面向简历文本的端到端岗位推荐算法研究

为增大应聘者进入招聘初试的概率,基于云南省某大型国有企业线下真实招聘数据构建数据集,对岗位推荐算法进行了实证研究。利用构建好的数据集,对研究岗位推荐算法进行研究,分别对机器学习算法中的随机森林、xgboost模型、GBDT模型、LightGBM 4种机器学习模型,以及深度学习中的卷积神经网络模型和BERT模型进行实验。对比6种模型的岗位推荐结果,BERT模型在岗位推荐过程中的表现最佳,推荐准确率可达88.12%,说明BERT模型可用于岗位推荐类数据集并可以取得较好的推荐效果。另外,BERT模型对输入数据的处理相对更少,是一种端到端的学习模型,可以更方便的应用于岗位推荐。

增强边缘信息的全卷积神经网络遥感影像建筑物变化检测

针对现有很多深度学习的建筑物变化检测方法未考虑图像的结构特征,导致建筑物边缘像素分割精度低的问题,本文提出了一种增强边缘信息的遥感影像建筑物变化检测模型。首先采用Canny算法和概率霍夫变换算法提取双时相影像中建筑物的直线边缘特征图作为图像结构特征;然后将双时相影像及其对应的边缘特征图输入到增强边缘信息的全卷积神经网络(FCN)中;最后采用骰子损失和交叉熵损失加权组合函数衡量网络模型。试验表明,增强边缘信息的FCN网络在精度评价和视觉分析上具有一定的优越性。

基于点云深度学习的装配式构件尺寸参数识别方法

利用点云深度学习技术自动识别建筑构件的尺寸,并使用虚拟点云解决了3D点云数据集工作繁杂的问题.首先,提出了一种批量快速生成虚拟点云数据集的方法.通过建筑信息模型(building information modeling,BIM)技术对装配式构件参数化建模,对其进行批处理转换数据格式后生成3D点云模型,从而生成无噪声、带标注的高质量点云.然后,对点云分类网络PointNet进行改进,搭建了端对端的构件尺寸参数识别网络PointNet CE.最后,使用生成的虚拟点云数据集进行模型训练,并通过工程实例验证了方法的有效性.实验结果表明:基于BIM技术生成的虚拟点云数据集可有效拓展现实世界的数据规模;改进后的构件尺寸参数识别网络可以准确识别出构件尺寸,对训练样本的识别精度达到了毫米级,对真实构件的识别精度也达到了厘米级,可基本满足装配式结构的施工要求.

乍得Bongor盆地花岗岩潜山裂缝型储层有效渗透率计算方法

基于乍得Bongor盆地花岗岩潜山油藏的钻录井、测井和试油资料,提出了一种新的储层有效渗透率计算方法,将试油结果转换为视有效渗透率来作为样本库的标签数据;以领域知识和机理模型驱动为主,机器学习为辅,建立特征曲线;采用XGBoost+KNN作为双重预测模型参与视有效渗透率计算,并利用SHAP值对模型进行了可解释性分析。研究结果表明:①将储层的测井视波阻抗和孔隙度作为渗透率指示曲线,分别与生产指数进行交会,从建模数据一致性指示交会图中挑选出19口井共26个有效井段,将试油结果转换为视渗透率(0.01~1601.50 mD),共建立了51348个深度点数据,14条输入曲线,基本覆盖主要潜山带,包含了不同岩性、不同储层品质和不同试油产量井段,使得整个样本库具有足够的代表性。②XGBoost模型充分利用了测井视波阻抗曲线、辅助表征潜山储层纵向分带特性的归一化垂深曲线、密度曲线、自然伽马窗口均值曲线、声波时差曲线、补偿中子测井曲线、视中子-密度孔隙度差窗口均值曲线、深浅电阻率曲线和自然伽马窗口标准差曲线信息,其计算结果与潜山储层品质的定性认识一致,预测精度较KNN模型更高。③乍得Bongor盆地花岗岩潜山油藏中有效渗透率大于1.00 mD的储层为有效储层,有效渗透率大于50.00 mD的储层为好储层,该方法的计算结果与试油结果一致。

建筑领域的命名实体识别研究

命名实体识别(Named Entity Recognition,NER)可以从建筑领域的非结构化文本中抽取结构化的命名实体,其应用可以为建筑行业的不同决策者提供便利。近年来,NER的应用十分广泛,但在建筑领域NER的应用研究仍处于初期发展阶段。通过整理汇总近九年建筑领域NER的文献,用图表和Python生成的词云图两种形式对国内外的研究文献进行梳理。介绍NER在建筑全生命周期的应用,重点从建筑领域相关的数据获取方式、实体的标注方法进行总结。此外,还对目前建筑领域NER所使用的自主构建的数据集和研究的模型方法进行汇总。最后,对建筑领域的命名实体识别所存在的问题进行讨论,从数据集、建筑行业、建筑全生命周期三个方面提出问题并对其提出未来的展望。

未确知聚类在专利质量评价中的应用

随着人们对知识产权的重视,作为其重要表征的专利的数量呈现爆发式增长,然而专利的质量却没有随之增长。大量的低质量专利不但作用有限,反而会造成社会资源浪费和遏制创新。对于专利质量的评价,目前还没有统一的标准。文中首先对国内外的专利质量指标进行分析,选取出对专利质量影响较大的指标,构建专利质量评价指标模型。同时,以钢铁行业相关专利为目标数据集,分别采用未确知聚类和模糊均值聚类算法对目标专利质量进行分析评价。最终,将目标专利数据聚类出不同的级别,得出高质量专利。在聚类过程中,发现未确知聚类算法在效率和准确率上都有良好的表现。

基于深度学习的三维点云自动生成BIM模型方法

在数字孪生、智慧城市的浪潮下,建筑行业正积极探索一种能快速重塑“既有建筑”3D信息模型的方法。从深度学习3D目标检测算法角度出发,着手大规模建筑数据集的生成和点云深度学习理论,分析点云深度学习框架所需输入数据类型,重点介绍了各类建筑构件的3D边界框及三维点云的创建过程,对比具有相同数据结构的不同点云数据集并实现了基于ScanNet数据集的目标检测算法,进而整合出一套可行的基于深度学习的三维点云自动生成BIM模型技术路线,通过该技术路线训练后的神经网络可实现“输入未知建筑物三维点云,输出BIM模型参数”。最后,对于目前该方法的优缺点和未来发展方向给出实质性建议。

基于注意力机制与DUsamplingU-Net网络的建筑物提取

针对常用语义分割模型因神经元接受域大小固定导致特征提取不充分、双线性上采样无法精确恢复像素级预测等问题,提出基于卷积核注意力机制和DUsampling(data-dependent upsampling)的卷积神经网络改进算法。算法引入卷积核注意力机制,利用选择性卷积核提取图像整体与局部细节特征,加强网络对建筑物特征的学习能力;在合并特征图之前将待融合的特征向下采样到特征图最低分辨率,通过DUpsampling分割标签空间的冗余准确地恢复像素级的预测;最后,结合卷积核注意力机制与DUpsampling构建SD-Unet模型,并在WHU数据集上进行验证。结果表明,该模型在交并比、总体精度、精确度、召回率以及F1分数上达到最优,分别为76.25%、98.86%、86.13%、87.07%和85.85%。SD-Unet模型加强网络对建筑物特征的学习能力及准确恢复特征图像素级的预测,比传统网络模型具有更好的分类性能和分类准确率。

中国农村地区建筑物样本及标注无人机影像数据集

农村建筑物是观察农村土地变化和经济发展的基础资料。中国作为农业大国,从高空间分辨率遥感影像上及时、准确提取农村建筑物,对于农村发展至关重要。近年来,随着计算机视觉和运算能力的迅速发展,深度学习以其自动学习特征、适用性强等优点,已在建筑物自动提取等领域取得较好效果。深度学习通常需要大量的训练数据。目前,深度学习提取建筑物常用的数据集以国际上开源建筑物数据集为主,包括Massachusetts、INRIA、WHU等。这些数据集大多基于国外建筑物,缺乏开源、高精度、覆盖范围广、贴切我国农村地区建筑主体结构的建筑物样本数据。为此,本研究基于2017-2020年在陕西渭南、江苏淮安、四川康定、广东汕尾、广东惠州、新疆阿图什、吉林松原等多个中国农村地区采集的无人机航拍图像,制作并开放共享本数据集。本数据集空间分辨率高,基本涵盖我国农村地区房屋建筑的主体结构类型,可应用深度学习方法进行建筑物提取,并可进一步结合具体研究目标进行空间分析和研究,对于国土部门统筹城乡发展和美丽乡村建设具有重要意义和应用价值。

面向施工机械的深度学习图像数据集合成方法

工程现场环境复杂,获取包含丰富信息的图像难度大且标注成本高,造成基于计算机视觉的深度学习施工机械图像数据集构建困难。为满足快速、高质量构建建筑工程领域施工机械深度学习图像数据集,提出一种基于三维建模引擎的施工机械图像生成与自动标注方法,并以挖掘机为例构建了名为SCED(Synthesized Construction Equipment Dataset)的挖掘机数据集。首先,采用三维建模引擎UE4对目标挖掘机设备进行模型构建,然后借助UnrealCV工具对原始模型进行多角度、多区域的图像采集,使用自编写模块实现自动语义分割与掩码图像生成,并完成图像的自动标注,最终生成包含10 000张图像的数据集。与现有公开机械数据集进行了目标尺寸、数量与构建工作量的对比,并比较了构建效率与成本,最后进行了图像数据集质量与效果验证。结果表明:该构建方法综合效率更高且成本更低,构建的SCED图像数据集丰富性和泛化能力更好,针对小目标物具有更好的检测效果;研究成果可为今后建筑施工领域深度学习图像数据集的构建提供参考依据。

基于改进残差学习的东巴象形文字识别

基于深度学习模型的东巴象形文字识别效果明显优于传统算法,但目前仍存在识别字数少、识别准确率低等问题。为此本文建立了包含1387个东巴象形文字、图片总量达到22万余张的数据集,大幅度增加了可识别字数,并辅助提高了东巴象形文字的识别准确率。同时,本文根据东巴象形文字相似度高、手写随意性大的特点,选择ResNet模型作为改进的网络结构,设计了残差跳跃连接方式和卷积层的数量,并通过加入最大池化层实现了下采样的改进。实验结果表明,在本文建立的东巴象形文字数据集上,改进的ResNet模型实现了东巴象形文字识别字数多且识别准确率高的最好效果,识别准确率可达到98.65%。

违章建筑检测数据集的标注与构建

目标检测作为人工智能的一个重要分支领域,在近年来得到广泛发展和应用。本文基于廊坊市某县关于违章建筑检测的项目背景,构建疑似违章建筑专用数据集。针对疑似违章建筑数据集中待检测目标占比小、图像背景复杂等问题,本文依据实际项目需求,在实地考察的基础上确定待检测目标类型,进行原始数据集图像采集。并通过对原始数据集进行图像切割、锐化、增强对比度等方法进行扩充,完成数据集标注并整理成标准PASCAL VOC格式便于后续训练。

建筑群能耗计算方法综述

快速城市化推动了经济和社会发展,但也导致了建筑能源消耗的持续增长。如何在满足人们日益增长的对建筑使用舒适性需求的同时,控制建筑用能的增长,实现节能和减排目标,具有非常重要的意义。城市建筑能源需求的准确量化能够为城市节能设计提供支撑,辅助城市形态生成和优化、建筑布局优化、建筑形体和构造设计、能源系统优化、能源计划和节能政策评估。近年来,国内外研究人员从不同角度开展了城市尺度的建筑群能耗计算方法研究和实践应用,也遇到了不同的技术难点。本研究对城市建筑群能耗计算的相关研究从以下三个方面进行综述:数据、模型和平台。通过文献综述,作者旨在指出当前的城市建筑群能耗计算方法的优势和局限,并提出以下几种可能的途径来提升城市能源计算方法:研发能够直接应用于城市建筑群能耗计算的微环境数据生成方法;结合数据挖掘技术,提升建筑信息数据的采集、过滤、转换能力;结合当前的人工智能技术,提升能耗计算的速度;研发可视化平台,实现城市设计的实时编辑和计算。

改进PU-GAN的点云上采样网络

针对点云分类问题,提出一种改进点云上采样网络,从低密度点云生成密集点云,提高点云分类准确率。针对点云上采样网络PU-GAN细节表示能力不足的问题,在生成器网络中引入Transformer模块,整合提取的特征信息;在特征扩张模块加入门控循环单元和分层上采样单元,重构细粒度特征;以PU-GAN数据集进行训练,构建闽南古建筑数据集作为测试。实验结果表明,改进后网络的上采样效果获得了提升,具有良好的鲁棒性。通过对ModelNet40数据集进行上采样,在PointNet上进行分类实验,验证了该网络对分类准确率的提升。

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。

SARBuD 1.0:面向深度学习的GF-3精细模式SAR建筑数据集

合成孔径雷达SAR(Synthetic Aperture Radar)是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0(SAR BUilding Dataset)。该数据集包含了覆盖中国不同区域的27景高分三号(GF-3)精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。

融合网格注意力阀门和特征金字塔结构的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络(AFP-Net)可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。