应用梯度提升树的小区域无线网络多标签流量预测

当前无线网络流量地理分布不均且可用网络资源有限,因而开展拆闲补忙工作极为必要。为合理投放无线网络资源以保证网络性能,提出了一种针对小区域范围的多标签流量预测算法。该算法结合历史流量信息,根据无线用户偏好特性建立多标签流量预测模型,并通过梯度提升树算法得到预测结果。仿真结果表明,相比于广泛应用的移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)和神经网络预测方法,多标签预测模型在对小区域突发性流量的预测上具有很大的优越性。

多层语义对齐的跨模态检索方法研究

为解决具有语义相关的文本、图像数据互检索问题,提出一种基于多层语义对齐的跨模态检索方法。采用跨模态多层网络来提取图像和文本特征,通过注意力机制计算特征向量间的关联度,对提取的特征进行实体和关系对齐。为增强语义约束,采用全局语义一致性策略从给定的文本数据提取语义标签,利用文本加权向量进行多标签预测,进一步为实体和关系对齐提供了全局语义约束。在Flickr30k和MSCOCO两个公开数据集上的实验结果验证了所提方法的有效性。

基于深度学习采用多标签的方式解释叠前地震数据

地震数据的解释是地震勘探中重要的一环,常规的成果解释需要经过一系列的地震数据处理.如何做到从叠前地震数据道集中直接自动解释地层构造值得探索和研究.本文提出基于深度学习采用多标签的方式来解释叠前数据.叠前数据包含着地层结构整体的信息,对地层结构多标签标注,从叠前数据中分步的提取出各构造的信息并做出预测.这样叠前数据的解释任务就分解为对地层各个构造的预测.多标签的方式可以针对解释所关注的构造做标签,提升网络对特定构造的关注度以得到更好的预测效果.本文建立了一个从叠前数据中自动提取特征的深度学习网络,在两类数据集上建立构造标签来做预测.第一类是在Marmousi模型中随机镶嵌一个等轴状异常体;第二类地层模型含有平层、单斜、背斜和向斜等结构.检验结果表明了基于深度学习多标签的方法可以自动化的解释叠前数据预测地层构造.

多尺度异源图像协同的电力设备语义分割

针对红外与可见光异源图像特征不同的模态、语义与空间特性,提出一种多尺度异源图像协同的电力设备语义分割方法。首先利用双路编码网络对红外图像和可见光图像进行特征提取,并以超像素为单位对红外图像高层特征进行增强,在抑制背景噪声的同时,对高级特征进行进一步的融合,提取更多的互补语义信息。同时,在高级语义信息引导下,在通道维度对中低级特征进行融合增强。最后,通过多层次解码,逐步结合多尺度特征,并以多标签损失的方式,实现更精准的语义分割。通过自建电力设备语义分割数据集进行对比与消融实验,实验结果证明提出融合策略的有效性与语义分割网络的优秀性能。