采用长距离依赖和多尺度表达的轻量化车辆检测

基于深度学习的车辆检测在众多领域发挥着至关重要的作用,是近年来计算机视觉的一个重要发展方向。车辆轻量化检测包含了对网络结构和计算效率的探索,并在智慧交通等诸多领域都得以广泛应用。然而在诸多场景下存在相机中车辆目标尺度变化大、车辆相互遮挡等问题,这些情况会影响到网络检测车辆的精度。针对上述问题,提出改进Yolov5s的车辆检测方法。首先通过视觉注意力网络捕获长距离依赖,对原有特征图施加新的权重,增强自适应性,提升网络的抗遮挡能力;接着在残差模块内部再次构造水平方向残差,在一个模块内部构建相同数量、不同大小感受野的特征图,丰富网络的多尺度表达能力。实验结果表明:改进后的网络在Pascal VOC车辆数据集上提供2.1%mAP性能提升,在MS COCO车辆数据集上提供1.7%mAP性能提升。改进后网络的多尺度表达能力更加出色,且抗遮挡能力更强,与原始网络相比检测结果更具有竞争力。

一种机载前视雷达杂波距离依赖性补偿方法

针对机载前视阵雷达近程回波距离依赖性严重,直接距离采样估计杂波协方差矩阵会导致地面动目标检测(ground moving target indication,GMTI)性能下降,提出了一种完全基于数据的前视阵雷达处理新方法。该方法利用最小二乘准则对近程的杂波进行变换,然后再进行空时自适应处理(space-time adaptive processing,STAP)。该方法不需要知道雷达的先验参数,在存在误差的情况下具有稳健性。基于计算机仿真数据的实验结果表明了方法的有效性。

机载双基地雷达杂波距离依赖补偿方法

针对杂波距离依赖造成空时自适应处理器性能下降问题,提出一种基于最小二乘估计的聚焦矩阵补偿方法。首先,利用最小二乘方法估计杂波幅度,选取幅度较大的杂波点;其次,根据杂波点的空时导向矢量求解聚焦矩阵,通过聚焦矩阵直接对训练数据进行线性变换;最后,根据变换后的数据估计出待检测单元的杂波噪声协方差矩阵,进而求出自适应权值矢量。该方法采用非均匀采样求解聚焦矩阵,杂波抑制性能更好,仿真实验验证了所提方法的有效性。

实体关系识别中长距离依赖问题的研究

实体关系识别是信息抽取中的关键步骤,传统的词袋模型受到长距离依赖问题的影响,在处理实体关系识别过程中的性能不佳.条件随机场具有灵活的特征表达能力,因此非常适合表示复杂的语言现象.但传统的Linear-Chain CRF仍然不能表示长距离依赖问题,而Skip-Chain CRF仅考虑了相同词的长距离依赖问题,并且由于计算过于复杂,因此很难进行扩展.本文提出了一种新型的全连通随机场模型,使用词的相似度来建立依赖关系和使用词的互信息来删除依赖关系,同时改进了词的相似度计算公式,使其能够表示距离依赖关系,从而在解决长距离语言约束问题上克服了以往统计学习模型的缺陷,并在计算强度上与Linear-Chain CRF大致相当,在实体关系识别中的性能超过了目前的Linear-Chain CRF和Skip-Chain CRF.

具有垂直基线的双基机载雷达杂波谱距离依赖性分析

在实际中,双基机载雷达接收发射载机经常不会在同一个高度,会导致在两载机之间产生垂直基线.首先对双基雷达的一般构型进行分析,然后从双基平飞正侧机载雷达的回波多普勒数学表达式上分析了当两载机高度之间存在垂直基线的情况下对杂波多普勒频率的影响.接着对四种典型构型的双基机载雷达进行了计算机仿真建模,分析了垂直基线对双基机载雷达回波的具体影响,发现了适当的垂直基线能够缓解双基机载雷达的杂波距离依赖性,能够提高双基雷达地面动目标检测性能.

利用基于导数更新的双基机载雷达杂波距离依赖性补偿方法

该文提出了两种利用基于导数更新(DBU)的双基机载雷达杂波距离依赖性补偿新方法,分别以接收载机方向图主瓣方向的接收斜距和接收载机方向图主瓣方向的接收俯仰角余弦为更新变量,利用该方法对回波数据进行补偿后,能够有效降低双基机载雷达杂波的距离依赖性,进而大大提高空时自适应处理(STAP)的地面动目标检测(GMTI)性能。仿真数据处理结果证明了所提方法的有效性。

频率分集均匀圆阵MIMO雷达距离依赖波束形成

均匀圆阵(UCA)与多输入多输出(MIMO)雷达的结合可在具备UCA雷达主要优点的同时兼有MIMO雷达的优势。然而,UCA-MIMO雷达的波束形成与距离无关,该特点限制了其抑制特定距离干扰的性能。文中提出频率分集UCA-MIMO雷达距离依赖波束形成方法。该方法中UCA的每个阵元发射具有微小频率步进的不同频率,从而远场的信号积累与距离有关,进而波束形成依赖于距离。仿真实验表明了该方法的有效性。

双基机载正侧视雷达杂波谱距离依赖性分析与补偿

针对垂直和水平基线的双基机载正侧视雷达杂波谱的距离依赖性进行了理论分析和仿真,给出了杂波多普勒频率随距离变化的解析公式,并根据该公式采用谱搬移方法对水平基线的杂波谱进行了补偿。理论分析和仿真表明:在垂直基线的双基系统中,同一距离单元的杂波多普勒频率和空间角频率存在线性关系,杂波谱在主瓣内有较好的重合;水平基线正侧视雷达的杂波谱在主瓣内较宽。同时仿真还证明,采用谱搬移方法可以有效减轻双基杂波谱随距离变化对空时二维自适应处理性能的影响。

一种体现长距离依赖关系的语言模型

基于N-gram的语言模型广泛应用于语音识别、机器翻译等众多自然语言处理相关领域,捕获的主要是词之间的局部依赖关系,但其本身存在一定的局限性。依存句法树能够反映出句子中各成分之间的语义修饰关系,显式地对词之间的长距离搭配关系进行建模。本文利用最大熵方法整合句子的局部依赖关系和长距离搭配关系,构建一种包含长距离依赖关系的语言模型。

基于长距离依赖条件随机域的文本信息抽取

信息抽取中,同一token在文本中可能出现多次,且token多次出现的位置通常相隔很远,传统线性链CRF模型由于Markov假设不能表达长距离依赖关系于是将多次出现的同一token分开标注,丧失了全局信息。提出了长距离依赖条件随机域模型,该模型能结合多次出现的同一token各处的特征,对其进行联合标注。由于长距离依赖使得精确的标注算法不可计算,采用了TRP估计算法。实验表明该模型抽取性能优于线性链CRF模型,尤其是speaker域上的召回率有了很大的提高。

基于空时插值的机载雷达杂波距离依赖性补偿方法

杂波距离依赖性是机载前视阵雷达与双基机载雷达面临的重要问题,主要表现在其统计特性随距离而变化,导致杂波协方差矩阵估计不准确,进而使得空时自适应处理(space-time adaptive processing,STAP)性能下降。针对这种情况,提出了一种基于空时插值的杂波距离依赖性补偿方法。该方法通过雷达先验知识分别得到参考距离单元和待补偿距离单元杂波的两组导向矢量,然后对这两组导向矢量进行子空间拟合,利用得到的拟合矩阵作用于数据来补偿杂波距离依赖性,并且为了避免拟合过程中出现目标相消,增加了动目标保护约束。仿真实验结果表明了所提方法的有效性。

机载雷达平面阵前视杂波距离依赖性补偿

机载前视阵雷达下，杂波具有距离依赖性，杂波脊有明显的展宽，这会影响杂波协方差矩阵的估计，并降低杂波抑制的效果。自适应角度多普勒补偿（A^2DC）算法通过估计训练样本杂波频率特性，对杂波进行自适应补偿，从而改善杂波抑制性能。但是，当天线阵元数与积累脉冲数较少时，该算法有较明显的性能衰减。文中利用平面阵俯仰维的阵元数据信息，对估计得到的杂波频率取统计平均，增加了A^2DC算法可用样本数，使得估计的杂波频率信息更精准，杂波补偿效果更好，仿真结果证明了该算法的有效性。

英语长距离依赖结构“中间空隙效应”研究

长距离依赖结构中的中间空隙是连结填充词及其最终空隙的桥梁。心理语言学家们通过在线阅读实验,发现英语本族人在线处理这类句子时的确存在"中间空隙效应"。然而,二语学习者的情况尚不清楚。本研究以两组不同语言水平的中国英语学习者和一组英语本族人为被试,采用被试间和被试内设计的在线阅读任务,考察被试阅读过程中的"中间空隙效应"。结果发现,中国英语学习者不能像英语本族人那样利用句中的中间空隙完成在线阅读任务,但两个水平组之间的表现并无显著差异。

网络大模型专题导读

OpenAI公司基于“Scaling Law”哲学,通过堆叠算力,使用模块化易于扩展且擅长捕捉长距离依赖关系的Transformer神经网络,构建了自回归、生成式的千亿以上参数量大模型,在多个人工智能(AI)领域取得了SOTA效果。目前,OpenAI正在通过图像、视频等一系列多模态学习,力图实现“World Model”“World Simulator”,以建立物理世界映射。它的实战成果给全世界AI从业者提供了一种目前看来行之有效且朝向通用人工智能(AGI)发展的方法论和技术路线。

依赖距离主导的向量化方法研究

向量寄存器的非满载使用方式为大量迭代次数不足的循环提供了向量化的机会,但也导致向量化的并行宽度不固定,传统的向量因子主导的依赖测试方法不再适用。提出了一种依赖距离主导的依赖测试方法,通过分析依赖图中所有依赖环的破环关键边所携带的依赖距离,选择其中最小的依赖距离来决定并行宽度,破除依赖环,实现基于向量寄存器非满载使用方式的向量化。实验结果表明,该方法能够有效增加循环向量化的机会和提高向量寄存器的使用率,测试用例的向量化加速比平均提高14.6%。

基于用户行为和上下文语义的分层ST-LSTM位置预测

当前的位置预测方法大多没有考虑到用户行为信息,由于用户的访问时间、行为模式等能够在很大程度上反映所处位置,因此在对位置潜在向量进行预训练时有必要使用该信息。进行位置预测时,采样粒度较细的序列长度较长,难以捕获长距离依赖。针对这2个问题,提出了基于用户行为和上下文语义的分层时空长短期记忆网络(Hierarchical Spatiotemporal Long Short-Term Memory Based on User Behavior and Contextual Semantics,CHST-LSTM)模型。该模型通过Transformer编码层处理轨迹数据,将用户相关行为信息考虑在内,融合位置的上下文语义信息,通过预训练得到位置的嵌入表征。根据用户的行为状态分割轨迹阶段,采用编码器-解码器方式对ST-LSTM进行分段分层扩展,利用BiLSTM对全局信息建模,同时处理轨迹的长短期变化,解决长序列的长距离依赖问题。对外卖员用户群体的真实移动轨迹数据进行分析和实验,通过聚类发现其特有的工作模式,在预训练时加入工作模式信息与到访时间信息,得到位置的特征向量并用于预测模型。结果表明CHST-LSTM模型在预测用户下一位置时精度更高。

用于道路提取的结构特征优化方法

针对以往的遥感道路提取研究中大多忽略了整个输入图像的道路结构特性,对于较为复杂、多道路区域的情况,难以产生完整道路网的问题。首先,设计了一个带状池化模块SPM,用于有效地扩大接收领域的骨干。具体来说,SPM侧重于沿着水平或垂直空间维度编码长距离上下文,并对汇集的映射中的每个空间位置的全局水平和垂直信息进行编码,实现了捕获长距离空间依赖性和利用通道间依赖性的能力的提升。考虑到道路尺度的多样性,提出级联的多尺度注意增强模块(CMSAE),利用多尺度特征上的空间注意剩余块来捕获长距离依赖,并引入信道注意层来优化多尺度特征融合,目的是解决现有方法中道路提取不连续和锯齿状边界识别的问题,并聚合连续道路的空间细节和语义信息。经实验验证和多种算法进行比较,所提方法相较于U-Net网络在Precision、Recall、IoU、ACC四个指标上分别提升了3.05、2.12、3.43、1.85个百分点,均优于对比算法,证明了该方法在改善道路提取任务中不连续问题的有效性。

端射阵机载雷达距离模糊杂波抑制方法

端射阵天线是指波束指向垂直于阵列法线方向的一类特殊雷达天线,由于其具有低剖面和定向辐射特性,因而特别适合用于机载雷达的补盲。本文基于端射阵机载雷达杂波回波模型,首先分析了端射阵机载雷达杂波谱在距离模糊情况下的杂波特性,并对目前三种存在距离模糊时典型近程非平稳杂波抑制方法的基本原理进行了介绍;其次基于端射阵机载雷达对典型方法的杂波抑制性能进行了仿真分析;最后综合考虑各种因素,对各种方法在端射阵机载雷达背景下的适用性进行了分析,并得出了有益结论,可为端射阵机载雷达非平稳杂波抑制方法的进一步研究提供重要参考。

机载前视FDA-MIMO雷达距离模糊杂波抑制

高重复频率的前视阵雷达杂波存在距离依赖问题和距离模糊问题,导致传统的空时自适应处理方法杂波抑制性能急剧下降甚至失效。针对前视阵雷达距离模糊杂波抑制问题,利用频控阵(FDA)-多输入多输出(MIMO)体制提供的可控自由度,本文提出了一种距离模糊杂波抑制方法。该方法将无模糊区域和模糊区域的杂波在空间频率域上分离,利用俯仰角正切值导数更新(Tangent DBU,TDBU)的方法,对前视阵条件下的距离依赖性进行补偿,最后进行空时自适应信号处理。该方法有效解决了前视阵雷达距离模糊杂波抑制问题,提高了杂波抑制性能,仿真实验验证了本文方法的有效性。

融合多源数据输入具有自注意力机制的LSTM股票价格预测

股票价格预测是金融和计算机学科交叉领域的经典问题,由于股票市场的复杂性和高波动性等特征,及时预测股票价格被认为是最具挑战性的问题之一.长短期记忆(LSTM)神经网络在时间序列预测问题中表现出良好的性能.然而,该模型及其改进模型专注于顺序捕获序列信息,在学习输入数据之间非序列性的内部关联方面没有优势.此外,模型在输入数据的融合方面往往并不全面.针对上述问题,提出了融合多源数据、具有自注意力机制的长短期记忆神经网络(SA-LSTM)股票价格预测模型.SA-LSTM模型具有自注意力单元,在学习序列特征时能够快速捕获长距离依赖关系,有效学习数据之间的相关性.在多源数据的融合方面,同时融合与目标股票直接间接相关的数据,解决输入数据不全面的问题.通过对股票次日收盘价预测的实验表明,与其他基准预测模型相比,该模型取得了最佳性能,在不同数据集上均具有最小预测误差.