一种联合文本和图像信息的行人检测方法

针对纯视觉行人检测方法存在的误检、漏检率高,遮挡目标以及小尺度目标检测精度低等问题,提出一种联合文本和图像信息的行人检测方法.该方法首先利用图像分析的方法初步获取图像目标的候选框,其次通过文本分析的方法获取文本中有关图像目标的实体表达,并提出一种基于马尔科夫随机场的模型用于推断图像候选框与文本实体表达之间的共指关系(Coreference Relation),以此达到联合图像和文本信息以辅助机器视觉提高交通场景下行人检测精度的目的.在增加了图像文本描述的加州理工大学行人检测数据集上进行的测评结果表明,该方法不仅可以在图像信息的基础上联合文本信息提高交通场景中的行人检测精度,也能在文本信息的基础上联合图像信息提高文本中的指代消解(Anaphora Resolution)精度.

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.

基于层次过滤模型的中文指代消解

针对现有的中文指代消解研究大多采用二元分类模型,容易出现消解正确率低的特征覆盖消解正确率高的特征以致模型指代划分错误的问题,提出了一种改进的层次过滤模型用于中文指代消解。该模型结合中文语义知识,在原模型中加入语义匹配层,该层通过引入Web语义知识很好地弥补了中文语义知识库较小的不足,并针对中文的特点对原模型的待消解项识别层进行相应的修改使之更加适合中文指代消解。将上述模型与两类基准系统在ACE2005中文语料上进行5种测评,结果表明,所提出模型的F平均值分别高于两类基准系统约4%和9%。

中文指代消解模型的对比研究

指代消解的基本任务是把指向现实世界中相同实体的所有实体表达关联起来。与英文指代消解的研究相比,中文指代消解的研究相对较少,至今没有对现存的中文指代消解模型进行公平的测评和比较,主要原因是现存的中文指代消解模型在训练和测评时采用了不同的语料,且所选用的特征属性也不相同。基于上述原因,实现了5类基本的中文指代消解模型,并在ACE2005中文语料上进行同平台、同语料、同特征的测评。通过测评比较了各类模型的性能,同时分析和探讨了影响中文指代消解模型精度的各种因素。

改进的粒子群优化算法设计FIR低通数字滤波器

粒子群优化算法(PSO)因具有参数少、易于实现等优点,在解决优化问题时表现出很好的性能。有限长单位脉冲响应(FIR)数字滤波器因具有稳定的结构、易于实现等优点,在实际中有着很广泛的应用。因此,将基于三角函数因子的改进PSO算法(TFPSO)用于对FIR低通数字滤波器性能的优化,并将其与基于折射原理反向学习(refrPSO)、基于反向学习(OPSO)的PSO算法所设计的FIR低通数字滤波器的性能进行比较。在实验中构造出一种性能较好的适应值函数,以验证这几种改进的PSO算法所设计的FIR低通数字滤波器的性能。实验结果表明,基于三角函数因子的PSO算法滤波性能较差,而基于折射原理反向学习的PSO算法性能最佳。

中小学教师对智慧教育装备的接受度及其影响因素

在智慧教育时代,教师作为智慧教育装备的使用主体,其使用意愿直接影响智慧教育装备的推广应用和智慧教育的发展。为此,文章参考整合型信息技术接受模型,设计了中小学教师对智慧教育装备的接受度模型,并通过问卷调研、结构方程建模和半结构化访谈,对164名中小学教师智慧教育装备的接受度及其影响因素进行了探究。文章发现,努力期望、社会影响对中小学教师智慧教育装备的接受度有显著的正向影响,学科背景对其有较好的调节作用,中小学教师对智慧教育装备的接受度普遍较高。基于以上研究结果,文章针对智慧教育装备如何在中小学进一步推广与应用的问题提出建议,以期推广智慧教育装备、发展智慧教育。

基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究

快速准确地评估大学生心理健康状况是高校心理健康教育的重要任务,也是高校心理工作实现精准干预和提供个性化教育服务的基础。传统评估方法存在评估实时性不高、单一模态数据评估效果差、社会称许性反应偏误等问题。研究基于生态瞬时评估理论,以深度学习算法为手段,提出了一种基于多模态数据融合计算的大学生心理健康自动评估方法。该方法在自构建的多模态心理评估数据集(JA-IPAD)上测试表明:该模型能够精准评估大学生的心理健康状态,在智慧学习环境中具有良好的应用前景,能为完善学生心理档案、精准干预学生心理、优化心理健康服务提供决策依据和技术支撑,也能为促进高校智慧化心理健康教育作出贡献。

基于测度优化Laplacian SVM的中文指代消解方法

相比于传统的基于半监督学习的指代消解方法,Laplacian SVM(Support Vector Machine)能有效的挖掘已标注样本和未标注样本的相似性和关联性,更好的推导模型的分类边界.而传统Laplacian SVM采用欧式距离度量样本之间的距离,使得异类样本之间的相似性可能过大,不利于样本的准确分类.对此,提出一种基于数据驱动学习最优测度Laplacian SVM算法以解决中文指代消解语料不足的问题.该方法通过优化样本对之间的相似性约束条件和引入Fisher判别项,增大同类样本间的相似性,并突出强判别能力的特征.此外,提出核嵌入的测度优化方法将以上线性测度优化推广到非线性空间,有利于Laplacian SVM利用核函数实现非线性分类.在ACE2005中文语料库上的测评结果表明,所提出测度优化的Laplacian SVM(包括线性和核嵌入两种形式)的方法只需少量标注样本就可以获得与经典的有监督学习模型相当甚至更好的消解性能,同时也优于其他传统的半监督学习方法.

基于反向学习的粒子群算法对线性相位低通FIR滤波器的优化

将一种基于反向学习的改进粒子群优化算法(OPPSO)应用于设计具有线性相位的低通FIR数字滤波器。该算法通过求解粒子位置的反向解来增加找到最优解的概率,从而求得一组使所述滤波器最优的参数组合。同时,在试验中引入一种更具有现实意义的接近于理想滤波器的零相位滤波器作为对比。试验结果表明,该算法在设计线性相位低通FIR数字滤波器上具有良好的优化效果。

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法。该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分别对应显著性区域定位阶段和显著性目标分割阶段。在显著性区域定位阶段,首次提出采用深度强化学习训练智能体通过执行序列动作逐步定位显著性区域。再将其交由分割网络进行第二阶段的精细目标分割。网络结构上,SRLN和SOSN采用共享特征提取网络的方式简化模型和减少参数量,同时针对该两阶段检测框架提出了一种分治的训练策略。在公开的显著性目标检测数据集上的实验结果表明,无论是简单或复杂场景的图像,该算法能够快速有效的剔除干扰信息,获得准确的显著性目标检测结果,并且检测速度达到了实时性能。在行人检测数据集上的检测结果表明本算法在其他实际应用问题上也具有较强的泛化能力。

教育神经科学视域下数学学习困难儿童早期干预虚拟仿真实验设计

在教育神经科学视域下,从克服特殊儿童早期干预实验被试难以招募、环境难以搭建、仪器成本高等问题入手,以提高教学效果为导向,应用人工智能、AR、WebGL以及Unity3D等技术,设计并构建了以动画、自动问答、自动评分3个模块为主的数学学习困难儿童早期干预虚拟仿真实验平台。该平台通过创设高仿真实验环境,可视化复杂实验过程,实现学生与虚拟教师的交互,对传统实验教学作出补充,在增强学生主观能动性、降低实验成本、促进人工智能与教育神经科学的深度融合方面起着重要作用。

面向中文指代消解的最优样本比例研究

已有的中文指代消解系统研究大多是基于有监督的机器学习方法,训练集中正负例的比值直接影响到分类器模型,进而影响指代消解结果。针对如何选取训练集正负例比值的问题,实现了一个中文指代消解系统,提出了训练数据正负例比值与指代消解系统评测结果之间的数学模型,并引入一种改进的遗传算法计算训练数据最优比值,使系统评测结果最优。在ACE 2005中文语料上的实验表明,改进的遗传算法更适合指代消解任务,适当增大负例的比值能够提高指代消解系统的性能。

基于深度学习的cMOOC参与者交互水平自动评估研究

交互是联通主义学习的核心和取得成功的关键。现有交互水平评估主要依靠人工编码实现,存在时间滞后性和耗时耗力等局限,难以实时反映交互水平状况。因此,本研究以国内首门联通型慕课“互联网+教育:理论与实践的对话Ⅱ”为案例,运用人工智能领域中的深度学习算法,通过模型构建、模型检验和模型应用三个阶段实现了对联通慕课参与者交互水平的自动化评估。研究发现,在联通主义学习中:1)学习者成为交互主体,多元主体驱动课程交互;2)寻径和意会是决定联通主义学习成效的关键。本研究一方面检验和发展了原有联通主义交互规律研究,另一方面实现了联通主义学习情境中参与者交互水平的自动化评估,为联通主义学习评价和课程评价提供了工具支撑,探索了人工智能技术在改进教育研究和实践方面的价值和可能性。

联合语义提示和记忆增强的弱监督跳绳视频异常检测方法

面向全国的学生综合评价与发展平台采集了百万级学生跳绳运动数据用于中小学生身体素质测评,然而在采集的跳绳视频中存在着非跳绳视频、人物未全身出镜等不符合拍摄要求的各类异常视频,严重影响了后续学生身体素质测评模型的准确性和鲁棒性。针对上述问题,提出一种联合语义提示和记忆增强的弱监督跳绳视频异常检测方法。该方法首先提取正常跳绳视频和异常跳绳视频的视觉特征,将正常特征和异常特征成对训练,增强模型对异常视频特征的感知能力;其次设计两个自监督记忆网络分别存储和分离正常视频和异常视频的特征,进一步增强模型的特征表达能力;最后引入提示学习方法迁移大规模预训练模型中的多种跳绳异常类型的语义先验知识,增强模型在样本不足的情况下对多种异常类型语义信息的理解。实验结果表明,该方法在自建的跳绳异常检测数据集(SRAD)上的AUC为94.14%,相较于基准方法提升了2.71个百分点,具有较高的准确性。该方法对实现身体素质的智能测评、推动教育评价改革具有重要意义。

基于多源异构数据融合的初中数学知识图谱构建

知识图谱可以为智能问答和自动推荐等系统提供良好的数据支持。针对国内现有学科知识图谱构建数据来源单一等问题,提出一种多源异构数据融合的方法构建初中数学知识图谱。基于领域知识和学习者需求构建初中数学本体,确定概念、方法、公式、定理四种类型的实体;从教材等权威数据源和百度百科、互动百科等网络数据源中获取非结构化与半结构化数据,基于BERT(bidirectional encoder representations from transforms)模型抽取出教材等非结构化数据的关系和实体;利用基于层次过滤思想的知识融合模型进行多源异构数据的融合。实现了基于初中数学知识图谱的智能问答和自动推荐系统,为学习者提供及时且智能的学习支持服务,为破解初中数学在线教学个性化不足提供一条思路。

篇章中指代消解研究综述

指代消解的基本任务是识别篇章中对现实世界同一实体的不同表达.由于消解不同实体表达是自然语言理解的关键因素之一,因此许多学者在该领域做了大量的研究工作.本文将指代消解领域的经典算法综述为两大类:①基于启发式语言学规则的指代消解方法;②基于数据驱动的指代消解方法.在过去的几十年里,由于标注语料MUC,ACE和OntoNotes的出现,指代消解系统从基于启发性规则的消解方法转向基于数据驱动的消解方法.然而最近两年出现一个比较有趣的现象,只要能获取足够多的表达信息,基于启发性规则的方法也能取得很好的消解效果,基于启发性规则的方法又有兴起的趋势.随着指代消解研究的发展,它在其余自然语言处理技术中得到了广泛的应用,例如:机器翻译、信息抽取和自动文摘等领域.计算模型不精确、篇章知识匮乏以及缺少标注语料是限制指代消解发展的主要因素.未来,候选消解项的识别与抽取、跨文本指代消解、多语言的指代消解和各种深层篇章知识的联合利用将成为指代消解发展趋势.

联合知识图谱和时间特性的数学知识自动推荐方法

在教育领域的自动推荐方法大多通过历史内容的相似性进行推荐,未同时考虑用户交互序列和知识与知识之间的内在关联信息,难以精准地向学习者推荐其所需知识点。提出一种基于联合知识图谱和时间特性的数学知识自动推荐方法。该方法首先利用自注意力机制和前馈神经网络获取带有时间特性的学习者表示,然后根据知识图谱三元组中知识点与知识点的高阶连通特性和学习者特性深层次表征知识点,最后计算学习者与知识点交互的概率,并根据概率进行推荐。在自构建的初中数学知识推荐数据集上测试表明,本文方法比几类经典的基准系统在AUC值、精确率、召回率和F值上都有提升。该方法的提出能够更加准确地为学习者推荐知识点,帮助其构建知识体系,可望为学习者的自适应性和个性化学习提供了支持。

数量和质量并重的社会交互网络构建方法创新及验证研究

学习者交互形成的社会网络是联通主义学习形成的重要网络,但传统的社会网络构建方法仅考虑学习者之间交互的数量,未体现交互质量,对于联通主义学习的解释度存在局限,因而迫切需要创新研究方法。本研究从创新方法的视角,提出数量与质量并重的社会交互网络构建方法,以国内首门c MOOC为研究情境,实际应用了该方法,并基于等距时间切片分别从整体网络、子群网络、个体学习者三个层面挖掘社会网络特征。结果表明:(1)质量与数量并重的学习者社会交互网络是多中心、自组织的复杂网络,更能体现学习者之间交互的紧密程度;(2)社会网络存在多个凝聚子群,子群内学习者持续的交互有利于深层次交互的生成;(3)学习者地位在一定程度上可以预测学习者学习是否成功,且学习者的交互质量与数量相互促进。本研究创新性地提出质量和数量并重的社会交互网络构建方法,发展了社会网络分析方法,为进一步揭示在线学习规律提供了方法借鉴。

联合图像与单目深度特征的强化学习端到端自动驾驶决策方法

现有的基于深度强化学习(deep reinforcement learning,DRL)的端到端自动驾驶决策方法鲁棒性较低,存在安全隐患,且单纯依赖图像特征难以正确推断出复杂场景下的最优动作。对此,提出了一种联合图像与单目深度特征的强化学习端到端自动驾驶决策方案。首先,建立了基于竞争深度Q网络(dueling deep Q-network,Dueling DQN)的端到端决策模型,以提高模型的策略评估能力和鲁棒性。该模型根据观测数据获取当前状态,输出车辆驾驶动作(油门、转向和刹车)的离散控制量。然后,在二维图像特征的基础上提出了联合单目深度特征的状态感知方法,在自监督情况下有效提取场景深度特征,结合图像特征共同训练智能体网络,协同优化智能体的决策。最后,在模拟仿真环境下对不同的行驶环境和任务进行算法验证。结果表明,该模型可以实现鲁棒的端到端无人驾驶决策,且与仅依赖图像特征的方法相比,所提出的方法具有更强的状态感知能力与更准确的决策能力。