基于CRF和HMM混合模型的手势识别方法

针对训练数据较少的小样本情况下,使用隐马尔可夫模型(HMM)的建模准确性较低的问题,提出一种基于条件随机场(CRF)和HMM混合模型的手势识别方法。用一个区分局部观测值的判别模型来提供与序列中的每个局部观测相关联的局部后验。将CRF用于执行这种判别层。通过区分局部观察值来为HMM层提供局部类后验。在HMM解码阶段将这些局部后验组合在一起提供更多的全局信息。通过实际手势识别实验验证了融合HMM建模能力和CRF判别能力的混合模型方法的有效性与准确性,并对不同的可变性来源具有鲁棒性。

基于改进DeepLabV3p的遥感图像中小目标分割方法

针对背景信息复杂、目标类别不均衡,遥感图像的中小目标在分割时常出现误检、漏检的问题,提出一种基于DeepLabV3p改进的遥感图像中小目标分割方法。采用ResNet101作为DeepLabV3p的骨干网络,提出多级感受野融合的ASPP模块,以获取更多感受野;添加SE注意力机制,使模型获得更加精准的通道信息;使用加权的CrossEntropyLoss和LovaszSoftmaxLoss损失函数进行训练,克服数据集目标不均衡的问题;使用全连接条件随机场对预测结果进行图像后处理,对模型输出进行精细化处理。实验结果表明,使用该方法对DLRSD数据集进行分割,mIOU可达到73.22%,与基础网络相比提高了3.78%,有效提高了遥感图像中小目标的分割精度和准确率。

基于二维混合条件随机场的Web记录抽取模型

提出一种基于混合二维条件随机场的Web记录抽取模型,以克服线性链条件随机场不能充分利用Web实体间二维依赖关系的缺点,且训练条件随机场模型时无需大量手工标注的样本数据。对当当网上的742个数据记录进行抽取,对比同等情况下的其他模型。实验结果表明,混合二维条件随机场模型在抽取TDS数据集时展现了更优越的性能。