基于排名学习和多源信息的地图匹配方法

融合多源信息能有效提高地图匹配的准确率。已有的地图匹配方法依赖于数学模型,当引入新类型的数据时,需要重新设计数学模型或调整模型参数。为解决该问题,提出了一种端到端的数据驱动地图匹配方法。该方法不需要建立具体的数学模型,只需从匹配结果已知的数据中学习候选道路的评分函数:选出某GPS点的候选道路,利用评分函数对所有候选道路进行打分,选择分数最高的道路作为地图匹配结果。实验结果表明,该方法能直接利用新类型的数据提高地图匹配的准确率,能在数据缺失时避免准确率急剧降低。此外,具有与基于HMM方法相近的准确率和与基于夹角特征和距离特征方法相当的速度。

基于深度学习的芯片表面字符识别方法

芯片表面字符识别是自动芯片质检的重要步骤,目前半导体工业广泛应用基于模板匹配的字符识别技术,但该技术环节存在模板参数设置复杂、难以处理相似字符等不足。深度学习可以自动从样本中学习特征、无需人工提取和设置参数等优点,因此文章将深度学习应用于芯片表面字符检测。在LeNet-5网络结构的基础上,文章根据芯片表面字符检测的特点,研究了数据增广方法、基于可信度的识别结果优化等内容,并使用标准字符集和来自于合作团队的实际采集的工业数据进行实验验证,实验结果表明,文中所提出的方法稳定、识别率高,对相似字符具有较好的鲁棒性。

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。

基于Faster-RCNN的结核杆菌自动检测方法研究与应用

染色处理可使结核杆菌在显微镜拍摄的医学图像中显现,医生通过检测图像中的结核杆菌辅助诊断结核病。近年来卷积神经网络(CNN)在目标检测上取得了突破性进展,但结核杆菌存在图像上尺度小,构造标注数据难,不适用迁移学习等问题,使得基于CNN的目标检测方法在结核杆菌检测方面尚存在一定的困难。为此,以Faster-RCNN目标检测算法为基础,研究在医学图像上的结核杆菌检测问题。针对结核杆菌尺度小,提出重叠子图划分策略;针对标注数据构造难,提出分块、迭代标注策略。实践证明,该方法有较高的准确度以及可接受的速度,已构建了13 261个结核杆菌的训练数据,应用于合作单位的医疗检测产品,能满足实际应用需求。