基于社会背景信息的多任务谣言检测方法

随着互联网的迅猛发展,社交媒体如微信、Twitter等呈现出飞速增长的趋势。一些居心叵测的人利用社交媒体平台制造并传播谣言,对个人、国家和社会产生了负面影响。因此,研究自动化的谣言检测方法具有重要价值。现有研究发现,在谣言检测过程中,不仅可以利用谣言及其相关推文的文本内容,还可将谣言传播过程中产生的一系列社会背景信息(如用户信息、转发次数和点赞数等)作为识别谣言的依据。与此同时,为克服数据量不足对模型性能的影响,多任务学习应运而生。多任务学习旨在通过对共享参数进行训练,实现任务间的信息交互,从而提高各任务的性能。在多任务学习和相关社会背景信息研究的启示下,将基于文本内容的谣言检测任务和基于社会背景信息的谣言检测任务相结合,构建了一种基于社会背景信息的多任务谣言检测模型,以期提升谣言检测效果。此外,还探讨了如何利用多任务学习技术优化谣言检测模型,以及如何从社会背景信息中提取更有价值的特征来提高模型的准确性。

基于选择性层级特征交互的遥感影像道路提取

及时准确地提取道路信息在城市规划、交通导航、灾害管理等领域具有重要意义。为提升遥感影像道路提取的性能,提出了一种基于选择性层级特征交互的双解码器网络(SHFINet)。为解决道路提取面临的阴影遮挡问题,设计了一种多尺度特征自注意力模块(MCFA)。针对跳跃连接中容易引入噪声的问题,提出了一种选择性层级特征交互模块(SHFI)。采用两种不同形式的解码器对特征进行重构,更有效地实现不同层级特征的信息交互。

基于CUDA加速的Vibe前景检测算法

为了更好地满足视频跟踪领域的实时性问题,文章提出一种基于CUDA加速改进后的Vibe前景检测算法。首先对Vibe算法做前景分析,并对该算法进行GPU并行优化处理。然后,对优化后的算法与原始的Vibe算法,在调节相应的参数的同时,统计对比分析了漏检率和误检率等性能上的差异。实验结果表明,在相同参数的情况下,优化后的算法较原始的算法在速率上提高了近2-3倍。