动态功能脑网络模型的多任务融合Lasso方法

目的传统的静息态功能性磁共振成像(f MRI)的功能脑网络(FBN)研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子(Lasso)方法来构建静息态f MRI的动态FBN。方法提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态f MRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。结果采用公开的f MRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划(ADNI)公开的f MRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于f MRI数据的脑部疾病的分类研究中。

基于多任务学习的特征融合跨年龄人脸识别研究

针对跨年龄人脸识别过程中面部纹理和形状随年龄衰老产生变化而使现有识别算法精度下降的问题,提出一种基于多任务学习的特征融合跨年龄人脸识别算法。首先提取人脸随年龄衰老较稳定的多尺度与多关键区域的局部二值特征(Local Binary Patterns,LBP),将其与人脸深度学习模型进行特征融合获得多层次的全局人脸特征,联合年龄有序预测任务与身份分类任务一起优化网络模型。算法在提取融合多层次的人脸特征后,通过年龄预测任务获得年龄特征,将年龄特征经全连接层函数映射为人脸衰老中发生改变的衰老特征,再在人脸全局特征中剔除衰老特征就可得到人脸衰老过程中不变的稳定特征。这种算法在公开的跨年龄人脸数据集上的识别精度较现有算法有了一定提升。

采用多任务特征融合的脑电情绪识别方法

特征选择与融合是提升脑电信号情绪解码精度的重要手段之一。然而,当前脑电情绪解码中的特征选择方法常忽略了脑电信号内在数据结构的隐含信息。该文提出一种基于近邻传播聚类的多任务特征融合方法,通过L_(2,1)范数约束实现稀疏特征选择,同时利用图拉普拉斯正则化保持不同子类间的潜在关系。该算法在不揭示真实样本标签的情况下,在子任务空间有效融合脑网络空间拓扑结构信息和微分熵信息,为高精度脑电信号情绪解码提供具有更高情绪表征能力的特征。DEAP和SEED数据集以及本实验室数据集的分析结果表明,该文提出的方法能显著提高脑电情绪解码的精度。

多任务特征融合的CenterNet运动车辆检测方法

基于深度学习技术的运动车辆检测是交通和计算机学科当下的研究热点.针对动态车辆检测任务中多尺度、目标重叠、难以区分动态和静态的车辆等难题,本文提出了一种多任务特征融合的CenterNet运动车辆检测方法.首先向网络中新增一支用于实现车辆分割的任务流,与原有目标检测流共同组成双流机制,然后使用恰当的方式实现双流特征融合,辅助增强目标检测流中的关键特征信息,此外,注意力机制的加入进一步优化了模型精度.在以公共数据集UA-DETRAC为基础所制作的测试集上,本文方法的平均精确率为70%,相比原始CenterNet模型提高了5.8%;帧率为30 f/s,在对比方法中具有最佳的速度与精度均衡性.大量实验表明,本文方法能够较好地胜任运动车辆的检测任务.

多任务知识交叉融合框架下智能博弈对抗策略研究

针对传统深度强化学习方法解决复杂博弈对抗任务时,存在任务关联信息丢失、学习效率低、策略泛化性差的问题,提出了面向多决策任务的深度强化学习方法,构建了知识交叉融合框架下对抗策略生成与优化模型,通过提炼多样化对抗任务之间关联信息背后的共性知识,来辅助优化博弈对抗策略。基于国际公测对抗平台下小场景分队对抗任务,验证了基于知识交叉融合框架深度强化学习方法的有效性,策略演示表明多任务知识交叉融合框架下智能博弈对抗策略具有一定泛化性。

基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法

随着建筑物能源消耗的不断升高,高精度与高泛化能力的非侵入式负荷监测技术的研究具有重大意义。针对当前负荷分解方法存在的问题,提出了一种基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法。将实例-批归一化网络与U形网络结合,提取总负荷数据的上下文信息,并利用跨越连接实现对不同尺度的细节特征与全局特征的融合。针对多特征特点,引入高效通道注意力网络,使模型聚焦重要特征。引入多任务学习框架与后处理操作,去除输出的假阳性片段,实现对目标电器的精准识别。将所提模型与几种代表性模型在UK-DALE(UK domestic appliance-level electricity)数据集与REDD(reference energy disaggregation data set)上进行对比实验,结果表明,所提模型的性能优于对比模型,具有出色的负荷分解能力与状态识别能力。

基于多任务特征融合算法的电力大数据增量式自组织映射方法

为了实现电力大数据精准映射,基于多任务特征融合算法研究电力大数据增量式自组织映射方法。对电力大数据进行分解,以线性组合形式划分特征类型;利用多任务特征融合算法设计候选分类类别数量,确定自组织映射目标;通过不同数据的语义长度对应所属类型,实现电力大数据的增量式自组织映射,完成增量式数据的自组织映射方法设计。以某省实际运行的电力公司为测试对象,对其一年内产生的电力大数据作为测试样本,分别将其按照具体的类型进行映射,验证新方法。实验结果表明,新方法可以实现精准的自组织映射,在整个过程中不会产生数据交换误差,具有应用价值。

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

针对海量用户负荷预测场景下,应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题,提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先,基于聚类技术实现多任务学习中相关任务的选择;其次,为每一类用户群构建多维融合输入,合理有序容纳多个任务的特征,避免维度爆炸和信息混乱;最后,分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型,学习共享特征,并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析,结果表明,该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

多模态特征融合与多任务学习的特种视频分类

特种视频(本文特指暴力视频)的智能分类技术有助于实现网络信息内容安全的智能监控。针对现有特种视频多模态特征融合时未考虑语义一致性等问题,本文提出了一种基于音视频多模态特征融合与多任务学习的特种视频识别方法。首先,提取特种视频的表观信息和运动信息随时空变化的视觉语义特征及音频信息语义特征;然后,构建具有语义保持的共享特征子空间,以实现音视频多种模态特征的融合;最后,提出基于音视频特征的语义一致性度量和特种视频分类的多任务学习特种视频分类理论框架,设计了对应的损失函数,实现了端到端的特种视频智能识别。实验结果表明,本文提出的算法在Violent Flow和MediaEval VSD 2015两个数据集上平均精度分别为97.97%和39.76%,优于已有研究。结果证明了该算法的有效性,有助于提升特种视频监控的智能化水平。

基于多任务渐进式学习模型的风-光-荷功率短期预测

同一地区的风电、光伏和负荷功率与风速、辐照度和温度等气象因素密切相关,在电力系统不同运行场景下存在一定的互动耦合关系。为了捕获多源荷间的差异性和相关性,挖掘高维数据中蕴含的潜在规律,提出一种基于深度时空融合网络的多任务渐进式学习模型,实现风-光-荷联合功率预测。首先,基于深度时空融合网络设计共享信息与特有信息子网;然后,构建计及时空相关性的多任务渐进式学习模型,分别对风、光、荷功率的共享和特有时空信息进行由浅至深渐进式提取;最后,将共享信息与特有信息子网所得特征向量进行融合映射,实现对未来风-光-荷功率的联合预测。实际日前风-光-荷联合预测算例结果表明,所提模型可弥补现有多任务模型出现“负迁移”和“跷跷板”现象的不足,提高预测精度和稳健性。

融合犯罪构成的多任务判决预测

判决预测是人工智能技术在司法领域的一项重要应用.现有的研究大多聚焦案情描述预测判决结果,未充分利用法律中已有的犯罪构成信息.3个子任务中罪名和法条预测任务之间的关系更为密切,两者属于双向关联关系,刑期预测任务整体依赖于罪名和法条预测任务,如何有效利用这种任务关系建模有待进一步研究.文章针对这些问题,提出一种融合犯罪构成的多任务判决预测模型MJP-FCC(Multi-task Judgement Prediction Fusing Crime Constitution).考虑到罪名和法条预测任务之间的密切关系,将二者视为一个整体预测任务,内部以硬参数共享的形式联合建模.为了充分利用犯罪构成信息来辅助罪名和法条预测,从犯罪构成中抽取关键词融入模型.为了能够学习到任务的依赖特征,进而提升刑期预测性能,将整体预测任务建模后的输出结果输入给刑期预测任务.在CAIL2018数据集上开展实验,验证模型的有效性.

多任务网络融合多层信息的目标定位

目标定位是计算机视觉中的关键问题,针对目前区域卷积神经网络及其扩展算法的精度受限于输出卷积图尺寸、不能得到目标准确位置的问题,提出一种基于多任务卷积神经网络的目标定位算法.在特征提取阶段,不同的任务共享相同的特征提取层;然后分别针对不同层次信息训练对应的后续网络;在提取出高层和低层信息后,融合低层信息和高层信息得到准确的目标位置.在PASCAL VOC 2007数据库和交通场景数据库进行实验的结果表明,该算法可以有效地提高目标定位的精度.

基于实时多任务操作系统的多传感器融合技术研究

本文分析了多传感器融合系统的结构特点，指出了目前研究工作中存在的影响系统实时性和实用性的因素。将实时多任务操作系统ＲＴＯＳ（Ｒｅａｌ－Ｔｉｍｅ Ｍｕｌｔｉ－ｔａｓｋ Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）引入多传感器融合系统的研究中，以提高多传感器融合系统的实时响应。最后，介绍了ＲＴＯＳ成功地用于插接件快速测量系统的技术细节和实验结果。

一种融合模拟退火的改进遗传算法多任务路径规划

针对多任务路径规划存在收敛速度慢、易陷入局部最优解的问题,文中提出一种融合模拟退火准则的改进遗传算法。利用栅格法对环境地图建模与栅格序号编码,通过融入Metropolis准则来判断是否接受新解。实验结果表明:在不同障碍物环境以及不同任务点个数下,提出的融合模拟退火改进遗传算法与传统遗传算法相比,路径长度和迭代次数分别提高了9%和67%,解决经典遗传算法过早陷入局部最优问题。

基于图卷积的多任务Web服务QoS预测

为满足用户对Web服务的高质量要求,提出一种基于图卷积的Web服务QoS预测算法,结合多任务学习使算法可以在一次预测中得到两种属性的QoS值。挖掘用户和服务之间隐藏的图结构信息,将用户和服务的编号信息转换成嵌入向量,得到初始特征,经过图卷积与特征融合处理操作获得更深层的特征信息,经过降噪自编码器对特征进行重构,提高算法的鲁棒性。在公开的QoS调用数据集上进行实验,并与3种方法对比,实验结果表明,该算法在各项评价指标上总体表现更好,为图神经网络在QoS预测方向的研究提供了思路。

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。

基于多任务判别器与注意力机制的虚拟试衣研究

为了解决具有错位和遮挡处理条件的高分辨率虚拟试戴(HR-VITON)在处理复杂纹理表现和服装特征交互方面的局限性问题,在基于具有错位和遮挡处理条件的高分辨率虚拟试衣方法的基础上,提出了一种结合多任务判别器与注意力机制的虚拟试衣方法。首先,通过在条件构造器中加入高效通道注意力机制,有效地增强了特征融合;其次,在图像生成网络中采用多任务判别器,以增强对服装渲染的全局和局部尺度评估。通过不断调整网络的学习参数,最终将模型放在数据集VITON-HD Dataset上进行虚拟试衣实验。实验结果表明,与原方法相比,该方法的图像感知相似度(LPIPS)提升了6%、分布距离指标(FID)提升了4.8%,虚拟试衣效果更好。

多任务学习在不良言论与个体特征检测中的应用

多任务学习在自然语言处理领域有广泛应用,但多任务模型往往对任务间的相关性比较敏感.如果任务相关性较低或信息传递不合理,可能会严重影响任务性能.本文提出了一种新的共享-私有结构的多任务学习模型BB-MTL(BERT-BiLSTM multi-task learning model),并借助元学习的思想为其设计了一种特殊的参数优化方式MLL-TM(meta-learning-like train methods).进一步引入一个新的信息融合门SoWLG(Softmax weighted linear gate),用于选择性地融合每项任务的共享特征与私有特征.实验验证所提出的多任务学习方法,考虑到用户在网络上的行为与其个体特征密切相关,文中结合了不良言论检测、人格检测和情绪检测任务进行了一系列实验.实验结果表明,BB-MTL能够有效学习相关任务中的特征信息,在3项任务上的准确率分别达到了81.56%、77.09%和70.82%.

基于融合Lasso的非参数加性分位数回归模型

加性分位数回归为非线性关系的建模提供一种灵活、鲁棒的方法.拟合加性分位数模型的方法通常使用样条函数逼近分量,但需要先验的选择节点,计算速度较慢,并不适合大规模数据问题.因此文中提出基于融合Lasso的非参数加性分位数回归模型(Nonparametric Additive Quantile Regression Model Based on Fused Lasso,AQFL),是在融合Lasso罚和l_(2)罚之间折衷的可对加性分位数回归模型进行估计和变量选择的模型.融合Lasso罚使模型能快速计算,并在局部进行自适应,从而实现对所需分位数甚至极端分位数的预测.同时结合l_(2)罚,在高维数据中将对响应影响较小的协变量函数值压缩为零,实现变量的选择.此外,文中给出保证收敛到全局最优的块坐标ADMM算法(Block Coordinate Alternating Direction Method of Multipliers,BC-ADMM),证明AQFL的预测一致性.在合成数据和碎猪肉数据上的实验表明AQFL在预测准确性和鲁棒性等方面较优.

融合注意力特征的多任务肺结节检测和分割

针对CT图像肺结节检测和分割模型复杂且精度低的问题,提出一种端到端的融合注意力特征的多任务肺结节检测和分割算法。利用多任务模型对肺结节检测和分割进行建模,实现模型参数的共享和计算复杂度的降低;提出残差注意力特征融合模块融合尺度和语义不一致的特征,获取更加丰富的特征信息;采用自适应多任务损失函数,实现主任务和辅助任务损失权重的均衡。在LIDC-IDRI数据集上进行了详尽的实验,肺结节检测的CPM得分达到90.94%,肺结节分割的IoU和DSC分数分别为71.78%和80.89%,验证了算法的有效性。