虚拟机跨域迁移中的网络重定向模型

提出一个网络重定向模型,实现局域网或广域网环境下的虚拟机跨域迁移。利用地址解析协议同步策略,在源节点和迁移后的虚拟机之间快速建立单向IP隧道,将数据重定向至虚拟机。采用IP双栈方式,使虚拟机在保持原有会话的同时,通过新增IP响应所有新的连接请求。实验结果表明,该模型能减少部署时间,优化数据转发路径,降低响应延迟,实现跨域迁移。

基于多对多生成对抗网络的非对称跨域迁移行人再识别

无监督跨域迁移学习是行人再识别中一个非常重要的任务.给定一个有标注的源域和一个没有标注的目标域,无监督跨域迁移的关键点在于尽可能地把源域的知识迁移到目标域.然而,目前的跨域迁移方法忽略了域内各视角分布的差异性,导致迁移效果不好.针对这个缺陷,本文提出了一个基于多视角的非对称跨域迁移学习的新问题.为了实现这种非对称跨域迁移,提出了一种基于多对多生成对抗网络(Many-to-many generative adversarial network,M2M-GAN)的迁移方法.该方法嵌入了指定的源域视角标记和目标域视角标记作为引导信息,并增加了视角分类器用于鉴别不同的视角分布,从而使模型能自动针对不同的源域视角和目标域视角组合采取不同的迁移方式.在行人再识别基准数据集Market1501、DukeMTMC-reID和MSMT17上,实验验证了本文的方法能有效提升迁移效果,达到更高的无监督跨域行人再识别准确率.

遥感图像小样本舰船识别跨域迁移学习算法

跨域迁移学习旨在利用现有公开数据集,突破源域和目标域样本类别空间须一致的约束,提升目标域样本的识别精度。针对现有跨域迁移学习算法应用于遥感图像小样本舰船目标识别时存在的迁移类别受限和负迁移问题,本文提出一种基于源域样本相关性排序的跨域迁移学习算法:首先将目标域样本逆向加入源域分类任务中,根据加入前后各类别源域样本的识别精度变化情况,对源域样本进行相关性排序,将其划分为强/弱/负相关样本;然后采取自监督联合学习策略,在目标域分类网络中引入自监督角度预测辅助分支,筛选出的强相关源域样本仅参与该辅助分支的训练,不改变目标域主分类网络的结构。算法通过相关性排序去除了弱/负相关源域样本,有效避免了负迁移;引入自监督角度预测辅助分支,在保持主分类网络结构完整性的同时,充分利用了强相关源域样本的有效信息,学习到更具泛化能力的目标特征。实验结果显示:在遥感舰船小样本目标数据集上,提出的算法优于跨域迁移学习中广泛使用的Fine-tune (微调)算法;与仅使用主分类网络的目标域识别算法相比,遥感舰船目标识别精度提升了17.59%。

基于稀疏子空间聚类的跨域人脸迁移学习方法

人脸识别的效果很大程度上依赖于已标定的训练数据的规模,当训练样本严重不足时类内及类间分布的估计将会出现严重偏差。考虑到人工标定的成本过高,如果能对与目标问题相关的一些已有数据加以利用,以此来取代人工标定数据或减少人工标定的数据量,将为训练样本不足的人脸识别问题提供一套可行的解决方案。为此,拟针对这一问题发展出一种基于稀疏子空间聚类和鲁棒主成分分析的人脸迁移学习方法,在辅助数据满足多线性子空间假设下,能从无类标的异源辅助数据中实现信息迁移,挖掘对目标分类问题有益的成分。

中文招聘文档中专业技能词抽取的跨域迁移学习

【目的】利用在线招聘文档,准确分析用人单位需求,为解决劳动力供需失配提供技术支持。【方法】提出一种基于跨域迁移学习的专业技能词识别方法(CDTL-PSE)。CDTL-PSE将专业技能词的识别任务当作序列标注任务,首先将SIGHAN语料库分解为三个源域,利用插入在Bi-LSTM层和CRF层之间的域自适应层来有效实现从各个源域到目标域的跨域迁移学习;然后采用参数迁移法训练每个子模型;最后通过多数投票获得标签序列的预测结果。【结果】在自建在线招聘文档数据集上,相对于基线方法,使用交替训练的具有Bi-LSTM域自适应层的CDTL-PSE的F1值提高0.91%,能减少50%左右的标记样本。【局限】模型的可解释性有待进一步改善。【结论】CDTL-PSE能有效实现对技能词的自动抽取,还可有效缓解目标域标注样本的不足。

跨域虚拟网络环境下虚拟机Live的迁移机制

针对跨域虚拟网络环境下虚拟机的在线迁移机制,设计了支持虚拟机跨域通信的虚拟网络路由协议和控制虚拟机在线迁移的路由更新协议,以支持虚拟机的跨域动态管理,并基于流行虚拟化环境Xen,完成了原型实现,从而解决了虚拟机跨域的在线迁移问题,实现了利用广域网络环境搭建动态虚拟化平台.

近邻优化跨域无监督行人重识别算法

目的无监督行人重识别可缓解有监督方法中数据集标注成本高的问题,其中无监督跨域自适应是最常见的行人重识别方案。现有UDA(unsupervised domain adaptive)行人重识别方法在聚类过程中容易引入伪标签噪声,存在对相似人群区分能力差等问题。方法针对上述问题,基于特征具有类内收敛性、类内连续性与类间外散性的特点,提出了一种基于近邻优化的跨域无监督行人重识别方法,首先采用有监督方法得到源域预训练模型,然后在目标域进行无监督训练。为增强模型对高相似度行人的辨识能力,设计了邻域对抗损失函数,任意样本与其他样本构成样本对,使类别确定性最强的一组样本对与不确定性最强的一组样本对之间进行对抗。为使类内样本特征朝着同一方向收敛,设计了特征连续性损失函数,将特征距离曲线进行中心归一化处理,在维持特征曲线固有差异的同时,拉近样本k邻近特征距离。结果消融实验结果表明损失函数各部分的有效性,对比实验结果表明,提出方法性能较已有方法更具优势,在Market-1501(1501 identities dataset from market)和DukeMTMC-reID(multi-target multi-camera person re-identification dataset from Duke University)数据集上的Rank-1和平均精度均值(mean average precision,mAP)指标分别达到了92.8%、84.1%和83.9%、71.1%。结论提出方法设计了邻域对抗损失与邻域连续性损失函数,增强了模型对相似人群的辨识能力,从而有效提升了行人重识别的性能。

一种基于YOLOv5s的红外图像目标检测改进算法

受热红外成像方式限制,交通场景下红外图像存在对比度低、目标尺度和姿态的多样性以及目标之间的相互遮挡问题,从而造成检测精度下降,部分目标出现漏检、误检的情况。本文在YOLOv5s的基础上提出一种改进算法:在数据处理方面,使用AHE算法对训练集图像进行部分数据增强;在模型改进方面,通过引入跨域迁移学习策略、插入通道注意力机制SENet、改进损失函数GIoU为α-CIoU对YOLOv5s进行改进。并通过消融实验的方式,在自制数据集上对夜间道路环境下的电动自行车驾驶行为进行检测。实验结果表明,改进后的算法对单人驾驶电动自行车行为检测的平均精度达到了95.9%,比YOLOv5s的检测精度提高了3.1%;对载人驾驶电动自行车行为检测的平均精度达到了88.4%,比YOLOv5s的检测精度提高了9.5%;总类别检测的平均精度达到了92.2%,比YOLOv5s的检测精度提高了6.4%,有效降低了红外目标漏检、误检的概率。

音乐训练对4~5岁幼儿普通话声调范畴感知能力的影响

已有研究表明,音乐训练能提高成人对普通话声调范畴感知的能力,此种训练能否增强幼儿对声调范畴感知的能力?训练效果是否受到训练时间长短的影响?本研究对幼儿园4~5岁幼儿进行音乐训练,共40人,分成音乐组和控制组,每组各20人,追踪考察音乐训练和训练时间长短对幼儿声调范畴感知能力提升的影响。实验采用前测中测后测设计,对音乐组开展每周3次,每次30分钟,以小钟琴演奏为主的音乐训练;控制组不进行任何有组织的训练活动。结果发现,12个月音乐训练提升了幼儿对声调范畴感知的程度,表现为音乐组幼儿范畴边界宽度显著小于控制组,而训练6个月时,该优势并不显著。此外,12个月音乐训练还加强了幼儿区分范畴内刺激声学差异的敏感性,而对范畴间刺激的区分能力无显著提高。本研究结果支持了音乐学习的歌剧理论(OPERA),音乐训练具有跨域迁移作用,可提升4~5岁幼儿对普通话声调范畴感知的能力,但只有长期持续的训练才可能真正提高幼儿的音高精细化加工水平。

面向机器学习的分布式并行计算关键技术及应用

当前机器学习等算法的计算、迭代过程日趋复杂,充足的算力是保障人工智能应用落地效果的关键。本文首先提出一种适应倾斜数据的分布式异构环境下的任务时空调度算法,有效提升机器学习模型训练等任务的平均效率;其次,提出分布式异构环境下高效的资源管理系统与节能调度算法,实现分布式异构环境下基于动态预测的跨域计算资源迁移及电压/频率的动态调节,节省了系统的整体能耗;然后构建了适应于机器学习/深度学习算法迭代的分布式异构优化环境,提出了面向机器学习/图迭代算法的分布式并行优化基本方法。最后,本文研发了面向领域应用的智能分析系统,并在制造、交通、教育、医疗等领域推广应用,解决了在高效数据采集、存储、清洗、融合与智能分析等过程中普遍存在的性能瓶颈问题。