基于语义特征空间上下文的短文本表示学习

文本表示是自然语言处理中的基础任务,针对传统短文本表示高维稀疏问题,提出1种基于语义特征空间上下文的短文本表示学习方法。考虑到初始特征空间维度过高,通过计算词项间互信息与共现关系,得到初始相似度并对词项进行聚类,利用聚类中心表示降维后的语义特征空间。然后,在聚类后形成的簇上结合词项的上下文信息,设计3种相似度计算方法分别计算待表示文本中词项与特征空间中特征词的相似度,以形成文本映射矩阵对短文本进行表示学习。实验结果表明,所提出的方法能很好地反映短文本的语义信息,能对短文本进行合理而有效的表示学习。

一种基于空间语义特征的浮动车轨迹匹配技术

针对浮动车轨迹数据挖掘中的空间语义分析问题,阐述了传统的电子导航地图匹配方法用于浮动车轨迹地图匹配时的主要问题,提出了基于空间语义特征的浮动车轨迹匹配算法,并结合实际数据进行了试验验证,本文提出的基于空间语义特征的全局路径匹配方法取得了很好的匹配效果,并可还原浮动车轨迹经由的真实路径。

位移动词的空间语义特征研究

基于空间变位过程模式,探讨空间变位动词的空间属性,研究的重点是起位、双位和终位动词三类位移动词的空间语义特征。研究发现,起位动词凸显位移起点,终位动词凸显位移终点,而双位动词强调起点与终点的界点变化;每类位移动词特有的空间语义特征都会对其句法语义表现产生影响。

融合增强轮廓特征和空间语义信息的显著性计算

针对显著物体检测算法无法在复杂背景下准确分离显著前景与背景,以及低级视觉特征检测算法不能完整检测出语义信息,提出联合增强轮廓特征和空间语义信息的显著特征计算算法.首先通过区域梯度平滑算法实现区域模块化,采用纹理紧凑性计算图像中各区域特征的显著性,得到候选显著区域,减少后续网络训练的计算量;然后提出基于局部区域的增强轮廓网络用于预测每个分支处的显著图并进行融合,同时基于视觉感知提出空间语义特征网络,用于挖掘图像的深层细节信息;最后基于统一网络框架合成增强轮廓特征和空间语义特征,得到最终的精细显著特征,能更完整清晰地保留显著物体的轮廓.与其他显著性算法在HKU-IS,ECSSD和DUT-OMRON数据集中进行测试,提出算法的召回率和平均误差等指标均优于其他显著性算法.

基于模糊熵的空间语义图像检索模型研究

根据模糊熵理论和改进的空间信息分布,提出了颜色空间特征语义图像检索模型。阐述基于语法规则的颜色空间特征语义描述方法,构造从低层颜色空间特征到高层语义之间的映射,根据这些模糊语义值进行图像检索。实验结果表明,该模型能够有效地对图像高层语义进行刻画,由此实现的模型不仅能获得高效和稳定的检索结果,获得与人类视觉感知较好的一致性,该算法还能很好地消除低层图像空间特征和高层语义之间的语义鸿沟。

基于增强特征融合网络的行人重识别方法

针对行人重识别技术受遮挡、背景冗余、光照、姿态以及检测误差等问题的影响,鲁棒的行人特征表达对正确检索行人越来越重要.为了利用对齐特征和度量学习的优势,进一步分析局部空间语义特征.首先,在特征层面:一是在ResNet50框架中嵌入空间变换结构,自适应对齐局部区域空间特征,解决因局部区域不对齐导致的空间语义不一致的问题;二是通过对齐的局部特征设计一种增强特征融合网络,充分利用语义信息间的关联性提取图像的细节特征.然后,在损失函数层面:提出一种排序矩阵方法选取区域样本对,设计了一种局部三元组损失计算方法,联合正则化分类损失共同训练网络,充分利用融合的增强特征,达到高效度量的效果.最后,文中方法结合现有的重排算法进一步提高了Rank-1与mAP检索精度,在行人重识别基准数据集Market-1501上的实验结果,证明了本文方法的有效性.

基于点云的马鞍形焊缝提取和轨迹生成方法

马鞍形焊缝自动焊接存在焊缝难以识别定位以及焊枪姿态难以规划的问题,为了实现马鞍形焊缝的自动焊接,选取实际装配的管类交叉结构件作为研究对象,提出一种基于点云的马鞍形焊缝识别与规划方法。根据马鞍形焊缝的空间语义特征,提出基于法向量和空间距离的紧耦合约束的方法提取焊缝关键点,之后用三次B样条曲线对关键点进行近似拟合,得到最终的空间焊接曲线。实验表明,提取出的焊缝轨迹与真实轨迹相比,最大误差为0.68mm,最大均方根误差为0.29。该方法具有较高的精度和鲁棒性,可满足实际焊接的需求。此方法的实用性不仅局限于马鞍形焊缝,也能处理其他具有曲线变化的焊缝。

融合点云和体素信息的目标检测网络

为解决复杂自动驾驶场景下小目标检测效果不佳和漏检的问题,提出一种融合点云和体素信息的高性能网络架构。通过预处理模块、空间语义特征关联模块、坐标注意力机制模块等改进PV-RCNN网络的检测性能,构建网络架构PSC-RCNN。在KITTI上进行验证,实验结果表明,PSC-RCNN在简单、中等、困难3种检测难度的类别下,对于自行车这种形状复杂的小物体识别精度分别为82.99%、67.03%、59.88%,相对原有的PV-RCNN网络,识别精度分别提高了4.39%、3.32%、2.23%;相对于现有3D目标检测网络,识别精度分别提高了0.51%、2.93%、2.23%。