基于深度学习的交通标志检测方法研究

提出了一种基于Faster R-CNN深度学习框架的交通标志检测方法,使用VGG16卷积神经网络自动提取交通标志图像特征,并将卷积特征图传入区域建议网络(RPN)中进行前景目标筛选及回归目标边框,将建议区域框映射到特征图上,经过Ro I池化层后输出固定大小的建议框,利用分类网络对建议区域进行具体的类别判断,并精确回归目标的边框。并将算法在德国交通标志数据集GTSDB进行了实验验证,实验结果表明了所提出算法的有效性,该方法对不同光照、遮挡、标志模糊等具有鲁棒性。

基于Mask R-CNN的满文文档版面分析

提出一种基于Mask R-CNN深度学习框架的满文文档版面分析方法,将满文文档版面分析问题转化为基于深度学习的图像实例分割问题。使用ResNet101网络和FPN网络构成的卷积神经网络自动提取满文文档图像特征,特征图经过RPN网络和RoI Align层生成新的特征图。新特征图经过全连接层完成感兴趣区域的类别和边框预测,并经过全卷积神经网络对感兴趣区域的像素进行分类得到mask预测,最终实现满文文档图像的实例分割。通过《新满汉大辞典》的文档图像构建了满文文档图像数据集,算法在该满文文档图像数据集上进行了实验。实验结果表明,本算法在满文文档版面分析中取得了较好的检测和分割效果。

网络舆论传播的空间特征研究——以《我不是药神》为例

信息流的空间分布与实体空间的属性既有着紧密的联系又存在着差异,其中作为信息流重要组成部分的网络舆论亦是如此。本研究以《我不是药神》为例,分析相关舆论在网络空间中的传播特征,探讨网络舆论的扩散方式与地域的社会环境条件的联系。研究发现:第一,舆论传播的地域空间网络分为一级意见领袖区、二级意见领袖区和三级边缘区;第二,地域的实体经济文化发展程度越高,其在舆论场中的地位也越高。网络空间中的舆论传播受到实体空间的极大影响,地缘政治、地缘经济、地缘文化等因素都在网络舆论的形成和扩散过程中发挥着重要作用。