基于分层解码和渐进融合的快速显著性目标检测

现有显著性目标检测方法大多只关心模型的检测精度,容易忽略模型的编解码效率,导致网络运行速度较慢.针对上述问题,本文提出一种基于分层解码和渐进融合的快速显著性目标检测网络,并分别设计语义提取模块、空间增强模块和边界提取模块,对编码器提取到的多尺度特征进行分层筛选和高效解码.其中,语义提取模块可准确定位显著性目标的整体区域,空间增强模块可完整保留显著性目标的空域信息,边界提取模块可增强显著性目标的边界轮廓.由于不同层级特征的感受野和分辨率不同,本文设计了邻间聚合模块和边界细化模块,对筛选后的特征进行渐进式融合并逐步细化得到最后的显著性预测图.实验结果表明,所提方法不仅能够得到边界清晰、区域完整的显著性预测图,还能显著提升模型的编解码效率,快速检测显著性目标,在ECSSD和HKU-IS数据集上的最大值F max分别为0.947和0.936,优于其他方法.

跨文化交际分层解码在跨境电商中的动态路径研究

时间空间上的束缚在跨境电商全球化和快捷化特征面前已经显得微不足道,但是文化的差异却难以冲破,跨文化交际分层解码从三个维度解析跨文化交流的三个层面,为跨境电商品牌宣传和客户服务提供了跨文化交流的理论依据。伴随文化的发展和融合,跨境电商平台中跨文化交际路径也是动态变化的,跨境电商双方要勇于发展自我文化,采取新形式和新方法来处理文化问题,同时遵守国际商法和国际惯例。

图像分层解码技术研究

在信息化高度发展的社会,图像传输在网络上的应用逐渐普及,因此对于图像解码技术也提出了新的要求。对于常用的图片格式,在网络传输中精度比较高,而数据率相对比较低,这样便会导致解码后的质量较差,因此在网络传输中会经常出现丢包现象。为解决此类问题,提出了基于小波变换和DCT变换的图像分层解码方案及其实现的理论。

消息传递与分层解码在视频描述中的应用

本文针对已有视频描述方法中提取的特征难以捕获视频中对象之间的相互联系,以及解码过程中难以充分利用特征重构视频信息的现状,提出一种结合消息传递网络和分层解码器的视频描述系统。首先,利用卷积神经网络和对象检测器提取视频的二维特征、三维特征以及对象特征;然后,使用消息传递网络来更新对象特征,添加对象之间的联系信息;接着,利用时空注意力模块将所有特征进行融合得到视频整体特征;最后,利用分层解码器解码整体特征来获得视频的描述。实验结果显示,该系统能够准确生成对视频内容的描述,并且生成的描述更能体现出对象之间的联系。

分层特征编解码驱动的视觉引导立体声生成方法

视觉引导的立体声生成是多模态学习中具有广泛应用价值的重要任务之一,其目标是在给定视觉模态信息及单声道音频模态信息的情况下,生成符合视听一致性的立体声音频.针对现有视觉引导的立体声生成方法因编码阶段视听信息利用率不足、解码阶段忽视浅层特征导致的立体声生成效果不理想的问题,提出一种基于分层特征编解码的视觉引导的立体声生成方法,有效提升立体声生成的质量.其中,为了有效地缩小阻碍视听觉模态数据间关联融合的异构鸿沟,提出一种视听觉特征分层编码融合的编码器结构,提高视听模态数据在编码阶段的综合利用效率;为了实现解码过程中浅层结构特征信息的有效利用,构建一种由深到浅不同深度特征层间跳跃连接的解码器结构,实现了对视听觉模态信息的浅层细节特征与深度特征的充分利用.得益于对视听觉信息的高效利用以及对深层浅层结构特征的分层结合,所提方法可有效处理复杂视觉场景中的立体声合成,相较于现有方法,所提方法生成效果在真实感等方面性能提升超过6%.

改进型高吞吐率QC-LDPC码解码器设计

通过对LDPC码解码算法及解码器结构的研究,本文提出一种改进型高吞吐率QC-LDPC码解码器设计方案。综合考虑硬件复杂度和解码吞吐率,该方案利用分层解码算法和部分并行结构进行设计,并采用提前检测技术,消除冗余的迭代,实现高吞吐率。然后通过ModelSim SE6.0对该解码器进行仿真测试,验证了其功能的正确性,最后采用Synopsys进行综合。实验表明该解码器具有较高的解码吞吐率,最高可达1.26Gbps。

短文本新闻标题生成方法

当今新闻具有文本短、发布频繁、时效性强等特点,一个媒体账号一天内发布数十条新闻。为大量新闻制定适用且有吸引力的标题已经成为媒体工作者的一项主要工作内容。媒体工作者需要一个自动生成短文本标题的系统来缓解工作压力。为解决该问题,文中提出了一种短文本新闻标题生成模型。该模型采用序列到序列结构,在编码器和解码器分别应用预训练语言模型和分层自注意力解码器。为了使生成标题包含原始新闻的关键信息,提出一种基于LCSTS数据集和Weibo4数据集的分阶段训练方法,并使模型分别从这两个数据集学习提取关键新闻信息和构建风格化表达,使模型生成标题能够准确表达新闻的核心内容从而吸引读者。

利用模型相似性的三维模型簇协同分割

为准确捕捉三维点云模型的上下文信息,提高分割准确率,提出一种利用模型相似性进行三维模型簇协同分割的方法。首先,对点云模型进行最远点采样得到质心点,并采用球内随机选取的方式确定邻域点以构建球形邻域;然后,使用特征聚合算子编码三维点云之间的几何拓扑关系,提取各邻域间的相关联特征,并利用各球形邻域的质心坐标构建空间相似性矩阵,由空间相似性矩阵对编码器网络所提取的模型局部特征进行加权求和,完成对三维模型的协同分析;最后,搭建分层特征提取网络对经过加权处理的关联特征进行解码操作,完成模型簇协同分割任务。实验结果表明,本文算法在ShapeNet Part数据集上的协同分割准确率达到了86.0%。与kNN算法相比,以球内随机选取法为邻域点采样策略,可使网络的分割准确率提升0.8%;相比于使用共享的多层感知机进行特征提取,使用特征聚合算子进行卷积运算可使网络的分割准确率提高12.9%;与当前主流的模型分割算法相比,本文算法的分割准确率得到了进一步的提升。