基于多通道特征和混合注意力的环境声音分类

环境声音分类(ESC)已成为非常重要的研究方向,但由于环境声音种类繁多,无法进行统一表征,加之易受噪声的干扰,使得ESC任务变得复杂。为了提高ESC任务的识别精度,提出了基于多通道特征和混合注意力模型的分类方法。首先,将ESC信号进行时频转换并使用多种滤波器提取频谱特征,将其重构为三通道特征图。多通道特征可以利用特征之间的互补性,弥补单一特征信息表征不足的缺点;其次,引入了一种由通道和时频注意力模块组成的混合分类模型,通道注意力模块计算特征图并对不同通道分配权重,含有更多有效信息且对该类声音分辨较好的通道特征则会被分配更多的权重,时频注意力模块会重点关注时域和频域中更有效的信息。该方法可较好地抑制背景噪声,消除冗余,提高收敛速度和分类精度。对比实验表明,在ESC-10,ESC-50数据集上的识别精度分别达到了96.25%和89.56%,在Urbansound8k的数据集上达到98.40%。

融合ALBERT与多通道特征网络的档案数据分类模型

为解决静态词向量语义表达不准确,传统网络模型特征提取单一等问题,提出了融合ALBERT与多通道特征网络的档案数据分类模型。采用ALBERT轻量级预训练模型提取档案数据文本特征向量,提升词向量语义表达能力;多通道特征网络捕捉不同尺度下的局部和上下文档案语义特征,软注意力机制计算每个特征对分类结果的贡献程度,由线性层输出档案类别。在公开数据集上的实验结果表明,该模型准确率达到了97.51%,优于近期表现较好的BERT-BiLSTM、BERT-TextCNN和ERNIE2.0-BiLSTM-Att深度学习模型。

基于多通道特征融合的上下位关系抽取方法

上下位关系抽取是知识图谱构建的关键环节,目前常用的基于模板和分布式的方法存在可移植性差、召回率低等不足。针对这些问题,提出了一种基于多通道特征融合的上下位关系抽取方法,通过预训练词嵌入、双向LSTM和依存句法树结果编码三个通道来构建模型编码器。首先,提出了上下位关系抽取整体框架,包括数据挖掘与标注模块、特征抽取模块、候选句打分模块及结果排序模块。然后,针对特征抽取模块,提出了融合句法依存关系、上下文特征以及预训练特征的自适应编码方法;针对句子打分模块,提出了包含编解码器结构的网络模型。最后,通过对准确率、召回率、查全率进行消融实验,表明所提出的模型具有较好的有效性和更好的可解释性。

基于多通道特征和自注意力的情感分类方法

针对情感分析任务中没有充分利用现有的语言知识和情感资源,以及在序列模型中存在的问题:模型会将输入文本序列解码为某一个特定的长度向量,如果向量的长度设定过短,会造成输入文本信息丢失.提出了一种基于多通道特征和自注意力的双向LSTM情感分类方法(MFSA-BiLSTM),该模型对情感分析任务中现有的语言知识和情感资源进行建模,形成不同的特征通道,并使用自注意力重点关注加强这些情感信息.MFSA-BiLSTM可以充分挖掘句子中的情感目标词和情感极性词之间的关系,且不依赖人工整理的情感词典.另外,在MFSA-BiLSTM模型的基础上,针对文档级文本分类任务提出了MFSA-BiLSTM-D模型.该模型先训练得到文档的所有的句子表达,再得到整个文档表示.最后,对5个基线数据集进行了实验验证.结果表明:在大多数情况下,MFSA-BiLSTM和MFSA-BiLSTM-D这两个模型在分类精度上优于其他先进的文本分类方法.

聚合多通道特征的青光眼自动检测

眼底影像的自动分析是计算机辅助青光眼筛查和诊断的关键基础.为提高青光眼辅助诊断的准确性,基于彩色眼底图,提出一种聚合多通道特征的青光眼自动检测算法.首先基于多尺度分析技术,通过聚合多通道图像特征,从颜色分布、多尺度Gabor滤波和梯度方向分布等方面表示视盘形态和结构在彩色眼底图上的细微变化;然后设计基于随机森林的分类器,在青光眼数据集上训练分类器模型,并利用集成学习技术鉴别青光眼,从而实现一种基于图像特征的青光眼自动检测算法;最后在2个具有挑战性的青光眼公开数据集(RIM-ONE r2和Drishti_GS)上对青光眼检测算法进行测试和验证,分别得到了0.869 0和0.800 4的曲线下面积值.实验结果表明,该算法在保证青光眼检测敏感性的同时能够显著提高其特异性,对青光眼辅助筛查和诊断具有很好的参考价值.

基于卷积神经网络的多通道特征表示文本分类模型

尽管长短期记忆网络(long short-term memory,LSTM)、卷积神经网络(convolutional neural network,CNN)及其结合体在文本分类任务中取得了很大的突破。但这类模型在对序列信息进行编码时,往往无法同时考虑当前时刻之前和之后的状态,从而导致最后分类效果不佳。此外,多版本预训练词向量比单个版本的预训练词向量包含更多的信息。因此提出了一种基于CNN的多通道特征表示文本分类模型(multi-channel feature representation text classification model based on CNN,MC-CNN)。该模型首先通过两个不同的双向长短期记忆(bi-directional long short-term memory,Bi-LSTM)来对不同来源词向量所表示的文本序列进行正逆序上的特征提取,并以此形成多通道特征;然后利用多尺度卷积网络来进一步使得模型能够同时充分考虑到当前时刻之前以及之后的信息,从而更加有效地进行文本分类。MC-CNN在MR、SST-2、TREC、AG、Yelp_F、Yelp_P数据集上分别达到了81.6%、87.4%、98.6%、94.1%、65.9%、96.8%的准确率,实验结果表明本文模型MC-CNN在文本分类任务中具有优异的效果。

多通道特征和择优并行更新的核相关滤波跟踪

针对传统核跟踪算法单一特征的局限性、目标模板和特征外观模板更新的不足,提出了一种多通道特征和择优并行更新的核相关滤波跟踪算法。采用多通道特征提取方式:上支路采用卷积神经网络提取深度特征,下支路则将HOG特征和CN特征相结合用于训练与跟踪。采用新的目标模板和特征外观模板更新方式:择优并行更新,取不同支路当前帧的最大响应值作为最佳目标位置,下一帧中两个支路的模板更新采用前一帧最优位置的参数同时进行更新,直到跟踪结束,多支路的择优并行更新弥补了单一支路更新的不足。实验表明该算法能在不同挑战因子下实现更加鲁棒的跟踪过程。

基于多通道特征的行人检测算法研究

提出了一种基于多通道特征的行人检测算法,利用改进的方向梯度直方图特征、基于主成分分析的尺度不变特征转化(PCA-SIFT)和图像色彩特征等构成多通道特征进行行人检测。实验仿真结果表明,相比于方向梯度直方图算法,所提出的基于多通道特征的行人检测算法在检测速率、检测准确度等方面均优于方向梯度直方图算法,有着更好的检测性能。

一种结合多通道特征改进群组相关的立体匹配算法

特征提取是基于深度学习的立体匹配中至关重要的一个部分。针对目前立体匹配网络在特征提取中造成的语义损失和匹配代价信息丢失问题,将特征金字塔网络作为立体匹配的特征提取部分,提取包含高层语义信息和多尺度信息的多通道特征;并使用改进的群组相关模块计算匹配代价,使网络包含更多的特征相似性信息,减少信息丢失,进而更加准确地重建弱纹理等病态区域。在SceneFlow、KITTI 2012和KITTI 2015双目数据集上进行测试评估,结果表明:提出的算法取得了较好精度,并且相比基准网络,在提高精度和弱纹理区域匹配效果的同时,所提算法没有增加较大计算负担。

异质社交网络中多通道特征融合的好友推荐模型

合理有效的好友推荐算法对于社交网络的发展和扩张有重大的意义。然而随着社交网络的复杂化和异质化,传统推荐系统中协同过滤推荐方法不能满足需求。针对异质社交网络中存在着大量的内容相关信息这一特点,根据好友推荐的需求,提出了多通道特征融合的好友推荐模型。该模型对用户相关的多维特征进行挖掘与利用,包括显性特征(如用户profile,用户tag,社交关系等)和隐性特征(如用户重要度,挖掘用户标注发现其领域兴趣等),并进一步将这些内容相关的多特征融合到协同排序算法中进行学习训练。实验结果表明,随着多个内容特征的逐步融合,算法的MAP值稳步提高,最终相对未融合的协同排序方法提高了12%,并在一定程度上的解决了冷启动问题,提高了好友推荐的多样性。

基于DCT变换的多通道特征的行人检测

在行人检测中,针对目前多通道检测算法特征利用不充分的问题,提出一种基于DCT变换的多通道特征级联的行人检测算法。通过一种2层卷积网络模型将图像信息DCT变换后的数据进行整理,形成新的频域通道特征,该通道能描述行人的复杂纹理特征。结合梯度方向直方图特征、颜色空间特征和DCT频域特征,基于Adaboost算法训练了低开销的多通道特征行人检测器。在典型的公开行人库上的实验结果表明,该方法能提高检测的性能,在较低误检率时效果更加显著。

基于多尺度局部特征编码与多通道特征融合的图像场景分类

场景分类在图像理解和计算机视觉中是一个挑战性问题。有效的图像表示在场景分类任务中至关重要。CNN特征在场景分类任务中表现相对突出,但仍有缺陷,其主要表征图像的全局特征,忽略了局部信息,且缺乏几何不变性。本文通过编码多尺度局部图像块的中层CNN特征,获得图像的局部信息,并将编码特征与原始图像的全局CNN特征进行多通道融合来描述场景图像,获得更高效的图像表示,以实现更好的分类判别。本文在两个常用的场景数据集上进行实验评估,结果表明,该方法在场景分类任务中取得了令人满意的效果。

联合多通道特征与最小二乘决策的人脸反欺诈方法

为了应对大量的欺诈攻击,如照片攻击和视频攻击,提出了一种基于多通道特征与最小二乘法决策的人脸反欺诈方法。一方面,将人脸在不同颜色空间分量上的梯度特征进行加权融合。另一方面,为了提高实验的鲁棒性,引入BSIF纹理特征与CNN的卷积特征,并用最小二乘法对分类的结果进行最优的决策判断。实验在replay-attack和CASIA两个数据集上进行测试,其中在replay-attack数据集上的EER和HTER分别降低到了3.52%与4.63%,在CASIA数据集上的EER和HTER分别降低到了6.02%和6.45%,与目前最优的算法有一定的竞争力,表明该方法对不同方式的欺诈攻击有较好的检测效果。

多通道特征向量的新三角距离高效推荐

为同时提高推荐系统的准确度和效率,提出了一种多通道特征向量的新三角距离推荐算法.首先从原始评分矩阵中提取多通道特征向量;其次结合三角距离和Jaccard系数构建新三角距离;最后将该距离用于k近邻算法以表征两个项目间的相似度.在4个真实数据集上的实验结果表明:文中提出的算法推荐效率更高,并能保持较好的推荐准确度.

基于多通道特征的SAR图像变化检测

为充分利用SAR图像的细节信息,提高SAR图像变化检测的检测精度及抗噪性能,提出一种基于多通道特征的SAR图像变化检测方法。该方法提出了一种适用于SAR图像的变化检测一体化框架,首先,为了在抑制相干斑噪声的同时尽可能多地保留SAR图像的边缘及局部信息,引入引导图像滤波方法;其次,提取8个通道特征,充分利用了图像的细节信息,获得了性能良好的差异图;最后,利用主成分分析(PCA)和K-means聚类进行差异图分析,得到最终的变化信息。实验结果表明,该方法有效提高了检测精度,并且具有良好的抗噪性能。

基于多通道特征的人脸检测

人脸检测技术作为计算机视觉与人机交互领域一项基础技术。近十多年来,人脸检测技术取得的迅猛发展主要归功于Paul Viola与Michael Jones提出的基于提升方法和级联结构的快速人脸检测算法。随着应用场景越来越复杂,人脸检测面临的挑战也愈发严峻,传统的检测算法已经无法满足目前的应用需求。针对这一问题,从特征提取的角度入手,提出了一种适用于人脸检测、计算快速、表达能力强的特征表示——多通道特征,并对Viola-Jones框架中的学习算法进行了改进以进一步提升分类器的学习效率和分类性能。提出的多视角人脸检测算法在权威人脸检测测试集AFW上取得了优异的检测性能,并且在VGA图片上达到62帧/秒的检测速度。实验表明该算法能够满足各类复杂场景的人脸检测需求,具有一定的实际应用价值。

基于局部敏感直方图和多通道特征车辆检测

目前车辆检测大多采用局部特征检测,如HOG、Haar-like特征、尺度不变特征变换等。但是,在面对复杂背景情况下受到很大的局限。这就要求在车辆检测方面需要更强的识别性和鲁棒性。为此,提出了一种结合改进的局部敏感直方图和多通道特征金字塔算法。将改进的局部敏感直方图作为检测算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;多通道特征金字塔中的上下文感知结构特征描述符能够为车辆检测提供更有效的特征。

基于多通道特征提取的入侵检测模型研究

网络流量数据的高维、冗余和噪声严重影响了入侵检测模型的实时检测能力。为了提高入侵检测模型的检测速度与准确率,提出了一种基于多通道特征提取的入侵检测模型。该模型将深度学习与浅层学习技术相结合,利用多个深度自编码器对无标签的高维数据进行特征提取,再利用支持向量机多分类器对低维数据进行入侵检测。为了评估该模型的有效性,在现有的入侵数据集NSL-KDD与UNSW-NB15上进行试验评估。试验结果表明:相比于单一的支持向量机入侵检测模型,该模型的准确率和检测速度在NSL-KDD上分别提高24.9%和91.69%,在UNSW-NB15上分别提高36.9%和94.91%,从而帮助支持向量机提高了对高维数据的检测能力。

融合多特征图卷积神经网络的方面级情感分析

方面情感三元组抽取是基于方面级情感分析的一项新兴任务.针对目前大多数情感分析模型存在三元组抽取任务中忽略了单词之间的关系、序列模型的向量长度设定过短造成输入文本信息丢失的问题.本文提出了一种融合BERT和多特征提取的图卷积神经网络模型(MF-GCN).本文为三元组抽取任务定义了十种关系,然后使用双仿射注意力模块获取句子中每个词对的关系概率分布,并利用不同的语言特征关系形成不同的多特征图.最后使用图卷积神经网络在多特征图上重复图卷积操作以获得节点表示.MF-GCN在数据集上的F1值分别达到了60.47%、72.37%、62.09%、70.77%、61.37%、71.61%、64.51%、69.55%,表明本文模型在情感分析任务中具有优异的效果.

基于多通道融合特征网络的文本情感分析

针对现有文本情感分析基础深度学习模块特征提取不够全面,语义表示不准确及训练效率低等问题,提出了基于多通道融合特征网络的文本情感分析模型。首先,采用针对汉字优化的预训练模型ChineseBERT提取文本的动态词向量表征,解决静态词向量存在的无法表示多义词问题,提升词向量语义表征质量;然后,通过多通道融合特征网络全面捕捉文本不同尺度下的语义特征融合向量表示,增强模型对文本深层次情感特征的学习能力;并利用软注意力机制计算每个特征对情感极性类型识别的影响权重,赋予关键特征更高权重,避免无关特征对结果造成干扰;最后,由线性层输出文本情感分类结果。在SMP2020微博疫情相关情绪分类评测数据集、购物评论数据集和酒店评论数据集上进行实验验证,分别取得了76.59%、97.59%和95.72%的F1分数以及76.6%、97.59%和95.73%的准确率,高于近期表现优秀的对比深度学习模型,验证了该模型在文本情感分析任务上的有效性。