融合标签知识的中文医学命名实体识别

医学领域命名实体识别是信息抽取任务重要的研究内容之一,其训练数据主要来源于临床实验数据、健康档案、电子病历等非结构化文本,然而标注这些数据需要专业人员耗费大量人力、物力和时间资源。在缺乏大规模医学训练数据的情况下,医学领域命名实体识别模型很容易出现识别错误的情况。为解决这一难题,文中提出了一种融合标签知识的中文医学命名实体识别方法,即通过专业领域词典获得文本标签的释义后,分别将文本、标签及标签释义编码,基于自适应融合机制进行融合,有效平衡特征提取模块和语义增强模块的信息流,从而提高模型性能。其核心思想在于医学实体标签是通过总结归纳大量医学数据得到的,而标签释义是对标签进行科学解释和说明的结果,模型融入这些蕴含了丰富的医学领域内的先验知识,可以使其更准确地理解实体在医学领域中的语义并提升其识别效果。实验结果表明,该方法在中文医学实体抽取数据集(CMeEE-V2)3个基线模型上分别取得了0.71%,0.53%和1.17%的提升,并且为小样本场景下的实体识别提供了一个有效的解决方案。

基于多层特征融合的多光谱行人检测方法

针对行人检测模型在全天候场景下特征提取能力差、检测准确率低的问题,提出一种基于多层特征融合的多光谱行人检测方法。设计一种基于通道注意力机制的可见光与红外特征的融合方式,提升模型的特征融合效率;采用多层融合特征设计特征金字塔网络,提升模型的特征提取能力;引入自适应特征融合机制对检测层进行特征图尺度调整,降低尺度冲突对模型性能的影响。在KAIST数据集上进行实验,其结果表明,模型的检测性能有一定提升。

复杂场景下自适应注意力机制融合实时语义分割

实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。

基于改进YOLOv5的道路缺陷检测与分类研究

针对道路缺陷识别中识别准确度低,容易出现漏检情况等问题,提出了一种改进YOLOv5网络的图像识别算法用于道路缺陷识别。首先,在YOLOv5网络的颈部网络中引入集中注意力机制(CBAM)与原有的CSP结构结合,提高对道路缺陷特征的关注能力。然后,在特征融合层引入自适应特征融合机制(ASFF),改善主干网络的特征提取能力,提升算法检测精度。最后,道路缺陷识别消融实验和对比实验表明,使用改进后的YOLOv5s算法的平均准确率达到77.2%,相较于原YOLOv5s算法提高2.3%,召回率达到74.9%,提高2.5%,其他各项指标均有提升,验证了改进方法的有效性。