码生成情感三元组。在lap14、res14、res15、res16数据集上的实验结果表明,该模型在精确率、召回率和F1值上相较其它基线模型有显著提升,有效提升方面情感三元组抽取效果。

结合语法结构和语义信息的情感三元组提取

针对目前大多数方面情感三元组提取方法存在着没有充分考虑语法结构和语义相关性的问题.本文提出一种结合语法结构和语义信息的方面情感三元组提取模型,首先提出使用依赖解析器得到所有依赖弧的概率矩阵构建语法图,提取丰富的语法结构信息.其次利用自注意力机制构建语义图,表示单词与单词之间的语义相关性,从而减低噪声词的干扰.最后设计了一个相互仿射变换层,让模型可以更好地交换语法图和语义图之间的相关特征,提升模型情感三元组提取的表现.在多个公开数据集上进行验证.实验表明,与现有的情感三元组提取模型相比,精确度(P)、召回率(R)和F1值整体都有提高,验证了结合语法结构和语义信息在方面情感三元组提取的有效性.

基于语义信息和注意力机制的低光照图像增强

针对低光照条件下拍摄的图片存在低对比度、噪声等问题,提出了一种结合语义信息与注意力机制的低光照增强方法。首先,利用一对联合训练的U-Net网络,通过共享特征提取器,分别得到低光照图像的初步增强结果和语义信息分布概率图;然后,通过注意力机制模块把通过U-Net网络得到的低光照增强特征和语义特征进行信息融合,解决低光照下图片边缘信息丢失和曝光不足导致的图像模糊不清的问题。实验表明,该方法在处理低光照对比度不高和曝光不均匀图片时,可有效消除图像伪影以及提高图像饱和度与不同区域块的对比度。

融合语义信息的城市音频场景识别方法

针对音频场景识别领域中城市场景易混淆、难以区分的问题,文章提出了一种融合语义信息的城市音频场景识别方法。算法首先通过语音活动检测将语音与环境声音分割,然后分别对语音与环境声音进行场景类型识别,再将两者识别的场景概率通过信息熵加权计算,最终得到融合语义信息的音频场景类型。该方法有效解决了传统环境音频场景识别方法对于易混淆、低区分度音频场景分类结果较差的问题。实验表明,文章提出的方法对于篮球场、超市等易混淆城市音频场景的识别效果有较为明显的改进作用,同时识别结果也证明了语义信息对城市音频场景识别的重要性。

基于结构及语义信息的知识图谱补全算法

知识图谱作为一种强大的知识表示工具,已经成为信息检索领域的关键技术之一。传统的知识图谱补全算法主要依赖图结构信息,而忽略了实体和关系的语义信息。为弥补这一不足,文章提出了一种基于结构及语义信息的知识图谱补全算法,通过预训练语言模型前向传递生成来捕获三元组中的语义信息,依靠反向传播优化结构化损失来重建语义嵌入中的知识图谱结构,并结合对比学习来训练模型从而提高模型性能。文章提出的算法与传统的基于结构的算法TransE比较,在Hits@10指标上提升7.0%。

动态场景下基于语义信息的视觉SLAM研究

本文针对动态场景下视觉同时定位与建图(SLAM)系统定位精度降低的问题,提出一种基于语义信息的视觉SLAM系统,并基于YOLO目标检测算法,完成动态物体特征点的剔除与静态物体的椭球建模,构建语义地图。同时,通过公开数据集和实际场景验证算法的有效性。结果表明:该算法能提高系统在动态环境下的定位精度。

基于语义信息增强的化纤丝线网络度检测方法

网络度是衡量化纤丝线及化纤织物性能的重要指标之一,在生产车间中通常采用人工方式进行检测.为解决人工检测误检率较高的问题,提出一种基于语义信息增强的化纤丝线网络度并行检测方法.首先,为提升单根化纤丝线网络结点识别的准确度,使用基于MobileNetV2优化的主干网络结构提取语义信息,以提高模型的运算速度.在所提主干网络的基础上,设计语义信息增强模块和多级特征扩张模块处理主干网络的特征信息,同时,设计像素级注意力掩膜对特征信息进行加权和融合,以提高网络度检测的准确性.然后,为实现多根化纤丝线网络度的批量计算,基于所提语义信息增强算法,设计网络度并行检测方法.使用算法检测丝线网络结点,同时使用连通域分析及掩膜提取的方法并行检测,提取视野内每条丝线的独立区域.随后,将并行检测结果融合,以准确获取每根丝线的网络度检测结果.为验证所提方法的有效性,使用自主研发的网络度检测设备建立了化纤丝线数据集,并进行了实验验证.结果表明,所提出的方法能够有效地提高检测的准确性.

基于语义信息的大规模知识图谱补全算法

针对现有知识图谱补全算法中存在三元组复杂关系表示能力弱,缺失实体与实体关系三元组预测精度低的问题,提出一种基于改进Trans H算法与DSICNN算法相结合的知识图谱补全算法,提高了缺失三元组的预测精度。上述算法首先通过构建语义信息超平面Si提高Trans H算法性能;然后利用改进算法提取三元组偏导语义信息向量DSI,提高三元组复杂关系表示能力;接着将DSI链接后作为卷积神经网络的输入,通过卷积、池化与投影处理,构建DSICNN模型;最后利用损失函数迭代并用打分评价函数对构建的模型进行评价。链接预测实验与三元组分类实验表明,提出的DSICNN算法针对实体关系预测在MR、MRR以及Hits@10指标上均有着最高性能,且在FB15K-237和NELL-995大数量文本数据集中有着较好的表现,表明提出的算法在提高三元组预测精度降低了三元组复杂关系的表示能力,且可以用于大规模知识图谱补全。

语义信息增强的3D激光SLAM技术进展

由于激光雷达可直接获得测距信息且相较于视觉传感器对光照等环境变化更具鲁棒性等优点,激光同步定位与建图(SLAM)技术近年来得到广泛发展。传统激光SLAM已取得很多研究成果,但其仅利用几何特征,对场景的理解有限,难以应对复杂任务,除此之外,当前SLAM应用场景已由传统静态场景向复杂动态场景过渡,传统方法由于动态元素干扰大多难以获得较好的性能。因此,语义信息增强的三维(3D)激光SLAM技术愈发受到研究学者们的关注,通过赋予点云语义标签与纯几何特征进行融合,一方面借助语义信息滤除潜在运动对象以解决静态环境假设问题,另一方面以语义信息辅助激光里程计获得高精度的定位与建图。综述了语义信息增强的3D激光SLAM技术研究进展,提出了该技术通用框架,分模块对该领域的突出研究成果及应用进行重点介绍,最后对该领域发展方向进行了总结与展望。

融合语义信息与注意力的图神经网络推荐算法

基于图神经网络的推荐算法通过从图中获取知识生成节点的特征表示,提高了推荐结果的可解释性.然而,随着推荐系统原始数据规模的不断扩大,大量包含语义信息的文本数据没有得到有效利用.同时图神经网络在融合图中邻居信息时没有区分关键节点,使得模型难以学习到高质量的实体特征,进而导致推荐质量下降.本文将图神经网络与语义模型相结合,提出一种融合语义信息与注意力的图神经网络推荐算法.该算法基于SpanBERT语义模型处理实体相关的文本信息,生成包含语义信息的特征嵌入,并将注意力机制引入到基于用户社交关系以及用户-项目交互的影响传播融合过程中,从而实现用户和项目两类实体特征的有效更新.在公开数据集上的对比实验结果表明,本文所提出的方法较现有基准方法在各项指标上均有所提升.

融合多重视觉特征与语义信息的图像描述生成

针对图像描述模型中对语义信息考虑不足,循环神经网络收敛速度慢与精度低等问题,提出一种基于多注意力融合的深层图像描述模型。通过对图像中提取到的内容信息以及文本描述信息分配不同的权重,达到提升精度的效果,融合MOGRIFIER网络解决循环神经网络收敛速度缓慢的问题。使用改进模型与传统模型在数据集MSCOCO上进行对比实验,实验结果表明,该方法能够生成更加准确的描述,在BLEU与CIDEr等关键指标上有明显提升。