知识图谱复杂网络特性的实证研究与分析

知识图谱是人工智能研究的新热点,用于解决智能检索、自动回答等应用问题.概念图谱是微软发布的大型知识图谱,本文以概念图谱为研究对象构建了概念图谱网络,并对其特性进行了分析.为解决概念图谱海量数据带来的计算困难,提出一种适合概念图谱的最大子网构建方法和一种网络近似平均路径的计算方法;对不同度值给出了不同的聚类系数求解方法,并通过Map/Reduce模式进行提速.结果表明:概念图谱网络具有无标度和极端小世界网络的特征;平均路径长度随网络规模增加而减小并趋于4这一定值,网络的"菱形"结构能很好地解释这一现象;概念图谱网络是异构的,相邻节点的度负相关;k-shell分解表明子概念占核心层节点的99.5%,在概念图谱中起重要的连接作用;子概念的缺失对概念图谱的完整性影响最大、概念其次、实例最小;82%的实例节点度为1, 40%的概念节点度为1,实例比概念更不易因一词多义而引起理解歧义.

联合多流融合和多尺度学习的卷积神经网络遥感图像融合方法

为尽可能保持原始低分辨率多光谱(LRMS)图像光谱信息的同时,显著提高融合后的多光谱图像的空间分辨率,该文提出一种联合多流融合和多尺度学习的卷积神经网络遥感图融合方法。首先将原始MS图像输入频谱特征提取子网得到其光谱特征,然后分别将通过梯度算子处理全色图像得到的梯度信息和通过卷积后的全色图像与得到的光谱特征图在通道上拼接输入到具有多流融合架构的金字塔模块进行图像重构。金字塔模块由多个骨干网络组成,可以在不同的空间感受野下进行特征提取,能够多尺度学习图像信息。最后,构建空间光谱预测子网融合金字塔模块输出的高级特征和网络前端的低级特征得到具有高空间分辨率的MS图像。结合WorldView-3卫星获取的图像进行实验,结果表明,所提方法生成的融合图像在主观目视检验和客观评价指标上都优于大多先进的遥感图像融合方法。

一种基于RippleNet模型的推荐精度提高方法

RippleNet模型引入向量表示的同时充分利用实体连接关系,挖掘高阶语义,实现精准推荐,但并没有充分考虑到数据的重要性。通过构建概念图谱的最大子网,消除数据的冗余,提高RippleNet模型的推荐精度。利用构建最大子网的思想,通过最大子网以消除原始数据冗余。处理冗余数据后,对比原始数据,在Top-k场景中不同k值的平均准确率提高1%,在CTR点击率预测场景下所得到的平均AUC值从91.3%提高到91.9%。实验表明,通过提取最大子网可以提高推荐精度。

融合渐进式去雨网络的军用车辆检测算法

针对雨天场景下检测军用车辆目标时出现的精度退化问题,提出一种将渐进式去雨算法与高精确率检测器相融合的军用车辆检测方法。首先设计了一个图像去雨算法HISPNet,其包括轻量级高效雨纹特征提取模块和跨子网雨纹特征融合模块,捕获雨纹信息的同时缓解卷积过程中的细节特征丢失问题;其次引入SPPFCSPC模块改进了单阶段检测器,保证检测器感受野的同时提高了效率,增强了检测模型的表达能力。自建数据集中的实验结果表明,雨天场景下,相较于经典检测算法YOLOv7,所提算法的mAP@0.5、mAP@0.5:0.95分别提升了4.4%、2.8%,算法检测速度达到21.05 f/s,基本满足检测实时性要求,证明了所提算法的有效性与实用性。