融合句法指导与字符注意力机制的案情阅读理解方法

案情阅读理解是机器阅读理解在司法领域的具体应用。案情阅读理解通过计算机阅读裁判文书,并回答相关问题,是司法智能化的重要应用之一。当前机器阅读理解的主流方法是采用深度学习模型对文本词语进行编码,并由此获得文本的向量表示。模型建立的核心问题是如何获得文本的语义表示,以及问题与上下文的匹配。考虑到句法信息有助于模型学习句子主干信息,以及中文字符具有潜在的语义信息,提出了融合句法指导与字符注意力机制的案情阅读理解方法。通过融合句法信息及中文字符信息,提升模型对案情文本的编码能力。在法研杯2019阅读理解数据集上的实验结果表明,所提出的方法与基线模型相比EM值提升了0.816,F1值提升了1.809%。

分散注意力联合呼吸指导在肛周脓肿切开引流术患者门诊换药中的应用效果分析

目的探究分散注意力联合呼吸指导在肛周脓肿切开引流术患者门诊换药中的应用效果。方法此研究选取的研究对象为行肛周脓肿切开引流术治疗的患者80例,选取时间为2016年3月～2018年2月,根据治疗方式不同进行分组,分别为常规组(40例)与干预组(40例),给予常规组常规换药指导,给予干预组分散注意力联合呼吸指导。回顾分析两组患者临床资料,对比疼痛程度、心理状态、治疗依从性与护理满意度,使用统计学进行分析。结果比对两组患者换药后的疼痛程度,干预组改善优于常规组,组间差异呈P<0.05,表示存在统计学意义。比对两组患者的SAS评分与SDS评分,干预组改善优于常规组,组间差异呈P<0.05,表示存在统计学意义。对于治疗依从性与护理满意度,干预组更优,组间差异呈P<0.05,表示存在统计学意义。结论肛周脓肿切开引流术治疗的患者,在门诊换药时实施分散注意力联合呼吸指导,不仅有效缓解疼痛程度,还可以改善心理状态,促进治疗依从性与护理满意度提高,具有显著的护理效果。

基于视觉Transformer的自注意力舌象肝郁线识别

智能舌诊是计算机视觉在中医领域的一个典型应用,舌体图像自动识别是其中的核心问题.肝郁线位于舌面两侧,是中医临床重要的诊断依据,研究其自动识别能够促进智能舌诊的进一步发展.文章借助视觉Transformer自注意力机制的优势,基于Swin Transformer提出注意力指导和局部区域复用策略,并以此为基础构建了用于肝郁线识别的ST-LDL网络结构.注意力指导用于促进ST-LDL提取到肝郁线细粒度特征;局部区域复用利用舌面两侧的局部强响应区域,一方面训练ST-LDL的局部网络分支,另一方面增强ST-LDL的全局网络分支.消融实验结果表明,单独使用注意力指导策略和区域复用策略,均能提升识别效果;共用这两种策略时,各项指标均大幅提高.对比实验结果表明,文章所提算法优于通用算法,也好于现有专门用于肝郁线识别的算法.

基于语感一致性的社交媒体图文情感分析

针对现有的图文情感分析方法未能充分考虑图像和文本之间存在的语义不一致问题,以及未对图像和文本表达不同情感的数据做相应处理,从而导致分类不精准的现象,提出基于语感一致性的社交媒体图文情感分析(social media image-text sentiment analysis based on semantic sense consistency,SA-SSC)方法。首先,使用RoBERTa和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)提取文本语义特征,使用ResNet101获取图像视觉特征;然后,采用指导注意力(guided attention,GA)从图像区域情感和文本内容找到表达用户情感的显著性区域,得到新的图像视觉特征;最后,利用协同注意力将2种模态的特征进行融合,进而完成情感分类。在本文构建的MMSD-CN中文社交媒体图文情感数据集和CCIR-YQ数据集上进行了实验验证,结果表明,SA-SSC方法可以有效减弱图文语感不一致对社交媒体图文情感分析造成的影响,在各项评价指标上均取得了较高的提升。

融合上下文和注意力的视盘视杯分割

目的青光眼会对人的视力造成不可逆的损伤,从眼底图像中精确地分割视盘和视杯是青光眼诊治中的一项重要工作,为有效提升视盘和视杯的分割精度,本文提出了融合上下文和注意力的视盘视杯分割方法(context attention U-Net,CA-Net)。方法进行极坐标转换,在极坐标系下进行分割可以平衡数据分布。使用修改的预训练Res Net作为特征提取网络,增强特征提取能力。采用上下文聚合模块(context aggregation module,CAM)多层次聚合图像上下文信息,使用注意力指导模块(attention guidance module,AGM)对融合后的特征图进行特征重标定,增强有用特征;使用深度监督思想同时对浅层网络权重进行训练,同时在视杯分割网络中引入了先验知识,约束对视杯的分割。结果在3个数据集上与其他方法进行对比实验,在Drishti-GS1数据集中,分割视盘的Dice(dice coefficient)和IOU(intersection-over-union)分别为0.9814和0.9635,分割视杯的Dice和IOU分别为0.9266和0.8633;在RIM-ONE(retinal image database for optic nerve evaluation)-v3数据集中,分割视盘的Dice和IOU分别为0.9768和0.9546,分割视杯的Dice和IOU分别为0.8642和0.7609;在Refuge数据集中,分割视盘的Dice和IOU分别为0.9758和0.9527,分割视杯的Dice和IOU分别为0.8871和0.7972,均优于对比算法。同时,消融实验验证了各模块的有效性,跨数据集实验进一步表明了CA-Net的泛化性,可视化图像也表明CA-Net能够分割出更接近标注的分割结果。结论在Drishti-GS1、RIM-ONE-v3和Refuge三个数据集的测试结果表明,CA-Net均能取得最优的视盘和视杯分割结果,跨数据集测试结果也更加表明了CA-Net具有良好的泛化性能。

一种用于答案选择的知识增强混合神经网络

答案选择是问答领域中一项重要的子任务,该任务旨在从候选答案集中选择出正确的答案.传统的模型主要依靠人工提取问答之间的语义相似度特征,并通过分类器或排名算法选择最匹配的答案.近年来的研究工作主要基于深度神经网络自动提取问答的语义相似度特征,并在问答匹配精度上取得了巨大的进步.但是,大多数深度神经网络模型依赖单一的神经网络来获取问答的语义表征,且未充分考虑问答在语义表征上的相互影响,无法充分挖掘问答之间的语义相似信息.针对上述问题,本文提出了一个知识增强的混合神经网络模型KE-HNN(Knowledge-enhanced Hybrid Neural Network). KE-HNN模型采用卷积神经网络CNN(Convolutional Neural Network)和双向长短期记忆网络Bi-LSTM(Bi-directional Long Short-Term Memory Network)构成的混合神经网络获取问答的上下文语义信息;利用多头注意力机制使模型关注于问题和候选答案语句中的关键部分;融合外部知识库并引入文本指导注意力卷积神经网络精确提取与问答相关的知识表征信息,从而增强问答的细粒度语义特征表示.Trec-QA数据集上的实验结果表明,与基准模型相比,本文所提出的KE-HNN模型获得了领先的性能.