基于深度匹配的由稀疏到稠密大位移运动光流估计

针对非刚性大位移运动场景的光流计算准确性与鲁棒性问题,提出一种基于深度匹配的由稀疏到稠密大位移运动光流估计方法.首先利用深度匹配模型计算图像序列相邻帧的初始稀疏运动场;其次采用网格化邻域支持优化模型筛选具有较高置信度的图像网格和匹配像素点,获得鲁棒的稀疏运动场;然后对稀疏运动场进行边缘保护稠密插值,并设计全局能量泛函优化求解稠密光流场.最后分别利用MPI-Sintel和KITTI数据库提供的测试图像集对本文方法和Classic+NL,DeepFlow,EpicFlow以及FlowNetS等变分模型、匹配策略和深度学习光流计算方法进行综合对比与分析,实验结果表明本文方法相对于其他方法具有更高的光流计算精度,尤其在非刚性大位移和运动遮挡区域具有更好的鲁棒性与可靠性.

成像测井数据处理中深度匹配方法研究

成像测井由于分辨率高得到广泛应用,但由于其采样密度相当高,给数据预处理中的深度匹配带来困难。本文采用了快速且精度较高的阿克玛(A k im a)光滑等距插值方法,对常规测井GR曲线进行插值处理,在此基础上采用相关分析的方法,确定成像测井带测GR曲线的深度偏移量。结果表明,该方法能够有效地校正成像测井曲线的深度误差,其处理效果优于有理函数插值、三次样条插值等。为进一步提高成像解释结果的精度奠定了基础。

融合深度匹配特征的答案选择模型

答案选择是自动问答系统中的关键任务之一,其主要目的是根据问题与候选答案的相似性对候选答案进行排序,并选择出相关性较高的答案返回给用户。可将其看作成一个文本对的匹配问题。该文利用词向量、双向LSTM、2D神经网络等深度学习模型对问题—答案对的语义匹配特征进行了提取,并将其与传统NLP特征相结合,提出一种融合深度匹配特征的答案选择模型。在Qatar Living社区问答数据集上的实验显示,融合深度匹配特征的答案选择模型比基于传统特征的模型MAP值高5%左右。

基于自注意力网络的深度图匹配模型

现有深度图匹配模型在节点特征提取阶段常利用图卷积网络(GCN)学习节点的特征表示。然而,GCN对节点特征的学习能力有限,影响了节点特征的可区分性,造成节点的相似性度量不佳,最终导致模型的匹配精度受损。为解决这一问题,提出一种基于自注意力网络的深度图匹配模型。所提模型在节点特征提取阶段使用新的自注意力网络来学习节点特征,其原理是通过空间编码器和自注意力机制分别学习节点的空间结构以及所有节点之间的联系,从而改善节点的特征描述。此外,为了减小放松图匹配问题所带来的精度损失,将图匹配问题建模为整数线性规划问题,在图匹配问题的节点匹配基础上增加结构匹配约束,以及引入高效的组合优化求解器来计算图匹配问题的局部最优解。实验结果表明,在PASCALVOC数据集上,与PCA-GM相比,所提模型在20类图像上的匹配精度平均值提高了14.8个百分点;在Willow Object数据集上,所提模型在5类图像上的匹配精度平均值提高了7.3个百分点,并且在自行车、植物等目标匹配任务上达到了最佳的效果。

基于深度多匹配网络的多轮对话回复选择模型

现有工作利用神经网络构建了各种检索模型,取得了一定的成功,但仍存在注入模型信息筛选不充分、引入噪声和对已知内容的潜在语义信息、时序关系挖掘不充分问题。针对上述问题,提出了基于深度多匹配网络的多轮对话回复模型(DMMN)。该模型将上下文与知识作为对候选回复的查询,在三者编码之后提出预匹配层,采用单向交叉注意力机制分别筛选出基于知识感知的上下文与基于上下文感知的知识,识别两者中重要的信息。将候选回复与以上两者交互作用之后,进行特征聚合阶段,一方面借助额外BiLSTM网络捕获基于回复的上下文对话信息间的时序信息,另一方面借助带门控的注意力机制挖掘基于回复的知识间的语义信息,增强匹配特征信息。最后,融合上述表示特征。在原始的和修改后的Persona-Chat数据集上性能评测结果显示,与现有方法相比,该模型召回率得到了进一步的提高,检索出的回复效果更好。

基于深度特征匹配的转辙机自动开闭器静接点尺寸测量方法研究

自动开闭器是转辙机上负责动作控制与状态表示的频繁动作关键部件,使用过程中的接点磨损会影响控制与反馈电路的导通。然而,由于其安全关键、磨损样本稀少、工作环境恶劣,使得自动开闭器的在线监测成为转辙机维护维修的难题。针对上述问题,基于机器视觉提出一种深度特征匹配的目标检测方法。首先利用VGGNet自适应地提取接点模板和待搜索样本的深度特征,采取归一化互相关算法和反向映射算法完成目标定位,利用权重优化和非极大值抑制优化边界框,实现小样本数据集情况下兼顾精度与鲁棒性的目标定位;然后使用大津法二值化、中值滤波、水平差分算子等完成静接点图像处理;最后使用标定板换算获得静接点的几何尺寸数据。实验结果表明:本方法在实际应用中的定位检测精度达到85.93%,召回率达到90.63%,F 1达到88.22%;在尺寸测量误差方面,RMSE、MAE、MAPE分别为2.56 mm、1.55 mm、12.94%。

基于深度序列匹配网络的短文本实体链接算法

获取大量电力领域文本数据后,由于网元链路业务命名规则不统一、业务人员表述差异等问题,会造成数据存在歧义、指代不明确等现象。为解决上述问题,提出一种基于深度序列匹配网络(Deep Sequential Matching Network, DSMN)的短文本实体链接算法,综合考虑实体指代项和候选实体间的内容和结构相似性,针对多源异构知识库实现高质量的消歧,支撑有效开展面向电力通信管理台帐以及网管数据的清洗校核工作。DSMN从多粒度对词进行全方位向量化表示,将实体指代项和句子中的每个词进行序列匹配,分别将候选实体与上层匹配结果进行序列匹配,通过卷积池化层提炼重要的匹配信息,通过动态平均算法计算实体指代项和候选实体之间的相似度。实验结果表明,DSMN在多个数据集上都展示了优异的实体链接能力。

基于混合遗传算法和表面间平均体积度量的深度像匹配

提出了一种利用改进的遗传算法和表面间平均体积测度进行深度像匹配的方法.与现有基于距离的误差评判不同,该方法通过衡量深度像重叠区域内每个三角形所对应三维空间的大小来指导深度像的配准.另外,遗传算法的使用避免了困扰ICP算法的初值选取问题,退火选择、最优个体迁移以及动态的空间退化都保证文中所提出的混合遗传算法比传统的遗传算法具有更快的收敛速度,能够有效地完成深度像的精确匹配.实验结果表明该算法具有较高的配准精度,收敛速度快而且抗噪声能力强.

基于体积和纹理特征的深度像匹配

提出一种深度像精匹配方法,利用深度像重叠区域的空间体积和纹理特征,定义深度像匹配的误差测度函数,构造三角网格近似物体表面.通过寻找不同坐标系下深度像之间的精确空间坐标变换关系,实现深度像的精匹配.实验结果表明,用体积和纹理特征能准确反映深度像之间的距离关系,且对准精度高,收敛速度快.

基于移动医疗大数据平台下深度最优匹配算法的机会网络转发机制

通过分析在移动医疗大数据平台下,机会网络中节点传递信息方式的特点,遍历所有邻接节点,对两节点的数据进行比较,通过最优匹配方式,选择匹配结果最优的邻接节点作为下一跳的节点,从而找出一条使数据高效转发的路径。根据此过程,提出一种基于移动医疗大数据平台下深度最优匹配算法的机会网络转发机制,即DOM算法,用来匹配节点中的数据分组,从而选择一条数据高效转发的路径。通过与机会网络中的经典算法比较,表明DOM算法能够在数据传播的过程中减少冗余数据并且显著提高传输成功率。

基于深度挖掘匹配算法在毕业论文管理中的应用研究

在高校教学环节中,毕业论文是非常重要的组成部分之一,需要加强毕业论文的管理工作,才能不断提升高校教学水平。根据毕业论文管理的实际情况来看,深度挖掘匹配算法的合理应用,对于降低教务管理工作人员的工作难度有着极大影响。本文就深度挖掘匹配算法进行全面分析,提出深度挖掘匹配算法在毕业论文管理中的实际应用,以满足各种学生的选题需求。

基于匹配点传播的三维重建及深度估计算法

在计算机视觉中,从两幅或多幅图像中重建出稠密的深度图是一个相当重要且具有挑战性的问题,深度信息通常作为一个有价值的信息来源,促进诸多应用领域的发展。重建稠密深度信息的关键之处在于找到两幅图像中的对应点匹配,即多视角立体匹配。本文提出的方法中,我们预先提取图像中最初稀疏匹配点对,然后在此基础上进行全局传播。我们假设在图像局部区域中,深度信息的变化是有规律的。本文中,我们运用SLIC对图像进行分割,得到超像素块,然后在超像素块内对粗糙的深度图进行细化,修复。我们的算法,在精度上要优于传统的立体匹配算法,且适应性较强,可以应用于现实生活中拍摄得到的一组序列图像。

我国碳市场匹配深度研究

基于中国8个试点碳市场自正式交易至2019年3月1日的碳配额交易数据,通过运用倾向得分匹配法,分析了碳市场的匹配深度,并在此基础上研究碳市场兼容性及原因分析。研究结果表明:目前我国所有碳市场中,两两碳市场衔接有46%的碳市场不能实现匹配,另有超过53%的碳市场能实现匹配,其中超过93%的碳市场匹配深度介于49%~53%;深圳和福建碳市场具有较强的兼容性,其中深圳碳市场的不同交易类型兼容性差异较大,造成不同兼容性的原因可能与配额分配方案和抵消机制等制度、管理机构、法律法规的区域性有关。

用于信息检索的句子级深度关联匹配模型

信息检索(information retrieval,IR)一直是自然语言处理(natural language processing,NLP)中的研究热点,随着深度学习在NLP任务中的不断发展,研究者尝试使用神经信息检索模型成功捕获了查询与待检索文档之间的关联匹配信息,但是现有的工作通常是以词为单位做关联匹配,没有充分考虑词序以及词的上下文信息,无法解决语句中可能存在的一词多义问题。为了获取查询与待检索文档之间的深层交互信息,对句子级深度关联匹配模型进行了研究,以相对于词来说语义更加完整的句子为单位对查询和待检索文档进行切分,对每一个查询句,计算与待检索文档中每个句子的相似度得分并按照相似度等级映射成固定长度的局部关联匹配直方图,使用前馈匹配网络学习层次匹配信息为每个查询句计算一个匹配分数,门控网络聚合全部查询句的匹配分数以获取最终查询-文档对的相似度得分。在Med数据集上的实验结果表明,句子级深度关联匹配模型较传统的检索模型以及一些无监督句子级检索模型能有效提高检索性能。

深度语义匹配在政策法规智能审核中的应用

为了解决政策法规在起草、修订过程中的法规内容关联审核问题,笔者提出一种结合词向量与深度文本匹配算法的两阶段政策法规智能审核算法模型。初始阶段,充分利用法规用语严谨规范的特点,利用词向量和领域关键词快速过滤不相干的信息;后续阶段,采用深度文本匹配算法对法规语句进行深度语义匹配,进而确定法规语句间的语义相似度。该算法模型在计算资源受限环境(只支持CPU)和响应时间上能够满足业务实际需要。

融合多尺度和深度特征的快速运动视觉目标跟踪

为了提高快速运动视觉目标跟踪的精度、效率和鲁棒性,提出融合多尺度和深度特征的快速运动视觉目标跟踪方法。通过分类器训练、候选区域检测以及模型更新三个阶段,完成核相关滤波跟踪算法。为适应视觉目标的多尺度变化,通过双线性插值函数将采集的子图转化为多尺度大小;提取子图特征,对多尺度核相关滤波器进行训练,完成快速运动视觉目标跟踪;利用堆叠多层自编码器构建深层神经网络,通过贪婪算法对输入数据重构,得到深度特征;将深度特征和方向梯度直方图HOG特征进行匹配融合,实现快速运动视觉目标跟踪。实验结果表明,该算法能够有效跟踪被遮挡的快速运动视觉目标,其跟踪准确率和跟踪成功率分别高达97.6%和98.2%,跟踪时间仅为4.5 ms,可以有效提高快速运动视觉目标跟踪精度和效率,增强鲁棒性。

弹性波Kirchhoff叠前深度偏移速度分析

本文提出的弹性波偏移速度分析方法是基于Kirchhoff叠前深度偏移形成纵波和转换波炮检距域共成像点道集拉平准则,分别对纵波和横波偏移速度进行更新。当两分量地震数据成像深度不一致时,通过调整横波偏移速度进行深度匹配,完成高精度的弹性波场偏移速度分析。文中分别给出速度更新及深度匹配方法。模型数据和实际资料试算结果表明了该方法的可行性和有效性。

基于射线投影的多视场深度像融合

首先确定匹配好深度像的最小轴对齐包围盒.通过盒面,沿着x,y,z3个轴方向投射3个均匀分布的射线组,计算得到与所有深度像的交点,并通过Dexel结构来存储射线组与交点.加入距离和法向夹角2个判断依据来去掉重叠点,从而将多个视场深度像融合为完整的、无冗余的三维模型.实验结果表明,该方法误差小、速度快,而且简单有效.

面向限定域的深度语义事件泛化研究

事件泛化是构建事理图谱关键步骤,当前基于聚类和分类的事件泛化框架忽视了领域知识的结构特征和动态变化,难以适用于限定域的事件泛化。本研究提出一个基于深度语义匹配的限定域事件泛化框架,该框架由深度语义计算和种子事件匹配两个模块组成,能有效解决领域知识动态融合和事件语义对齐等问题。以旅游领域数据为例,通过实验证明该事件泛化框架较之于聚类和分类框架具有更好的准确性、稳定性和迁移能力。

基于深度中心匹配哈希网络的足迹压力图像检索

以赤足足迹压力图像为研究对象,采集了40人的5230幅赤足足迹压力图像,在具有较低存储消耗的哈希算法基础上,结合深度学习方法设计了一种深度中心匹配哈希(DCMH)网络实现足迹的检索.该网络首先根据足迹压力图像的特点构建深度特征融合模块,提取反映足迹形态结构的全局特征和压力分布的局部特征,并将两种特征进行融合;然后在哈希编码模块通过全连接层将融合后的特征映射为1024维特征向量,并通过哈希层生成哈希码;在网络优化过程中通过构建深度中心匹配损失函数从而减小哈希码与对应哈希中心之间的距离.深度中心匹配损失函数通过伯努利分布生成哈希中心,设计对数中心损失函数减小同类足迹压力图像数据哈希码与哈希中心的距离,并设计相似性损失函数作为正则化项约束每个批次数据间的相似性关系.通过在40人的赤足足迹压力图像数据上进行图像检索实验,本文算法检索结果的mAP可以达到0.99,优于传统的哈希算法及常用的深度哈希算法,为足迹的进一步的现场应用提供技术支撑.