基于局部关系卷积的点云分类与分割模型

深度学习已成为点云分析的主要方法,但是现有方法在点云特征抽象时无法充分参考局部形状信息,因此对局部形状变化感知的鲁棒性较差,难以针对形状特征生成合适的卷积核。为此,提出了局部关系卷积(local relation convolution,LRConv),一种通过全面局部关系感知形状特征的卷积算子。参考点云局部中所有邻域点之间的低维空间关系,定义了一种不依赖于点的顺序与刚性变换的局部关系描述;使用多层感知机从关系描述中学习得到局部区域中每个点对应的卷积权重;通过卷积权重来变换点的特征,并聚合局部区域的抽象特征。在基准测试实验中,LRConv分类网络在ModelNet上的分类准确率较PointNet++提高了2.1个百分点,LRConv零件分割网络在ShapeNet上的分割类别平均重合度较PointNet++提高了1.5个百分点。实验结果充分验证了LRConv在特征抽象中的有效性。

CBID系统中数控机床造型设计整体与局部关系研究及关键部件修改器的构建

研究了数控机床造型设计中整体与局部关系,找出了影响数控机床整体造型的关键部件群,然后通过案例修改中的重新组合思想在基于案例的计算机辅助工业设计(CB ID)系统中构建出关键部件修改器,实现了计算机辅助数控机床造型设计。

基于全局和局部关系的类属特征多标记分类算法

针对忽视局部关系中的二阶标记关系问题,本文提出了一种基于全局和局部关系的类属特征多标记分类(global and lo⁃cal relationships based on multi⁃label classification algorithm with label⁃specific features,LFGML)算法。通过全局关系的角度来获取类属特征,使用加权平均法计算每个实例的邻域信息,利用杰卡德相似度提取局部关系中的二阶标记关系。LFGML算法在10个多标记数据集Genbase、Medical、Arts、Health、Flags、Cal500、Yeast、Image、Education和Emotions进行了实验。结果表明,所提出的算法相对于其他对比算法在多标记分类中具有明显的的性能优势。

局部关系泛化表征的小样本增量学习

小样本学习作为计算机视觉的新兴研究热点,旨在通过少量的已知样本实现对全新概念的快速识别和理解.现有的小样本学习技术只针对给定的新类别物体进行分类和识别,忽略了旧有基础类别的表示和区分.针对小样本增量学习问题中的类间可区分性差、增量类别难泛化两大研究难点,本文引入局部关系学习的思想,提出局部关系泛化表征的模型学习方法.为确保增量过程中的类别可区分性,本文首先使用局部空间关联约束增量表征能力,在此基础上,使用特征重映射方法将查询向量与支撑集映射在同一度量空间,有效确保了微小差异的可区分性.同时,为缓解增量过程中样本不足导致的归纳偏置问题,本文提出空间泛化式原型生成算法,利用分布特性快速生成虚拟原型,促进样本的有效表征.在此基础上,本文利用元学习训练方法,提出了局部泛化联合的增量学习框架,通过联合基础类别的局部表征和增量类别的快速泛化约束,有效缓解了灾难性遗忘和表征不足的困难,实验证明本方法在经典小样本增量任务中取得了当前最好的性能表现.

结合局部标记序关系的弱监督标记分布学习

标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL算法性能的下降。为此,本文提出了一种新型的结合局部序标记关系的弱监督标记分布学习算法,通过维持尚未缺失标记之间的相对关系,并利用标记相关性来恢复缺失的标记,在数据标注不完整的情况下提升算法性能。在14个数据集上进行了大量的实验来验证算法的有效性。

局部标记关系的多标记迁移学习算法

现有多标记迁移学习主要利用全局标记关系信息,由于源领域与目标领域的标记关系存在差异,源领域中全局标记关系不适合于目标领域.本文提出一种局部标记关系的多标记迁移学习算法,该算法通过对样本的标记进行聚类和最小化联合损失函数,可以有效的挖掘领域间共享的局部标记关系,对应的局部关系编码可以作为样本的辅助特征从而提高模型性能.图像分类实验表明,在多标记迁移学习中,基于局部标记关系的学习算法相比基于全局标记关系的学习算法具有更好的分类效果;本文所提算法与现有算法相比具有更好的分类效果.

套筒灌浆接头黏结滑移关系的精细有限元分析

为揭示套筒灌浆连接接头中钢筋和灌浆料间的黏结滑移关系,利用DIANA 10.3有限元软件建立接头试件的肋尺度精细有限元模型,并根据有限元分析结果对接头的局部黏结滑移关系进行研究。结果表明:套筒中钢筋黏结应力沿锚固长度大致呈马鞍形分布,加载端峰值随荷载增加逐渐内移;钢筋与灌浆料间相对滑移从钢筋自由端向加载端递增,超过屈服荷载后在加载端发生激增,并逐渐向里发展;局部黏结滑移曲线大致分为5个阶段,不同锚固位置处曲线的发展趋势大致相同,但其具体路径在发展程度和曲线特征值方面有一定差异;黏结锚固位置函数沿锚固长度大致呈“M”形分布且锚固自由端峰值大于加载端,是锚固位置和相对滑移的二元函数,建议用椭圆曲线和二次曲线进行拟合。该肋尺度精细化有限元模型可用于套筒灌浆连接接头的黏结滑移本构关系的进一步研究。

基于偏最小二乘回归局部形状关系建模的颅面复原方法

针对基于主成分分析(PCA)的颅面联合统计复原中建模方法未充分考虑颅骨对面皮表面形状影响的局部性、模型对颅骨与面皮之间形状变化关系描述能力不足的问题,提出一种基于偏最小二乘回归(PLSR)局部形状关系建模的颅面复原方法。首先,深入分析基于PCA的颅面整体形状统计建模方法的缺陷,以及利用PLSR进行局部形状关系统计建模的优势;然后,将PLSR引入到颅面形状关系建模过程中,以按照法医人类学知识分类和具有生理点对应关系的颅面三维表面模型为训练集,针对每一类面皮上的每一个表面顶点,建立关于与其局部紧密相关的颅骨表面顶点集的PLSR坐标计算模型;进而,利用面皮表面顶点的坐标计算模型获得待复原面皮各顶点坐标来实现面貌复原,并给出基于PLSR局部形状关系建模的颅面复原方法的具体步骤;最后,给出通过PLSR局部形状关系建模进行颅面复原的多个实例,并采用有效复原能力和绝对误差等多种评估指标进行对比评估。实验结果表明,基于PLSR局部形状关系建模方法能显著提高颅面复原的准确度。

基于潜在局部区域空间关系学习的物体分类算法

提出了一种物体分类模型——潜在局部区域空间关系模型及实现算法.模型描述物体各部分间的潜在空间关系,将抗缩放和仿射变换的特征区域方法与模型相结合,采用变分期望值最大方法进行学习.与同类空间关系模型算法比较,该文模型算法具有以下优点:(1)为非监督式学习模型;(2)可抵抗几何变换;(3)模型为稠密模型;(4)模型描述的是一种潜在的空间关系,这种关系对物体具有更本质的描述.在标准测试图像库上的实验表明了该算法在抵抗平移、旋转、尺度缩放、仿射变换和部分遮挡等难点问题上具有优势.

严格局部自反关系下的广义粗糙集

经典粗糙集是在等价关系基础上建立的一类不确定性理论方法。研究一般二元关系下的广义粗糙集,不仅可以拓宽粗糙集理论的应用范围,而且也能从一定的角度进一步阐释经典粗糙集的基本性质。在考虑自反粗糙近似算子的基础上,提出了严格局部自反关系的定义,讨论了严格局部自反关系下广义粗糙集的性质,给出了其公理化特征。结合自反粗糙近似算子,研究了一般二元关系下广义粗糙集中的精确集,得出了一些重要的结论。

ICIC_Target:目标节点的局部因果关系网络的发现算法

因果关系的研究在于揭示自然规律的和人类社会发展本质及其规律,对人类长久以来的生产生活和科学研究有着非常重要的作用.目前,因果关系的研究受到前所未有的广泛关注,但仍存在诸多困难和挑战.致力于建立一个因果激励/抑制模型以抽象地表示和解释因果的作用机制,并在此基础上提出用于目标节点的局部因果关系网络的自动发现方法框架ICIC和算法ICIC_Target.该方法不预先设定因果结构(如设定为无圈、隐含结构),并根据对因果关系本质的认识,利用初始变量(exogenous variables)和初始团树(IClique)的概念,在判定边和方向之前对变量进行粗略地排序,从而提高了因果关系网络发现的性能.在4个不同类型的数据集上实现了与多种经典方法,如HITON,IC,PC,PCMB等的对比实验,实验结果表明ICIC_Target方法适用范围广,有较好的鲁棒性,同时,从理论上分析证实了ICIC_Target方法具有较好的稳定性和较低的复杂度.

基于小波变换和局部相关系数改进IHS变换的图像融合方法

为得到分辨率高、光谱畸变小的融合图像,该文根据图像处理理论和小波变换的时频局部特性,采用Quick bird数据,对多光谱波段经IHS变换的1分量和全波段图像分别进行小波分解,用全波段图像经小波分解得到的高 频系数替换1分量小波分解的高频系数,替换时根据图像的地物光谱特性引入局部相关系数进行有选择的高频替 换。经过IHS反变换得到空间分辨率高且没有光谱畸变的融合图像。

基于目标域局部近邻几何信息的域自适应图像分类方法

在许多实际工程应用中,训练场景(源域)和测试场景(目标域)的分布并不相同,如果将源域中训练的分类器直接应用到目标域,性能往往会出现大幅度下降。目前大多数域自适应方法以概率推导为基础。从图像特征表达的角度出发,针对自适应图像分类问题,提出一种新的基于协同特征的无监督方法。首先,所有源样本被作为字典;然后,距离目标样本最近的三个目标域样本被用来帮助鲁棒地表达局部近邻几何信息;最后,结合字典和局部近邻信息实现编码,并利用最近邻分类器完成分类。因为协同特征通过融合目标域局部近邻信息,获得了更强的鲁棒性和区分性,基于该特征编码的分类方法具有更好的分类性能。在域自适应数据集上的对比实验结果表明所提算法是有效的。

局部成分统制结构与领有名词提升

领主属宾句中的领属关系源于局部成分统制结构与具体词项的语义内容两个方面;领有名词提升说缺乏理论动因和实证支持,而且无法克服重复赋格的难题;EPP和特征独立核查的主张实质上有违近期最简方案的精神:所有句法操作都应该基于探针-目标之间"各取所需,相互匹配"的一致关系。

面向交通流量预测的时空超关系图卷积网络

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象(如站点、传感器)之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络(STHGCN)预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络(STSGCN)等时空预测模型,STHGCN在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。

基于Bert-GNNs异质图注意力网络的早期谣言检测

网络谣言的广泛传播已经造成了很大的社会危害,因此早期谣言检测任务已成为重要的研究热点.现有谣言检测方法主要从文本内容、用户配置和传播结构中挖掘相关特征,但没有同时利用到文本全局语义关系和局部上下文语义关系.为了克服以上局限性,充分利用到谣言数据中的文本全局-局部上下文语义关系、文本语义内容特征和推文传播的结构特征,本文提出了一种基于Bert-GNNs异质图注意力网络的早期谣言检测算法(Bert-GNNs Heterogeneous Graph Attention Network,BGHGAN).该方法根据历史谣言集和用户特征构建一个推文-词-用户异质图,通过采用预训练语言模型Bert和图卷积神经网络(Graph Convolutional Network,GCN)结合的方法进行特征学习,以挖掘谣言的文本语义特征和文本之间的关系,并将异质图分解为推文-词子图和推文-用户子图,采用图注意力网络(Graph Attention network,GAT)的方式分别进行特征学习,从而更充分利用文本全局-局部上下文语义关系和传播图的全局结构关系以加强特征表达;最后,通过子图级注意力机制将不同模块的学习集成进行最终的谣言检测.所提算法在真实的Twitter15和Twitter16数据上进行实验,验证了该算法在检测准确率上分别为91.4%和91.9%,较现有最佳模型分别提高了1%和1.4%,也具备在早期阶段对谣言的检测能力;同时,本文通过实验探讨了不同特征对谣言检测的重要性、对异质图构建质量的重要性.

基于局部相关性的遥感图像全色锐化算法

为了增强多光谱图像的空间分辨率同时避免出现严重的光谱扭曲,对插值放大后的多光谱图像和原始全色图像分别作相同层数的非下采样轮廓波变换分解.在相应低频子带中,分别选取以待融合像素点为中心,大小为5×5的滑动窗口,计算待融合像素点的局部相关系数与四阶相关系数.如果局部相关系数大于四阶相关系数,说明该位置上的地物存在相似的光谱特征,因此用全色图像的高频系数替代多光谱图像的高频系数;反之,保持多光谱图像的高频系数不变.最后将多光谱图像的低频系数和替换后的高频系数进行非下采样轮廓波逆变换得到融合图像.采用Landsat 7遥感图像,对比给出了本文与现有同类最新文献融合结果及其主客观评价指标.实验结果表明,本文算法在提高空间分辨率与保持光谱信息两个方面都具有较好的效果.

基于矩阵的粗糙集近似集快速计算算法

在粗糙集理论中,上、下近似集的计算是核心问题。矩阵能提供一种高效的方法来计算粗糙集模型中概念的上、下近似集,但是在目前的矩阵方法中,论域中每个对象都要与论域中全部对象进行运算,从而导致较大的时间代价。为提高使用矩阵计算近似集时的效率,提出一种快速计算上、下近似集的矩阵方法。对于一个给定的概念,基于概念的外延和概念补集的外延构建一个局部关系矩阵,对局部关系矩阵和单位矩阵进行矩阵运算得到正域和边界域布尔矩阵,对局部关系矩阵的转置和单位矩阵进行矩阵运算得到负域和边界域布尔矩阵。在该矩阵方法中,只需要根据局部关系矩阵就可以计算近似集,即论域中每个对象不必和论域中全部对象进行运算就可以被划分到相应的区域,使得算法的运算次数相比传统矩阵算法大幅减少,从而降低时间成本。在8个公开数据集上的实验结果表明,与4种传统的矩阵算法相比,该矩阵算法的运行速度至少提升70%,可以有效提高近似集计算效率。

距离权重改进的Pearson相关系数及应用

相关系数是表征两组数据相关性的度量指标。现有的相关系数仅计算数据本身在数值上的相关性,忽视了数据在地理分布上的特征,导致数据的规律性未被充分挖掘。在油气勘探领域,油气分布与空间信息密切相关。为此,采用Pearson相关系数的广义形式,结合空间权重的方法计算相关系数,并将不同搜索半径下的局部相关系数以折线图的形式研究两组数据的空间相关特征。模拟数据和实际数据的检测结果表明,空间权重改进的相关系数可以从空间上明确两组数据的潜在相关性。该方法有利于油气勘探的数据优选。

基于改进SSD的鲁棒小目标检测算法

为提高各种场景中目标检测性能,解决小目标检测困难问题,提高小目标的检测精度,提出一种基于新的特征融合方法与特征增强模块改进的SSD鲁棒小目标检测算法.通过将相邻特征进行融合来有效利用上下文信息,而后通过不同尺寸特征之间的非局部关系来增强特征映射,从而提高对小目标的检测精度,与Faster R-CNN、SSD、SD-SSD、FD-SSD等目标检测模型在PASCAL VOC、KITTI公开数据集对比以验证其小目标检测性能.实验结果表明:所提出方法的A mAP值在两个数据集上达到了81.3%与80.6%,其中针对小目标的检测性能提升尤为显著,在一定程度上解决了小目标检测难的问题,对于自动驾驶等应用有着现实意义.