基于语料库的“Ghost”语义韵对比研究——以小说《歌剧魅影》为例

基于数据以及数据驱动的研究方法,对卡斯顿·勒鲁《歌剧魅影》中的"ghost"一词进行研究分析,并自建Opera语料库。将其与COCA语料库对比,通过AntConc 3.2.1w进行词语检索,采用软件中的Collocates将Opera语料库和COCA语料库中MI值大于3.0的"ghost"显著搭配词筛选出来,从而进行语义韵对比研究;另外,在基于数据的前提下,建立类联接,并分析研究这两个语料库中的语义韵。

基于Ghost-SE-Res2Net的多模型融合语音唤醒词检测方法

语音唤醒词检测(WWD)是语音交互中的关键技术,选择合适大小的检测窗对WWD性能的影响很大。提出一种新的多模型融合方法,通过融合小检测窗和大检测窗的检测结果来提高WWD性能。多模型融合方法包含两个分类模型,分别使用小检测窗和大检测窗,均基于轻量化的挤压与激励残差网络(SE-Res2Net)模块,即GhostSE-Res2Net,SE-Res2Net结构的多尺度机制可显著提升WWD的能力。在Ghost-SE-Res2Net中,首先使用Ghost卷积替换SE-Res2Net中的普通卷积以降低模型参数量,然后使用注意力池化层替换SE-Res2Net中的全局平均池化层进一步提升WWD能力。在实际检测时融合连续3个小检测窗模型的检测结果的最大值和1个大检测窗模型的检测结果,来判断唤醒词是否被触发。在训练时引入困难样本挖掘算法,选择性地学习较难检测的唤醒词信息以提高分类模型的检测性能。在包含2个唤醒词的Mobvoi数据集上评估系统性能,实验结果表明,在每小时0.5次错误唤醒的情况下,该系统在2个唤醒词上的错误拒绝率分别为0.46%和0.43%,实现了与先进基线相似的性能,并且系统参数量比基线少31%。

基于Ghost卷积的高级别浆液性卵巢癌复发预测方法

高级别浆液性卵巢癌是一种恶性肿瘤疾病,进行术前复发预测能帮助临床医生为患者提供个性化治疗方案,降低病人的死亡率。因该疾病的医学数据较少且难以获取,导致其深度学习模型难以得到充分的训练,复发预测准确率有待提高。针对此问题,本文设计了一种改进的低参数残差网络TGE-ResNet34,以ResNet34为主干网络,将传统卷积模块用Ghost卷积代替,完成病灶区特征的提取,降低模型的参数量,在2个Ghost卷积之间融入ECA(Efficient Channel Attention)注意力机制,抑制无用特征提取的干扰,最后通过5折交叉验证模型,避免数据随机划分的偶然性。实验结果表明,改进设计的TGE-ResNet34网络准确率为96.01%,相比原基线网络准确率提高4.52个百分点,参数量减少15.98 M。

基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。

融合注意力机制与GhostUNet的路面裂缝检测方法

路面裂缝是道路最为常见的缺陷,随着深度学习技术的发展,利用深度学习的方法对路面图像中的裂缝信息提取的方法愈来愈多。针对现有深度学习路面裂缝检测方法提取裂缝特征不完整导致精度低以及实时性不足的问题,提出一种融合注意力机制与GhostUNet的路面裂缝检测方法。本方法由编码器和解码器组成,将U-Net中的常规卷积改进为Ghost卷积,减少模型参数量;在编码和解码部分,为了提高对裂缝特征的提取能力,引入ECA注意力机制和残差连接,ECA注意力模块可以过滤不相关的特征信息,利用残差连接可以避免网络退化现象。为评估本方法在裂缝检测方面的有效性,使用两个公开裂缝数据集,并进行消融实验和对比实验,实验结果F1_score、P和R分别比U-Net平均提高了14.48%、14.35%和14.45%;该模型相比U-Net参数量下降了14.2 MB。该模型与同类模型比较,分割的准确率更高,参数量更少。

利用Ghost Fluid方法模拟激波与柱形界面相互作用

利用GhostFluid方法(后面简称Ghost方法)和γ model方法,在同样的时空离散精度条件下,对激波与柱形界面相互作用的二维可压缩流场进行了直接模拟,并与实验结果相比较.从模拟结果看,在短时间内,Ghost方法和γ model方法模拟的结果与实验结果基本相同,两种方法均正确地模拟出界面的位置、激波的强度和速度.但随着时间的发展,具有较大数值耗散的γ model方法的计算结果与实验差别越来越大;而数值耗散较小的Ghost方法能较为正确地模拟界面的运动.

CornerNet-Ghost:基于Hourglass-Ghost的轻量型目标检测模型

针对目前工业上目标检测任务较多,却限于设备原因无法流畅运行常规大型目标检测网络,对轻量型目标检测网络需求较大的问题,提出一种新型的轻量化目标检测模型:CornerNet-Ghost。采用特征提取网络Hourglass-Ghost作为骨干网络,对待测物体的左上和右下角点进行检测,并搭配级联角点池化优化提取的角点位置。实验结果表明,CornerNet-Ghost性能超过现有主流的轻量级角点检测网络CornerNet-Squeeze,且在检测计算时间远少于大型网络的条件下达到相近的准确性。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于轻量化YOLOv5的交通标志检测

为了提高道路交通标志的检测速度,提出一种基于轻量化YOLOv5的改进模型。首先,使用Ghost卷积和深度分离卷积(DWConv)构建新的主干模块,减少计算量和参数量;引入加权特征融合网络(BiFPN)结构,增强特征融合能力;将CIoU损失函数替换为SIoU损失函数,关注真实锚框与预测的角度信息,提升检测精度。其次,对TT100K数据集进行优化,筛选出标签个数大于200的交通标志图片和标注信息共24类。最后,实验结果取得84%的准确率、81.2%的召回率和85.4%的所有类别平均精确率的平均值mAP@0.5,相比原始YOLOv5,参数量减少29.0%,计算量减少29.4%,mAP@0.5仅下降0.1百分点,检测帧率提升了34帧/s。使用改进后的模型进行检测,检测速度有了明显提升,基本达到了在保持检测精度的基础上压缩模型的目的。

改进YOLOv7-tiny的手语识别算法研究

在与听障人士进行交流时,常常会面临交流不便的困难,文中提出一种手语识别的改进模型来解决这个困难。该模型基于YOLOv7-tiny网络模型,并对其进行了多项改进,旨在提高模型的精度和速度。首先,通过对CBAM注意力机制的通道域进行改进,解决了因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv7-tiny的Neck层中,从而使模型更加精准地定位和识别到关键的目标;其次,将传统的CIoU边界框损失函数替换为SIoU边界框损失函数,以加速边界框回归的同时提高定位准确度;此外,为了减少计算量并加快检测速度,还将颈部层中的普通卷积模块替换为Ghost卷积模块。经过实验测试,改进后网络模型的平均精度均值(mAP)、精准率和召回率分别提升了5.31%、6.53%、2.73%,有效地提高了手语识别网络的检测精确度。

由玄入佛:魏晋南北朝小说中“无鬼论”故事

无鬼论故事是魏晋南北朝小说涉鬼故事中的一类,“无鬼论”和“鬼自证”的二元对立情节使此类故事呈现出高度模式化特点,对后世影响很大。无鬼论故事根植于我国本土有鬼、无鬼的思想论争中,产生于魏晋时期,有着浓厚的玄学清谈色彩。但其真正传播开来则在刘宋以来,儒佛之间的“形神论”之争是其兴盛的激发因素,《幽明录》《殷芸小说》集中辑采此类故事有着宣佛意图。无鬼论故事从产生到兴盛经过了一个“由玄入佛”的过程。

一种长基线被动传感器数据关联方法

为了提高测向交叉定位系统多目标环境下的去鬼点性能,提出了一种长基线被动传感器数据关联方法.首先利用被动传感器量测的视线矢量信息进行交叉定位并计算定位误差协方差矩阵,然后基于两个定位点构造了一个卡方分布的检验统计量,将多目标条件下的去鬼点问题转换为假设检验问题.为了分析该方法的性能,定义了真实目标的正确关联概率和鬼点目标的错误关联概率,并在使用两部和三部被动雷达的情况下分别与倾斜角方法进行了仿真对比.仿真结果表明所提出的方法在使用三部被动雷达或多目标与被动雷达共面时关联性能更好.

低秩聚类被动压缩鬼成像

低采样率下的高质量鬼成像(GI)对于科学研究和实际应用具有重要意义,为了在低采样率条件下重建高质量图像,提出了一种高质量的被动式压缩鬼成像重构算法(PCGI-LRC)。基于图像的非局域相似块堆叠而成的矩阵具有低秩和稀疏奇异值的假设,从理论和实验上证明了一种对最小二乘问题与非局域相似块低秩近似问题进行联合迭代求解的方法,能够在低采样率(6.25%~50%)条件下实现高质量鬼成像。实验结果表明:与基于稀疏基约束的GI(GI-SBC)和基于全变分约束的GI(GI-TVC)相比,PCGI-LRC在峰值信噪比、结构相似性系数和视觉观测等方面均更优,在抑制重构噪声的同时保持了目标的细节信息,其中PSNR提升效果优于1.1 dB,SSIM提升效果优于0.04。

基于改进U-Net的轻量级眼底病变分割算法设计

精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。

基于改进YOLOv5的条烟识别研究

目的针对当下烟草物流中心条烟分拣机及人工分拣时会产生错烟等问题。从兼顾实时性、识别精度出发,基于YOLOv5s算法提出一种收敛速度更快、准确率更高的条烟识别模型。方法首先在YOLOv5s网络架构中融入CA注意力模块来更好地提取特征,提高模型获取目标位置的准确度;其次将原网络中的最近邻插值上采样算子改为轻量级通用上采样算子CARAFE,获得更大的感受野;然后在骨干网络中嵌入Ghost模块,对网络进行轻量化处理;最后在烟草物流中心搭建条烟图像采集系统,建立条烟图像数据集。结果相较于YOLOv5s,本文提出的优化算法计算量减少了45.8%,mAP@0.5值达到了99.3%,在条烟纠错系统上识别率约为99.9%。结论本文提出的优化算法能够高精度满足高速条烟分拣识别需求。

Windows 7万能Ghost启动盘仿真软件的设计与实现

传统的操作系统安装方法不仅费时费力,而且对一般用户来说也颇有难度,不易掌握,所以制作容易操作的系统安装光盘很有必要。该文利用Ghost、Easy Sysprep、万能驱动助理等工具软件,制作了Windows7万能Ghost启动盘。并以Authorware多媒体软件为开发工具,设计了交互式仿真软件,用以模拟万能系统盘的制作过程,这对一般用户学习和掌握相关技术具有一定参考价值。

自适应笛卡尔网格Ghost Cell方法研究

在笛卡尔网格中,利用Ghost Cell方法处理浸入边界,模拟二维无粘可压缩流。针对静止物体,比较了各种不同的Ghost Cell边界条件下的熵误差,总压误差,以及阻力系数。此外为提高激波分辨率,将Ghost Cell方法与基于叉树结构的自适应笛卡尔网格算法相结合,数值结果显示本文的方法是切实可行的。

三维流体界面不稳定性的Ghost方法

Euler方法对大多数气体流动处理得很好 ,但在临近材料界面的区域出现非物理振荡 .Lagarange方法对多材料界面适用性很好 ,但它在处理大变形和大多数气体流动的涡结构却有自身的困难 .理想的稳定性强的方法是结合两种方法的长处 .利用LevelSet方法来确定界面位置 ,利用Ghost方法来确定临近界面的网格点的状态量 .采用单侧界面的熵插值技巧来捕捉适宜的界面边界条件 。

Symantec Ghost技术在网络管理中的应用解析

在全球的占有率达70％的Symantec Ghost 7.5提供对诸如PC布局、网络克隆、改变配置选项、用户移植、备份和磁盘映像恢复等多种任务的远程控制管理,从而简化并提高了对网络化PC系统管理的效率。本文着重分析了Symantec Ghost系统中的网络克隆功能,同时也对此系统其它方面作了简要描述。

克隆软件Ghost在图书馆电子阅览室中的应用

本文介绍了克隆软件Ghost的几种工作模式及在实际工作中的应用 。