一种基于自适应局部融合参数的协同过滤方法

基于内存的协同过滤推荐系统存在数据稀疏和数据集异构的问题。为此,提出一种基于变权重相似度计算和自适应局部融合参数的协同过滤方法。通过统计数据集,提取用户-项目评分项的用户情感信息量计算用户相似度,同时根据用户-项目评分项的评分质量改进项目相似度计算方法,利用基于相似用户(或项目)的方法预测置信度,得到自适应局部融合参数,以增强协同过滤方法对数据集的适应能力。实验结果表明,相比传统全局融合参数方法,该方法在数据稀疏情况下的平均绝对误差降低了0.02,具有较高的推荐精度和推荐覆盖度,并且有效解决了数据稀疏和数据集异构问题。

基于局部融合特征与分层增量树的快速人脸识别算法

传统的人脸识别模型采用离线方式进行训练,同时由于人脸特征维数较高导致算法的实时性不足。文中分别从人脸特征与分类器两方面来构建快速的人脸识别算法。首先使用SDM(Supervised Descent Method)算法进行人脸特征点定位,提取每个人脸特征点邻域内的局部(Multi Block-Center Symmetric Local Binary Patterns,MB-CSLBP)特征,并将所有的人脸特征点邻域特征以串联的方式构成局部融合特征,即所提出的局部融合MB-CSLBP特征LFPMB-CSLBP(Local Fusion Feature of MB-CSLBP)。将以上特征送入分层增量树HI-tree(Hierarchical Incremental tree)中进行人脸识别模型的在线训练。分层增量树是使用分层聚类算法来实现增量式学习的,因此其能够以在线的方式对识别模型进行训练,具有较高的实时性与准确性。最后在3种不同的人脸库以及摄像头采集的人脸视频上对算法的识别率与实时性进行测试。实验结果表明,相比于当前其他算法,所提算法具有较高的人脸识别率与实时性。

一种基于降维技术的图像局部融合算法

给出了一种基于降维技术的局部融合算法,并将其用于两幅灰度图像的融合。该算法将现有的图像融合技术和非线性降维技术融合,通过对待融合图像进行分块、关联矩阵表示、MDS降维处理,得到待融合图像的感兴趣区域块,对这些感兴趣区域块进行基于小波的局部融合,使图像变小。通过实验证明,该算法提高了融合速度,有利于目标识别、变换检测等后续处理。

基于时空双流与局部融合网络的行为识别

针对视频中部分行为时间跨度长,可能由于行为模糊或视频散焦导致信息受损的问题,提出一种具有残差连接的多级局部融合网络,以提高视频人体行为识别的准确率。通过传统的双流卷积神经网络分别提取视频的表观运动特征和长时运动特征。通过局部融合模块捕获相邻帧的信息来增强每帧特征信息。局部融合以多级方式执行,在时间维度上对不同的邻域进行特征融合。融合模块采用残差连接,能进行有效的梯度传播,实现端到端的训练。在人体行为KTH数据集上进行了测试,识别准确率高达98.9%。

基于面部全局抑郁特征局部感知力增强和全局-局部语义相关性特征融合的抑郁强度识别

现有基于深度学习的大多数方法在实现患者抑郁程度自动识别的过程中,主要存在两大挑战:(1)难以利用深度模型自动地从面部表情有效学习到抑郁强度相关的全局上下文信息,(2)往往忽略抑郁强度相关的全局和局部信息之间的语义一致性。为此,该文提出一种全局抑郁特征局部感知力增强和全局-局部语义相关性特征融合(PLEGDF-FGLSCF)的抑郁强度识别深度模型。首先,设计了全局抑郁特征局部感知力增强(PLEGDF)模块,用于提取面部局部区域之间的语义相关性信息,促进不同局部区域与抑郁相关的信息之间的交互,从而增强局部抑郁特征驱动的全局抑郁特征表达力。然后,提出了全局-局部语义相关性特征融合(FGLSCF)模块,用于捕捉全局和局部语义信息之间的关联性,实现全局和局部抑郁特征之间的语义一致性描述。最后,在AVEC2013和AVEC2014数据集上,利用PLEGDF-FGLSCF模型获得的识别结果在均方根误差(RMSE)和平均绝对误差(MAE)指标上的值分别是7.75/5.96和7.49/5.99,优于大多数已有的基准模型,证实了该方法的合理性和有效性。

融合局部特征的多知识库常识问答模型

当前的多知识库融合常识推理模型的输入和特征组合的方式过于简单,导致模型丢失了一些与问题和答案相关的重要信息,限制了融合外部知识的常识推理模型的效果。另外,在进行常识问答的任务时,预训练语言模型输出的问题和答案表示存在的向量各向异性问题没有得到解决。这些问题都是导致常识问答推理性能不够高的因素。针对以上问题,提出了一种基于局部特征融合的多知识库常识问答模型,改进外部知识库和问答文本的融合方式。模型将局部的问题和答案特征融入预训练语言模型全局特征,以丰富模型的特征信息,并在预测层结合了多种维度的特征进行预测;模型对于待匹配的问题和答案句子表示进行了白化处理,然后执行匹配任务。通过白化操作,模型增强了句子表示的各向同性,提升了句子向量的表征能力;还探索了不同预训练编码器(如:ALBERT、ELECTRA)在模型上的效果,以加强对知识文本的特征抽取能力,并证明了模型的稳定性。实验结果证明,在相同BERT-base编码器的实验下,模型的准确率达到78.6%,相较于基线模型,准确率提升了3.5个百分点;在ELECTRA-base编码器的实验下,模型的准确率达到80.1%。

全局情境约束和局部多因素融合的对话情感识别

文本对话情感识别是自然语言处理领域中的一项重要研究任务,旨在自动识别对话文本各语句情感。然而,现有研究多侧重于对话语句的语义表征或对话人关系建模,忽略了对话交互过程中情感动态演变的影响因素。文章提出一种全局情境约束和局部多因素融合的对话文本情感识别方法,该模型不仅考虑了对话全局语义,还深入挖掘和建模了对话情感演变的多影响因素。在公开数据集上的实验结果表明该方法识别对话情感的有效性。

全局-局部特征融合的人体姿态估计算法

针对现有人体姿态估计算法存在因骨干网络特征提取不充分,导致关键点特征信息丢失的问题,提出一种结合全局-局部特征融合模块的人体姿态估计网络模型(GLF-Net)。为了在特征提取阶段获得高质量的特征图,该算法从全局特征和局部特征出发,对骨干网络ResNet-50进行改进,分别设计了全局极化自注意力模块和局部深度可分离卷积模块。同时采用并行的结构方式将融合了全局位置信息和局部语义信息特征的模块嵌入到骨干网络的Bottleneck层中,既能增强原骨干网络的特征提取能力,又为后续的Transformer网络提供有效的全局和局部特征输入,进而提高姿态关键点检测的性能。在公开人体姿态估计数据集COCO 2017上和MPII数据集上分别进行模型测试,该算法性能与与基准算法(Poseur)相比,姿态关键点的平均准确度(AP)提升了2.1%,平均召回率(AR)提升了1.5%,正确估计关键点比例(PCKh@0.5)最高达到90.6。实验结果表明,所提算法在姿态估计精度上优于现存同类方法,可以明显提高人体姿态关键点的定位准确度。

基于局部信息融合和估计投影法的多区域电力系统状态估计

在多区域互联电力系统中,由于状态变量维数高和大量量测数据处理等问题,集中式估计的实现变得困难。提出一种基于局部信息融合和估计投影法的多区域电力系统状态估计新算法。首先,各区域独立运行加权最小二乘迭代得到本地估计值,并将协调中心边界状态估计值及对应的协方差子矩阵发送至协调中心;得到各区域边界信息后,协调中心采用最小二乘信息融合算法对系统边界状态作协调估计,并返回边界协调估计值至各区域;最后,根据边界协调估计值,各区域通过估计投影法对其内部状态作修正。该方法适应于全系统有/无相量测量单元(PMU)的情况,且所需通信量少,易于实现。算例仿真结果表明,所提算法具有良好的估计精度和实时性。

局部骨融合断层显像在乳腺癌患者肋骨病变中的诊断价值

目的:探讨局部骨融合断层显像在乳腺癌患者肋骨病变中的诊断价值。方法:选取21例进行全身骨扫描的乳腺癌患者,对肋骨放射性浓聚灶进行局部骨融合断层显像。结果:局部骨融合断层显像结果如下:21例患者共检出病灶39例次,结果依次为肿瘤骨转移:21例次;骨折:12例次;肋骨良性骨病:3例次;术后改变:2例次;胸膜所致反应性改变:1例次。结论:局部骨融合断层显像可敏感的发现病变,并可准确的对病变进行定性,对患者进一步治疗方案的制定有很高的临床价值。

融合局部特征与两阶段注意力权重学习的面部表情识别

面部的局部细节信息在面部表情识别中扮演重要角色,然而现有的方法大多只关注面部表情的高层语义信息而忽略了局部面部区域的细粒度信息。针对这一问题,提出一种融合局部特征与两阶段注意力权重学习的深度卷积神经网络FLF-TAWL(deep convolutional neural network fusing local feature and two-stage attention weight learning),它能自适应地捕捉重要的面部区域从而提升面部表情识别的有效性。该FLF-TAWL由双分支框架构成,一个分支从图像块中提取局部特征,另一个分支从整个表情图像中提取全局特征。首先提出了两阶段注意力权重学习策略,第一阶段粗略学习全局和局部特征的重要性权重,第二阶段进一步细化注意力权重,并将局部和全局特征进行融合;其次,采用一种区域偏向损失函数鼓励最重要的区域以获得较高的注意力权重。在FERPlus、Cohn-Kanada(CK+)以及JAFFE三个数据集上进行了广泛实验,分别获得90.92%、98.90%、97.39%的准确率,实验结果验证了FLF-TAWL模型的有效性和可行性。

融合全局和局部信息的水平集乳腺MR图像分割

针对乳腺核磁共振成像的灰度不均匀现象,提出一种融合全局和局部信息的水平集图像分割方法(global and local combined C_V,GLCCV)。该方法将图像的局部信息融入基于全局信息的Chan-Vese(C_V)水平集方法;根据局部灰度拟合均值占全局灰度均值的比例,构造自适应平衡指示函数调节全局和局部效应之间的均衡;加入惩罚项以避免重新初始化。对比实验表明,该水平集分割模型能够有效分割多种灰度不均匀场景下的乳腺MR图像,在抗噪和精确性方面优于融合前的分割方法。

一种多图像局部结构化融合的低照度图像增强算法

为将低照度图像及基于它生成的多个不同曝光度图像中的互补性信息进行最佳融合以获得更为鲁棒的视觉增强效果,提出了一种基于多图像局部结构化融合的两阶段低照度图像增强(Low-light image enhancement,LLIE)算法.在待融合图像制备阶段,提出了一种基于图像质量评价的最佳曝光度预测模型,利用该预测模型给出的关于低照度图像最佳曝光度值,在伪曝光模型下生成适度增强图像和过曝光图像(利用比最佳曝光度值更高的曝光度生成)各一幅.同时,利用经典Retinex模型生成一幅适度增强图像作为补充图像参与融合.在融合阶段,首先将低照度图像、适度增强图像(2幅)和过曝光图像在同一空间位置处的图块矢量化后分解为对比度、结构强度和亮度三个分量.之后,以所有待融合对比度分量中的最高值作为融合后的对比度分量值,而结构强度和亮度分量则分别以相位一致性映射图和视觉显著度映射图作为加权系数完成加权融合.然后,将分别融合后的对比度、纹理结构和亮度三个分量重构为图块,并重新置回融合后图像中的相应位置.最后,在噪声水平评估算法导引下自适应调用降噪算法完成后处理.实验结果表明:所提出的低照度图像增强算法在主客观图像质量评价上优于现有大多数主流算法.

中子与X射线图像的WBCT域局部自适应融合算法

提出了一种基于WBCT(Wavelet-Based Contourlet Transform)的中子与X射线图像融合方法。WBCT继承了小波分析的多尺度性,并且能更有效地表达图像的高维奇异,可将不同图像的信息有效地融合在一起。同时,为了弥补基于像素的图像融合方法的不足,该算法通过邻域一致性测度的计算,实现了变换系数的局部自适应融合。实验结果表明,该方法所得的融合结果保留了更多的细节信息,提供了更多的准确信息,为中子成像和X射线成像的优势互补,提供了一种全新的研究思路。

多异质能源接入下的无功电压局部/全局融合优化

各类异质能源接入主动配电网,使系统更复杂,控制变量更多,给无功电压控制带来很大挑战。多种异质能源接入条件下,节点类型多样,针对传统灵敏度法只能处理PQ节点的不足,推导PV节点的网损灵敏度和电压灵敏度理论公式,并引入正反两方向灵敏度计算,提出基于灵敏度的多能源类型配电网无功电压控制策略,并与传统灵敏度进行比较取得了良好效果。针对灵敏度法精度低、易振荡的问题,兼顾灵敏度经验梯度的局部快速搜索能力和智能优化算法的全局搜索能力,提出灵敏度与智能优化算法相结合的无功电压局部/全局融合优化方法,并对IEEE 30节点系统进行仿真,验证所提的新型灵敏度策略和融合优化方法对同时含PV和PQ节点的多能源配电网无功电压优化的有效性和优越性。

多局部模糊核融合的图像盲去模糊算法

针对暗通道先验时间复杂度高的问题,提出一种多局部模糊核融合的盲去模糊算法.该算法采用并行方式分块求解局部模糊核,利用局部模糊核的形状相似性将其融合为一个全局模糊核(点扩散函数).对于初步融合的全局模糊核上出现的噪点,利用其邻域的情况进行关联性调整,进一步改善融合效果.实验和统计分析结果表明,该算法在保证去模糊效果的情况下,有效提升了图像去模糊的速度,在部分真实模糊图像的局部细节还原上效果更佳,并且可以很好地处理大尺寸的模糊图像.

融合局部语义特征的学者细粒度信息提取方法

从学者主页中提取的学者细粒度信息(如学者研究方向、教育经历等)在大规模专业人才库的创建等方面具有非常重要的应用价值。针对现有学者细粒度信息提取方法无法有效利用上下文语义联系的问题,提出一种融合局部语义特征的学者信息提取方法,利用局部范围文本的语义联系对学者主页进行细粒度信息抽取。首先,通过全词掩码中文预训练模型RoBERTa-wwm-ext学习通用语义表征;之后将通用语义表征中的目标句表征向量与局部相邻文本表征向量共同输入卷积神经网络(CNN)实现局部语义融合,从而获得更高维度的目标句表征向量;最终将目标句表征向量从高维度空间映射到低维度标签空间实现学者主页细粒度信息的抽取。实验结果表明,使用此融合局部语义特征的方法进行学者细粒度信息提取的宏平均F1值达到93.43%,与未融合局部语义的RoBERTa-wwm-ext-TextCNN方法相比提高了8.60个百分点,验证了所提方法在学者细粒度信息提取任务上的有效性。

从全局到局部:双注意力融合去雾网络

为了处理现有的基于卷积神经网络去雾方法只使用单一的注意力、很难生成细节生动的清晰图像,且容易导致色彩失真的问题,提出了一个全局与局部注意力融合的图像去雾方法,以获得正常清晰度和无色彩失真的去雾图像。首先利用通道注意力将输入的有雾图像在通道维度切分为两部分,一部分送入通道像素注意力通道抽取局部特征,另一部分送入Transformer通道学习全局特征,然后利用像素注意力对两个通道学习的特征进行融合,将上述模块作为基本单元组合为一个多级U型去雾网络,增加残差连接缓解上下采样导致的细节信息丢失,最后在网络底层加入一个Transformer模块学习全局信息。在多个公开可用的去雾图像数据集RESIDE SOTS Indoor、RESIDE SOTS Outdoor上测试所提方法的有效性,结果表明:对比经典的去雾方法,所提网络生成的图像细节更丰富并且色彩失真最少;在RESIDE SOTS Outdoor数据集上,相比经典的FFA-Net,峰值信噪比提高1.16 dB,相比GridDehazeNet,峰值信噪比提高3.68 dB。提出的全局与局部注意力融合方法能有效地去除雾霾,提升图像的对比度与清晰度,设计的多级U型去雾网络和残差连接结构能够缓解细节丢失,提升去雾效果,获得清晰的图像。

基于全局-局部注意力机制和YOLOv5的宫颈细胞图像异常检测模型

目标建立一种新的基于全局-局部注意机制和YOLOv5的宫颈病变细胞检测模型(Trans-YOLOv5),为准确、高效地分析宫颈细胞学图像并做出诊断提供帮助。方法使用共含有7410张宫颈细胞学图像且均包含对应真实标签的公开数据集。采用结合了数据扩增方式与标签平滑等技巧的YOLOv5网络结构实现对宫颈病变细胞的多分类检测。在YOLOv5骨干网络引用CBT3以增强深层全局信息提取能力,设计ADH检测头提高检测头解耦后定位分支对纹理特征的结合能力,从而实现全局-局部注意机制的融合。结果实验结果表明Trans-YOLOv5优于目前最先进的方法。mAP和AR分别达到65.9%和53.3%,消融实验结果验证了Trans-YOLOv5各组成部分的有效性。结论本文发挥不同注意力机制分别在全局特征与局部特征提取能力的差异,提升YOLOv5对宫颈细胞图像中异常细胞的检测精度,展现了其在自动化辅助宫颈癌筛查工作量的巨大潜力。

基于局部短接单向融合网络的骨架检测

近年来,基于侧输出网络的骨架检测方法获得了显著的性能提升。但是,现有方法仍无法解决侧输出结构中高倍上采样和下采样带来的图像失真问题,固定的感受野大小也限制了其视觉特征表达能力。为解决这些问题,提出一种基于侧输出连接的局部短接单向融合网络。该网络由特征提取网络和侧输出网络组成。特征提取网络为深度卷积神经网络,主要用于多层次视觉特征提取。侧输出网络包含局部短接网络和单项融合网络2个模块,其中局部短接网络通过整合感受野邻近特征逐步构建起连续的大感受野特征,而多尺度特征从深到浅的单向融合则实现了对目标从粗糙到精细的刻画。在4种常用骨架检测数据集上的实验结果验证了所提方法的有效性。