针对现有的实例分割算法对有遮挡以及模糊实例检测精度低、掩码较粗糙以及泛化能力弱的问题,提出一种基于Fastformer和自监督对比学习的实例分割算法。首先,在特征提取网络之后加入基于加性注意力的Fastformer模块,并对每一层特征图中...针对现有的实例分割算法对有遮挡以及模糊实例检测精度低、掩码较粗糙以及泛化能力弱的问题,提出一种基于Fastformer和自监督对比学习的实例分割算法。首先,在特征提取网络之后加入基于加性注意力的Fastformer模块,并对每一层特征图中的像素点之间的相互关系进行深入建模,以提高算法对特征图全局信息的提取能力;其次,受自监督学习启发,加入自监督对比学习模块对图像中的实例进行自监督对比学习,以提高算法对图像的理解能力,从而改善在噪声干扰较多的环境下的分割效果。在Cityscapes和COCO2017数据集上的实验结果表明,相较于近期经典的实例分割算法SOLOv2(Segmenting Objects by LOcations v2),所提算法的平均精度均值(mAP)分别提高了3.1和2.5个百分点,并在实时性和精度之间达到较好的平衡,在比较复杂的场景实例分割中具有较好的鲁棒性。展开更多
新闻推荐的目标是根据用户的历史阅读习惯,为用户推送其感兴趣的新闻内容。现有的方法存在特征学习不足的问题,没有考虑到用户与浏览新闻之间的关系,以及不同候选新闻对用户的重要性。针对以上问题提出一种基于知识图谱的新闻推荐神经...新闻推荐的目标是根据用户的历史阅读习惯,为用户推送其感兴趣的新闻内容。现有的方法存在特征学习不足的问题,没有考虑到用户与浏览新闻之间的关系,以及不同候选新闻对用户的重要性。针对以上问题提出一种基于知识图谱的新闻推荐神经网络模型。首先使用GloVe模型(Global Vectors for Word Representation)和基于翻译的模型(TransX)分别从新闻语义和知识层面得到文本语义特征、实体特征和实体在知识图谱中的上下文特征。然后,使用LSTM-CNN网络挖掘新闻和用户深层次信息,得到用户的新闻偏好向量,同时引入注意力机制减少新闻无关题材的影响;最后通过点击求和计算用户对候选新闻的偏好值并生成最终的推荐结果。在真实新闻数据集MIND上的实验结果表明,本文所提出的模型相对现有的DKN、DeepFM、DeepWide模型,在AUC、MRR、NDCG@k指标上表现的更优异。展开更多
文摘针对现有的实例分割算法对有遮挡以及模糊实例检测精度低、掩码较粗糙以及泛化能力弱的问题,提出一种基于Fastformer和自监督对比学习的实例分割算法。首先,在特征提取网络之后加入基于加性注意力的Fastformer模块,并对每一层特征图中的像素点之间的相互关系进行深入建模,以提高算法对特征图全局信息的提取能力;其次,受自监督学习启发,加入自监督对比学习模块对图像中的实例进行自监督对比学习,以提高算法对图像的理解能力,从而改善在噪声干扰较多的环境下的分割效果。在Cityscapes和COCO2017数据集上的实验结果表明,相较于近期经典的实例分割算法SOLOv2(Segmenting Objects by LOcations v2),所提算法的平均精度均值(mAP)分别提高了3.1和2.5个百分点,并在实时性和精度之间达到较好的平衡,在比较复杂的场景实例分割中具有较好的鲁棒性。
文摘新闻推荐的目标是根据用户的历史阅读习惯,为用户推送其感兴趣的新闻内容。现有的方法存在特征学习不足的问题,没有考虑到用户与浏览新闻之间的关系,以及不同候选新闻对用户的重要性。针对以上问题提出一种基于知识图谱的新闻推荐神经网络模型。首先使用GloVe模型(Global Vectors for Word Representation)和基于翻译的模型(TransX)分别从新闻语义和知识层面得到文本语义特征、实体特征和实体在知识图谱中的上下文特征。然后,使用LSTM-CNN网络挖掘新闻和用户深层次信息,得到用户的新闻偏好向量,同时引入注意力机制减少新闻无关题材的影响;最后通过点击求和计算用户对候选新闻的偏好值并生成最终的推荐结果。在真实新闻数据集MIND上的实验结果表明,本文所提出的模型相对现有的DKN、DeepFM、DeepWide模型,在AUC、MRR、NDCG@k指标上表现的更优异。