面向机器阅读理解的边界感知方法

针对现有的基于预训练语言模型的答案获取方法存在预测边界不够准确的问题,提出一种面向片段抽取式机器阅读理解(MRC)的边界感知方法。首先,在问题输入阶段引入特殊字符标记问题边界,通过增强问题语义信息的方式实现对问题边界的感知;其次,在答案预测阶段,构建答案边界回归器,实现感知的问题边界语义信息与输出的预测答案边界语义信息的语义交互;最后,通过交互后的语义信息进一步调整存在偏差的预测答案边界,实现对预测答案的校准。实验结果表明,与SpanBERT(Span-based Bidirectional Encoder Representation from Transformers)相比,该方法在公共数据集SQuAD(Stanford Question Answering Dataset)1.1上的F1值提升了0.2个百分点、精确匹配(EM)值提升了0.9个百分点;在HotpotQA(Hotpot Question Answering)数据集上的F1值和EM值都提升了0.7个百分点;在NewsQA(News Question Answering)数据集上的F1值提升了2.8个百分点、EM值提升了3.3个百分点。可见,该方法能有效增强对问题边界信息的感知并且实现对预测答案边界的校准,有利于更好地理解和分析文本数据,在智能问答、智能客服等领域的应用中提高系统的准确性。

边界感知SegFormer网络的阵列目标图像分割方法

针对工业场景下阵列目标图像存在非均匀背景、缺陷干扰和弱边缘导致目标分割精度低的问题,提出边界感知SegFormer网络的阵列目标图像分割方法。针对固定种子易受背景和缺陷干扰的问题,提出自适应种子搜索策略。该策略利用种子位置与目标定位精度的相关性构建种子分布热力图,并在热力图的引导下自适应搜索理想种子目标,实现阵列目标的高精度全局分割。设计边界感知SegFormer网络进行局部分割,利用递归门控卷积强调特征的长距离和高阶空间交互,改进的门控残差边界细化模块能够学习更丰富的边缘信息,同时引入混合损失函数加强对区域内部和边缘像素的监督,引导网络更好地学习目标边缘特征,提高边界分割精度。在自建晶粒数据集和语义分割数据集Cityscapes上的验证实验表明,提出的分割方法能在背景不均、缺陷污染、边缘对比度低的高分辨率阵列目标图像中完整精确地分割目标,并具有较高的实时性。

双特征流融合和边界感知的显著性目标检测

显著性目标检测是计算机视觉领域的热门研究方向之一,许多基于深度学习的检测算法虽然已经取得了显著的成果,但是仍然存在待测目标漏检误检和边界模糊等问题。针对这些问题提出了一种基于双特征流融合和边界感知的目标检测算法,通过改变输入图像尺寸来丰富多尺度信息,并自顶向下逐层聚合特征得到精细的预测结果。首先将输入图像调整为两种不同分辨率分别送入编码器,提取丰富的多层级特征形成双特征流;其次将双特征流自顶向下逐层融合,生成由粗到细的显著图;最后构建了边界感知结构,凭借上下文语义信息的指导生成精细的物体轮廓。在五个公开数据集上进行了大量实验,实验结果表明,所提算法在结构相似性(Sm)等多个指标上取得了更高的检测精度,生成的显著图目标完整且边缘清晰。

边界感知的实时语义分割网络

目前多数实时语义分割网络不仅同时处理边界和纹理等细节信息而且还忽略了语义边界区域特征,从而导致物体边界分割质量下降。针对该问题,提出一种边界感知的实时语义分割网络,主要从三个方面提高边界语义分割质量。提出了边界感知学习机制利用位置信息降低边界特征和轮廓附近细节的耦合度使边界感知和位置关系相互促进。设计轻量级区域自适应模块增强卷积网络对复杂语义边界区域的建模能力。根据采样区域像素贡献值不同设计了高效的空洞空间金字塔池化模块以增强重要的细节和语义特征。实验方面,与基准相比,在Cityscapes验证集上精度提升了约5.8个百分点,在Cityscapes测试集上以47.2 FPS的推理速度使精度达到了74.9%。在CamVid数据集上与BiSeNetV2算法相比mIoU提升了约3.96个百分点。

联合边界感知和多特征融合的点云语义分割方法

针对当前大多数基于深度学习的点云语义分割方法容易忽略过渡区域的目标边界,造成边界处存在模糊特征的问题,提出了一种联合边界感知和多特征融合(boundary-aware and multi-feature fusion, BA-MFF)的点云语义分割方法。首先,对骨干网络进行优化,使得提取到的特征更具有鲁棒性;其次,设计了边界感知模块(boundary-aware module, BAM)关注过渡区域的目标边界,该模块包含边界点预测模块(boundary point prediction module, BPPM)和特征聚合模块(feature aggregation module, FAM);边界点预测模块通过学习邻域点特征预测出属于边界上的点,特征聚合模块在邻域内对点云特征进行判别聚合;最后,为获得更有鉴别性的特征,引入了多特征融合模块(multi-feature fusion module, MFFM)对不同通道之间的特征进行了融合。实验结果表明:该方法在ScanNetV2数据集上平均交并比(mean intersection over union, mIoU)达到63.7%,在S3DIS数据集上总体精度(overall accuracy, OA)和mIoU分别为88.2%和62.3%。该方法有效关注了过渡区域,具有一定的分割优越性。

边界感知安全技术在学校数据中心网络虚拟化环境中的应用

分析学校数据中心网络虚拟化技术现状,并针对学校数据中心网络虚拟化环境,分析边界感知安全技术的发展趋势与具体应用。

预训练驱动的多模态边界感知视觉Transformer

卷积神经网络(convolutional neural network,CNN)在图像篡改检测任务中不断取得性能突破,但在面向真实场景下篡改手段未知的情况时,现有方法仍然无法有效地捕获输入图像的长远依赖关系以缓解识别偏差问题,从而影响检测精度.此外,由于标注困难,图像篡改检测任务通常缺乏精准的像素级图像标注信息.针对以上问题,提出一种预训练驱动的多模态边界感知视觉Transformer.首先,为捕获在RGB域中不可见的细微伪造痕迹,引入图像的频域模态并将其与RGB空间域结合作为多模态嵌入形式.其次利用ImageNet对主干网络的编码器进行训练以缓解当前训练样本不足的问题.然后,Transformer模块被整合到该编码器的尾部,以达到同时捕获低级空间细节信息和全局上下文的目的,从而提升模型的整体表征能力.最后,为有效地缓解因伪造区域边界模糊导致的定位难问题,构建边界感知模块,其可以通过Scharr卷积层获得的噪声分布以更多地关注噪声信息而不是语义内容,并利用边界残差块锐化边界信息,从而提升模型的边界分割性能.大量实验结果表明,所提方法在识别精度上优于现有的图像篡改检测方法,并对不同的篡改手段具有较好的泛化性和鲁棒性.

企业数据中心网络虚拟化环境中边界感知安全技术和应用

由于企业数据中心处理并保存着大量的信息,数据中心的安全至关重要,其中网络安全是关键环节之一。数据中心网络虚拟化使得网络边界深入至宿主服务器内部,网络安全设备需要感知这些边界才能进行有效监控。对现有的网络虚拟化边界感知安全技术进行分类研究,探讨各类技术的原理、优势、不足及应用,并且展望了数据中心网络虚拟化技术及边界感知安全技术的发展趋势。

一种基于边界感知的遥感影像建筑物提取方法

遥感影像的复杂性给建筑物提取研究带来了极大的挑战。深度学习的引入提高了遥感影像建筑物提取的准确率,但仍存在边界模糊、目标漏检和提取区域不完整等问题。针对这些问题,提出了一种基于边界感知的遥感影像建筑物提取网络,该网络包括特征融合网络、特征增强网络和特征细化网络三部分。首先,特征融合网络采用编码-解码结构提取不同尺度特征,并设计了交互聚合模块融合不同尺度的特征;然后,特征增强网络采用减法和级联操作对漏检目标进行学习增强,得到更加全面的特征;最后,特征细化网络使用编码-解码结构对特征增强网络的输出进一步细化,得到丰富的建筑物边界特征。此外,为使网络更加稳定有效,将二值交叉熵损失和结构相似性损失相结合,从像素和图像结构两个层次监督模型的训练学习。通过在数据集WHU上的测试,可知本网络较其他经典算法的客观指标交并比和准确率均有提升,分别达到了96.0%和97.9%;同时主观视觉上提取的建筑物边界更加清晰,区域更加完整分明。

基于残差细化和边界感知的显著性检测

针对目前显著性检测算法精度不高、目标边缘模糊等问题,本文提出一种基于残差细化和边界感知的显著性检测算法。其中残差细化充分利用高层语义特征和低层细节特征得到信息较为完整的显著图,而边界感知能关注到更多的边缘细节信息,解决目标边缘模糊的问题。实验表明,通过定性和定量比较,本文算法的精确度和准确度都得到了提高,且有效解决了目标边界模糊的问题。

基于边界感知的复杂名词短语的识别和转换研究

为了改善专利机器翻译中复杂名词短语的翻译效果,提出了一种基于规则的复杂名词短语识别和转换方法。通过分析汉英复杂名词短语的语义块和组合单元,利用边界感知策略,抽取汉语语言特征词,为汉语复杂名词短语中组合单元边界识别编制了57条识别规则,设计了合并策略,得到汉语复杂名词短语的形式化结构。通过对比汉英复杂名词短语的差异,确定了汉英复杂名词短语的转换策略。最后,将识别规则、合并策略和转换策略应用到一个机器翻译系统中。测试结果表明,所提方法可以有效地实现复杂名词短语的识别和转换,提高专利文本中复杂名词短语的机器翻译效果。

智能驾驶车辆感知边界的测试技术研究

文章研发了一种智能驾驶车辆感知边界的测试技术,通过调整在横向、纵向均可任意调节雷达反射面积的测试设备,结合可不断反馈输入的测试方法,可完成对智能驾驶车辆感知边界的测试。通过实例分析,验证了该方法的可行性。该项技术所使用的设备实用便捷,测试精度高,测量范围大,适用于多款智能驾驶车辆和各类感知传感器的测试,对产品的研发和测试具有重要意义。

韩语母语者汉语作为第二语言的韵律边界感知——基于联合竞争模型的习得研究

韵律边界感知能力跟二语理解和产出能力具有十分密切的关系。本研究基于联合竞争模型,通过考察不同声学线索组合模式对初、中和高级汉语水平韩语母语者汉语韵律边界感知的影响,得出如下结论:韩语母语者和汉语母语者汉语韵律边界的加工速度表现相似,但是二者的加工策略存在显著差异;学习阶段不同,不同声学线索组合模式的加工策略不同;受线索数量多少和线索类型的制约,边界感知强度高低跟加工速度不是简单的线性关系。研究结果可以为二语韵律边界感知机制提供心理认知加工证据,也可为二语韵律教学提供指导建议。

隐私泄露会令你更加特立独行吗——基于感知边界入侵的心理机制分析

移动互联网让消费者能够在多场景之间快速切换。在此背景下,本文探讨了隐私泄露造成的影响如何外溢到域外消费决策的作用机理和边界条件。通过5个情境实验,本研究发现:隐私泄露将导致消费者在后续消费中更偏好独特性产品。原因在于隐私泄露会导致消费者感知到个人边界被入侵,继而会借助独特性产品中蕴含的无形边界的象征含义来帮助自己重建心理上的无形边界,但该效应在较低隐私担忧的消费者中不存在。

基于嵌套U-型结构的电路板组件分割

作为重要的现代电子元器件,高度集成的印刷电路板(PCB)的组件分割属于典型的小物件图像分割。由于复杂背景的过度引入,PCB图像的组件分割面临着边界感知能力不足等挑战。为了提高PCB分割组件边界感知能力,提出一种外部协调的嵌套U-型网络结构(U2ECNet)。U2ECNet的主干网络为嵌套U-型结构,在编解码体系中使用外部扩张模块,有效学习全局和局部信息,并关注组件区域中的边缘和角细节;使用引导细化模块,通过多尺度特征映射聚合全局语义信息,从而优化模型的分割精度,同时提高对PCB组件分割的效果;制作新的图像分割数据集PCB_SOD,其包含5608张训练图像和2403张测试图像,用于执行分割任务,并在所提网络中进行训练。在DUTS和PCB_SOD数据集上的实验结果表明,U2ECNet在平均绝对误差(MAE)和maxFβ上分别达到0.045、86.1%和0.027、87.2%,相较于其他方法,U2ECNet的MAE更低,maxFβ更高,整体分割性能达到最佳。此外,所提外部协调的嵌套U-型结构提升了PCB组件分割的精度,在复杂背景中表现出良好的鲁棒性,生成了准确的显著性分割图。

基于MEBA-OWOD算法的开放自动驾驶场景目标检测

针对自动驾驶场景中复杂的目标交错、对象密集和小目标漏检、误检问题,提出了基于多尺度特征增强和边界感知的开放世界目标检测(multi-scale feature enhancement and boundary aware for open world object detection,MEBA-OWOD)算法。该算法首先构建了多尺度特征增强(multi-scale feature enhancement,MSFE)模块对提取的多尺度图像特征进行细致的筛选和强化,有助于识别和关注图像的重要和关键细节。然后,设计了边界感知冗余框过滤器(boundary aware redundant box filter,BARF),能够有效过滤已知对象重叠框和未知对象冗余框,减少了单个提议框包含不完整对象或密集对象的情况。在自动驾驶数据集道路场景(way scenes,Wayce)上的实验表明,与几种优秀的目标检测算法和开放世界目标检测算法相比,MEBA-OWOD算法在已知类平均精确率均值、未知类平均精确率指标上分别比次优的对比算法提高了0.3%、49.6%。该算法能在不影响对已知目标检测的同时,加强对未知目标的检测,能够较好地应用于自动驾驶领域。

不平衡数据下基于改进门控卷积网络的轴承故障诊断

深度学习在滚动轴承故障诊断中具有广泛的应用,然而,现实中的监测数据往往具有不平衡性,这就会对模型的诊断性能产生很大影响。因此,提出一种基于改进门控卷积神经网络(Improved Gated Convolutional Neural Network,IGCNN)的故障诊断方法,用于数据不平衡条件下的故障诊断。首先,提出改进门控卷积层以增强特征提取能力,通过批量归一化技术提高模型的泛化能力。然后,使用标签分布感知边界(Label-distribution-aware Margin,LDAM)损失函数提高模型对少数类的敏感度,减小数据不平衡对模型的影响。将所提算法应用在两组故障轴承数据上,在数据不平衡率为20:1的情况下,所提算法仍然可达到92.71%和94.47%的故障识别率,而对比的其他主流深度学习模型在该情况下只有60%~72%的准确率,表明所提方法在数据集严重不平衡情况下具有很强的诊断能力和鲁棒性。

中文专利中有标记并列结构的自动识别研究

中文专利中名词性有标记并列结构分布广泛、结构复杂,现有的识别技术仅能运用有限的特征识别某些简单类型的并列结构,总体识别效果不佳。为此,提出一种基于边界感知原则的识别方法。在概念层次网络(HNC)理论的基础上,从数量、层级、语义类型、语义特征、干扰特征、结构特征、外部环境和位置特征8个维度对并列结构进行标注,考察并总结语义特征、结构特征和外部词特征,制定217条形式化规则,并将其融合到已有的HNC翻译系统中。测试结果表明,与Google在线翻译系统相比,该方法对有标记并列结构的识别正确率较高。

句类分析准则在作战文书地名识别中的应用

针对军用要图自动标绘对地名识别高精度的要求,紧扣"作战文书行文规范"这一特点,将句类分析之标点准则(语句的首尾边界是首块和末块的天然首尾边界)、介词准则(汉语的语块移位标志符由介词充当)、动词准则(充当特征块的动词是其它语块的天然边界)等应用于作战文书地名识别,采用基于规则的方法加以实现,实验结果F值在88%-97%之间。因此,作为作战文书向军用要图自动转换的预处理,地名识别这一结果是可用的。

坐标注意力特征金字塔的显著性目标检测算法

显著性目标检测旨在获取图像中的视觉显著目标,是计算机视觉领域的重要研究内容。相比传统手工提取特征的方法,基于全卷积神经网络的方法已在这一领域展现出强大优势。然而,显著性目标检测仍然存在一些问题。复杂场景下,背景中可能存在一些易被误判为显著目标的噪声,导致检测性能下降。另外,当显著目标轮廓较为复杂时,边界像素点的检测也变得较为困难。为了解决这些问题,提出一种坐标注意力特征金字塔的显著性目标检测算法。采用基于特征金字塔的网络结构,提取显著目标中不同层次的特征,并设计特征细化模块以实现不同层次特征的有效融合。为解决背景误判问题,采用坐标注意力模块,增大显著性区域权重的同时,抑制背景噪声。对于边界复杂问题,设计边界感知损失函数并结合多层次监督方法,帮助网络更加关注边界像素点,生成边界清晰的高质量显著图。在五个常用显著性目标检测数据集上的实验结果表明,该算法在五种评价指标上均取得较优的检测结果。