基于PB-DBSCAN的GPS数据去噪

针对公交车GPS数据量大、数据密度不均匀、噪声点多等问题,提出PB-DBSCAN(pixel_based-DBSCAN,PB-DBSCAN)算法。将聚类过程中判断数据点之间的关系改为判断像素格之间的关系,减小数据点邻域中的搜索范围,加快聚类速度。因公交线路的多样性,同一聚类参数无法适应所有线路,提出一种动态参数选择的方法。在石家庄公交车GPS实际数据集上进行实验,其结果表明,PB-DBSCAN可以有效识别并过滤GPS数据集中的噪声点,实现快速聚类。与采用固定参数的算法进行比较,参数的动态选择提高了聚类准确度。

融合注意力机制与联合优化的表面缺陷检测

两段式缺陷检测模型中分割和分类网络的优化目标不一致,导致二者耦合性较差,且分割模块误差的积累可能进一步弱化分类模块的性能.针对上述问题,提出一种基于注意力机制的缺陷检测联合优化算法.首先基于混合注意力特征融合模块的分割网络融合浅层特征和深层特征,提取更全面的缺陷位置信息;然后基于多感受野空间注意力模块的分类网络挖掘更具判别性的缺陷类别特征;最后通过联合优化目标实现分割和分类网络的学习优化,提升整个算法的耦合性以及性能.基于PyTorch框架,在公开工业缺陷检测数据集DAGM 2007, MAGNETIC-TILE和KolektorSDD2数据集上进行实验,并引入分段式算法及类U-Net算法进行横向对比的结果表明,所提算法的准确率相比分段式算法最高提升28.02%,相比类U-Net算法最高提升8.3%,且精确率、召回率、F1值均优于同类算法,具有更好的检测性能.

基于加权特征融合与局部特征注意的人种分类

为充分利用浅层特征中的细节纹理信息对人种特性的描述能力,挖掘具有区分性部位的表达特征对人种分类的作用,更好利用数据不同层次的特征与区分性部位以提供更具鲁棒性的人种信息,提出一种基于加权特征融合与局部特征注意的人种分类模型(weighted feature fusion and local feature attention model,WFLA)。模型设计加权特征融合模块增强浅层与深层特征的交互,构建局部特征注意模块重点关注区分性部位。在3个公开数据集中的大规模验证实验验证了WFLA模型在人种分类任务中具有明显优势。

基于多信息图注意力网络的双向迭代实体对齐

针对当前实体对齐方法无法充分利用知识图谱实体的多种信息和缺乏先验对齐种子对限制实体对齐效果的问题,提出一种基于多信息图注意力网络的双向迭代实体对齐模型。使用具有高速公路网络机制的图注意力网络,充分利用实体的多种信息获得实体的嵌入表示,提出一种双向迭代策略,设置阈值筛选高置信度实体对加入训练集中,达到扩展先验对齐种子对的目的。在3个跨语言实体对齐数据集上进行的实验结果表明,该模型有效提高了评估指标Hits@1,Hits@10的性能。