基于UML Statechart语义的测试序列生成方法

UML Statechart是UML的一个主要组成部分,与其他类型的 Statechart相比,由于采用事件队列的调度方式,UML Statechart有着更多的不确定性,使得针对UML Statechart模型的测试非常困难。本文给出了一个形式化的语义模型,并将Statechart转化为一个比较简单的标志变迁系统,利用路径选择算法得到一个基于标志变迁系统的测试集,然后通过判断得到的测试集中每个测试用例是否满足UML Statechart执行步的语义,从而得到一个满足UML Statechart执行步的语义的、可执行的测试集。

不同Statechart语义比较

Statechart是一种可视的规格描述语言,由于其直观的特性和强大的描述能力,一直得到广泛的重视,Statechart语义的关键在于执行步语义,不同的statechart的变体有着不同的描述能力,而应用于不同的领域。本文以三种应用最为广泛的Statechart语义为对象,以逆时间的方式,从UMLStatechart的语义开始,通过对Statechart功能的讨论,逐步引出了STATEMATEStatechart的语义和Pnueli给出的Statechart的语义,并进行了比较,显示出不同语义的描述能力的差异和不同语义表达的思想。

面向工业互联网的语义编码传输方法及应用

通过将语义通信技术引入工业网络,构建了一个面向工业互联网的语义编码传输系统。系统中设计了语义编解码器以提取信源中的语义信息,相对于传统通信系统,基于语义信息的通信有更高的信息压缩效率与更高的符号差错容忍能力。同时引入信源信道联合编解码器,以信源信道联合编码的方式将语义信息转化为信道符号传输,进一步提升系统对工业网络通信资源的利用效率。所有编解码器均构建在深度神经网络架构Transformer上,确保了编解码器对语义信息的理解能力及系统的泛化能力。在工业药品生产场景中,对该系统进行测试,结果显示:相较于传统通信方案,该语义编码传输系统在图像重建质量和传输处理速度方面均有显著提升。且系统对下游任务的性能影响极小,保证了工业生产中如缺陷检测等关键任务的准确性。

基于交叉融合自注意力的点云语义分割

针对目前点云语义分割算法通常采用简单的串联三维原始坐标信息方式建模几何信息,导致建模不完整问题.提出了交叉融合自注意力网络,在该网络的编码层中设计了交叉融合自注意力机制模块,通过交互学习坐标和特征信息,提高局部细粒度特征描述能力,使得几何信息建模更加完整.同时为了更好地结合浅层与高层特征,提出了一种层级特征融合模块,通过自适应地连接网络不同层,实现不同层的特征整合.在S3DIS、Semantic3D和SemanticKITTI数据集上实验表明:该算法优于RandLA-Net等先进算法.

语义三角理论视域下的土木工程专业术语探析

为加深对土木工程专业术语的理解、促进专业知识学习,引入语义三角理论对土木工程专业术语进行了深层次的探析,构建了学习、掌握与发展土木工程专业术语的新路径。具体要点包括:语义三角形中的“外界物体/实物”对于土木工程专业可扩充为广义“所指”、增加考虑隐蔽型效应与假定;“语言/符号”和“概念/词义”的关系有助于更好地理解“义同形不同”术语;“语言/符号”与“物体/实物/效应/假定”的关系有助于推动专业术语的发展与改进,同时促进新术语的不断产生。

复杂越野场景无人履带平台3D语义占据预测方法

为了理解和处理复杂越野场景中环境要素形状不规则、地形多变及路面属性复杂等问题,提出了一种基于多模态融合感知的3D语义占据预测方法.首先,基于图像和激光雷达融合网络获取初始3D语义标签;然后,对越野场景稀疏点云采用贝叶斯稠密化算法补全3D语义占据标签;最后,生成包含复杂环境要素大小、位置和语义信息的3D语义占据栅格地图.试验结果表明,该方法能够有效地提取和表示复杂越野环境中的3D信息,为复杂越野环境下无人履带平台的路径规划提供了更加准确和丰富的先验信息.

基于交叉协同注意力网络的小样本肠道息肉图像语义分割

目的:提高肠道息肉图像语义分割模型对查询图片中未知目标的分割性能。方法:提出一种基于交叉协同注意力网络的小样本肠道息肉图像语义分割方法。首先,利用预训练的VGG-16网络提取支持图片和查询图片的视觉特征;然后,利用支持特征和查询特征建立分支间特征的交叉融合,促进分支间特征语义的对齐;最后,利用无参数的度量方法,逐像素实现查询图片中每一位置的像素分类。结果:在Kvasir-SEG等4个开源的肠道息肉图像数据集中,本研究所提出方法的前景背景交并比(FB-IoU)分值均优于经典的医学图像语义分割模型U-Net。结论:基于交叉协同注意力网络的小样本肠道息肉图像语义分割方法可以精准定位支持图片和查询图片中的息肉区域,具有较好的分割性能。

基础地理实体关系及语义化构建关键技术研究及实现

新型基础测绘和实景三维中国建设的核心是构建基础地理实体,而基础地理实体的核心是构建实体间的关系及语义规则。本文首先介绍基础地理实体关系和语义化的内容,以及其构建的基本流程;其次,详细介绍实体关系及语义规则配置、存储和构建技术;最后,采用面向对象的编程语言C#,开发实体关系及语义化构建功能,可满足基础地理实体数据生产阶段实体关系及语义规则构建的需求,能够实现实体关系及语义规则配置的按需定制。

河南方言“管”语义地图研究

基于河南方言的相关语料,在对“管”的功能与语义进行考察与描写的基础上,从认知语义学的角度确定“管”的语义衍生路径并梳理河南方言“管”的语义链。运用语义地图模型这一理论工具绘制河南方言“管”的语义地图。研究发现,河南方言“管”的语义引申呈现出基于形状相似、目的扩张、功能扩张、动作相似、能力发展、动作实现可能、处置强度变化、处置结果变化及语气变化结果的共性路径,符合隐喻和转喻两大认知机制。此外,对例外的语言现象进行了解释,语义地图的解析度体现了功能节点的细分度。

小数据集上基于语义的局部注意视觉Transformer方法

在小数据集上从零开始训练时,视觉Transformer无法与同规模的卷积神经网络媲美。基于图像的局部注意力方法,可以显著提高ViT的数据效率,但是会丢失距离较远但相关的补丁之间的信息。为了解决上述问题,提出一种双向并行局部注意力视觉Transformer的方法。该方法首先在特征层面上对补丁进行分组,在组内执行局部注意力,以利用特征空间中补丁之间的关系弥补信息丢失。其次,为了有效融合补丁之间的信息,将基于语义的局部注意力和基于图像的局部注意力并行结合起来,通过双向自适应学习来增强ViT模型在小数据上的性能。实验结果表明,该方法在计算量为15.2 GFLOPs和参数量为57.2 M的情况下,分别在CIFAR-10和CIFAR-100数据集上实现了97.93%和85.80%的准确性。相比于其他方法,双向并行局部注意力视觉Transformer在增强局部引导能力的同时,保持了局部注意力所需属性的有效性。

基于对抗学习和一致性正则的半监督语义分割方法

为了降低语义分割任务对像素级标签的需求,提出一种基于对抗学习和Mean teachers模型的半监督语义分割方法。该方法训练过程分为两个阶段,第一阶段在分割网络之后连接判别网络,通过对抗学习使分割网络预测结果逐渐接近真实标签;第二阶利用第一阶段的网络参数做指数移动平均得到教师网络,与分割网络做一致性训练,使模型性能进一步提升。使用PASCAL VOC 2012数据集进行实验,结果表明在使用相同数量的标签训练下,该方法的分割图的质量和评价指标mIoU优于现有半监督语义分割方法。

当代诗歌话语语义生成的选择原则

诗歌是一种从选择轴并由之主导向组合轴投射的话语类型,话语沿相似性和邻近性两种不同的语义路线发展,在诗歌中相似性语义路线往往在选择中起决定作用,但突出对象之间的差异性,选择过程比普通话语有更大的自由度,聚合空间更大。当代诗歌话语的选择目标是生成新的创造性的语义关系,所指层的选择与能指层的选择尤其是分行,相互适应、相互激活,共同参与创造性语义关系的建构。与相似性和邻近性对应,当代诗歌的创造性表现为发明性和发现性两种选择方式,既可能以其中一种方式为主,也可能是两种方式的交替使用,还可能是不同方式的交织。

从句子图到篇章图——基于抽象语义表示的篇章级共指标注体系研究

篇章级共指关系是语言学和计算语言学的研究难点之一。本文在梳理共指理论研究与趋势的基础上,回顾共指语料库的构建与自动解析方法,指出共指语料的构建主要存在以下两个问题:共指关系的标注较为粗疏,也基本不考虑与句子语义结构本身的关系。本文在句子级语义标注体系(中文抽象语义表示)的基础上,设计篇章共指的标注体系,以“概念同一性”为基本原则,从词形的异同和概念的表述角度区分9种篇章共指关系,标注了500个篇章的共指信息。与已完整标注的52种句内语义关系相结合,构建出带有篇章共指信息的篇章抽象语义图库。该语料库选自CTB新闻语料,体裁涵盖经济、体育及生活类,规模为6237句,16万词例。该语料库的构建为篇章级语义分析提供了新框架与数据资源。

融合语义分割与模糊推理的无人机应急降落选址算法

随着无人机的应用领域从娱乐摄影拓展到物流、军事和灾害响应,对于无人机的自主智能化要求也越来越高。针对无人机紧急情况下自主降落区域复杂难以保证着陆安全的问题,提出了一种实时语义分割网络与模糊推理相结合的降落选址算法(STDC-LSSNet)。考虑到潜在危险因素在航拍图像上占比小、易被错误分割的问题,提出了小目标特征提取模块(small target feature capture module,STFCM),通过计算不同尺度特征的相似性并进行权重分配,强化小目标特征的表达。考虑到安全区域与危险区域边界混淆会导致无人机降落存在巨大风险,提出了边界特征融合模块(boundary feature fusion module,BFFM),将浅层网络由拉普拉斯卷积得到的边界信息与深层网络的语义信息进行特征融合,引入注意力机制,增强边界区域特征的表达。通过对分割得到的图像进行模糊推理,从而精确识别应急降落地点。所提算法在公开数据集Semantic Drone和AeroScapes上与最先进的算法进行了广泛的对比实验,mIoU提升1.72个百分点和3.89个百分点,实时分割速度达到210 FPS,选址的速度达到58.62 ms,实现了无人机在复杂情况下的应急降落选址。

动态场景下融合深度信息的实时语义SLAM方法

在动态语义同步定位与建图(SLAM)系统中,由于语义分割计算时间长,造成系统的实时性较差,难以满足载体导航以及定位的需要。针对这一问题,本文提出了一种动态场景下融合深度信息的语义SLAM方法框架。首先,采用MASK基于区域的卷积神经网络(R-CNN)对关键帧进行语义分割;然后,利用贝叶斯滤波算法更新特征点的移动概率;最后,融合图像深度信息,通过对深度图像聚类与重投影误差约束辅助去除场景中存在的动态特征点。实验结果表明:相比于ORB-SLAM3算法,本文算法在TUM RGB-D数据集上的定位精度提高了94%,相比于DynaSLAM算法,运行速度提升了93%。

基于特征融合与语义引导的药用胶囊表面缺陷检测

作为制药产业中常见的药剂容器,胶囊质量与病症的治疗效果以及患者身体的健康状况密切相关。因此,在胶囊生产质量管理流程中,产品质检技术对其批量生产与实际效用有着重要意义。为实现药用胶囊表面缺陷的像素级分割,提出一种基于特征融合与语义引导的药用胶囊表面缺陷检测方法。首先,利用特征融合模块聚集多尺度语义信息,使各级特征得到有效利用,以增强对多类目标以及细小缺陷的分割能力;其次,为缓解编解码过程中特征丢失问题,通过语义引导模块对语义信息进行正确疏导,提升缺陷分割的局部效果;最后,在细化分割模块的作用下,进一步优化表面缺陷的分割细节。在胶囊缺陷数据集上的评估结果表明,相比于众多现有方法,所提方法在多维度的评价指标下(包括精度、速度、模型大小以及训练时长)具有更为平衡的整体性能。

面向下一个兴趣点推荐的细粒度时空多语义超图学习

现有的下一个兴趣点(point of interest,PoI)推荐技术存在三个主要问题:使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题,提出一种新颖的超图学习模型FSTMH,细粒度地融合时间、空间和语义信息,用于下一个PoI推荐。FSTMH包括细粒度嵌入模块和多层次嵌入模块。前者通过使用地理图卷积网络和有向超图卷积网络进行学习,获取对应的嵌入信息,并通过对比学习提升PoI表示的质量,使用细粒度超图卷积网络学习该模块的PoI嵌入;后者将多层语义超图输入到多层超图卷积网络,学习多层次语义的PoI嵌入表示。最后,模型将两个模块的PoI嵌入向量进行组合,生成最终的top-K预测结果。通过在广泛使用的三个社交网络公共数据集上进行多种实验,结果均表明FSTMH模型表现出色,说明该新模型可作为提高下一个PoI推荐的有效方法。

基于点云语义分割的猕猴桃冠层叶密度测量方法

提出了一种基于LiDAR的猕猴桃果园叶密度测量方法,旨在为猕猴桃果园冠层喷药提供更精确的指导。首先,使用激光雷达扫描10个密度不同的猕猴桃冠层建立点云数据集,利用RandLA-Net神经网络模型并通过6折交叉验证的方法对猕猴桃冠层的树叶、树枝和T型架点云进行语义分割;然后,计算仅包含树叶信息的冠层点云表面积,通过与人工落叶后的实测冠层叶属性(叶面积、叶片数)进行回归分析比较,得到冠层叶点云表面积与真实冠层叶属性的关系;最后,将3 m×3 m的猕猴桃冠层区域划分为400个225 cm^(2)的小网格区域,用以生成冠层叶密度图。结果表明:RandLA-Net网络模型能够有效地对猕猴桃冠层的树枝、树叶与T型架点云进行分割,模型平均总体精度OA达到92%以上,平均交并比mIoU为81.4%,冠层实测叶面积与冠层叶点云表面积的回归分析中获得了较高的相关性R=0.78,回归方程为y=1.491x+8315。对于每个猕猴桃冠层点云数据,通过Alpha-shape算法计算网格区域的冠层体积和预测网格真实叶面积的方法生成冠层叶密度图。所开发的基于点云语义分割的猕猴桃冠层叶密度测量方法,各项指标均符合预期要求,可以为果园冠层喷药提供更精准的指导。

基于混合语义的切片级智能合约重入漏洞检测

针对现有基于深度学习的漏洞检测方法主要集中在源代码的单一表现形式上,无法完全捕获源代码中包含的丰富语义信息和结构信息,以及大多数方法基于函数粒度,检测样本存在大量与漏洞无关的冗余代码导致检测精度下降的问题,聚焦于智能合约最严重的漏洞之一,即重入漏洞,提出一种基于混合语义的切片级智能合约重入漏洞检测方法SCHyVulDect。根据漏洞特征关键字对智能合约进行切片操作,获得合约切片;构建合约切片的代码图,通过图注意力网络(graph attention network,GAT)提取其深层语义信息。并使用双向长短期记忆网络(bidirectional long-short term memory,Bi-LSTM)和注意力机制,提取切片代码的上下文序列特征,将提取的图结构特征和序列特征进行融合,从而进行漏洞检测。实验结果表明,SCHyVulDect检测重入漏洞的精确率、召回率和F1值分别为96.36%、94.45%、91.70%,比现有的基于深度学习的智能合约漏洞检测方法的精确率提高13.03~18.00个百分点,具有较好的检测效果。

DCaT:面向高分辨率场景的轻量级语义分割模型

语义分割是计算机视觉中分析和理解场景的关键任务,但现有的分割模型需要较高的计算成本和内存需求,不适合高分辨率场景的轻量级语义分割。针对该问题,提出了一种新的面向高分辨率场景的轻量级语义分割模型DCaT。采用深度可分离卷积提取图像的局部语义;使用基于坐标感知和动态稀疏混合注意力的轻量级Transformer获取图像的全局语义;通过模块融合,在低级语义上注入高级语义;通过分割头输出像素预测标签。实验结果表明:与基线模型相比,DCaT在高分辨率数据集Cityscapes上的平均交并比提高了1.5个百分点,模型复杂度降低了26%,推理速度提升了12%。实现了高分辨率场景下模型复杂度与性能之间的更好平衡,证明了DCaT的有效性和实用性。