改进FCOS算法的车辆检测方法研究

针对目前车辆检测的误差率高、检测速度慢等问题,提出一种基于改进全卷积单阶段(Fully Convolutional One-Stage Object Detection,FCOS)的车辆检测算法。通过引入一种考虑多个几何特征的交并比损失函数,改善了训练过程中高长宽比车辆、并行车辆难以准确回归的现象;使用多尺度卷积结合多维特征信息,增强了算法对不同尺度检测的鲁棒性;根据车辆检测场景改进了回归尺度,提高模型的推理准确度。实验结果表明,该方法在车辆检测任务中能够明显提升检测精度并保持检测速度不下降。

本体演化的波及效应计算优化研究

鉴于使用Floyd-Warshall算法对规模较大的本体评估具有时间复杂度与空间复杂度较高且未考虑本体演化过程中各版本之间的关联,提出基于邻接表的SPFA(shortest path faster algorithm)优化波及效应的计算。该算法不仅在大规模本体计算中具有计算效率的优势,而且可以简化版本迭代过程中波及效应的计算过程。实验结果表明,使用SPFA在计算本体的波及效应相比于基于邻接矩阵的方式具有一定的时间优势,并且这种优势随着时间的变化逐渐增加;在本体演化的波及效应计算时间中,本体演化后版本的计算时间大约与原有方法相差较少,证明了优化计算的有效性。

一种面向药物-靶点相互作用预测的不平衡数据处理方法

为了解决药物-靶点相互作用(DTI)预测中数据集样本分布不平衡的问题,提出了一种新的数据处理方法。通过词向量特征提取,将原始蛋白质序列信息和药物化学结构信息转换为低维向量特征,组合药物特征和靶点特征来表征药物-靶点相互作用;采用Borderline-SMOTE技术合成少数类样本,以改善数据集的样本分布;最后将处理好的数据输入到梯度提升决策树(GBDT)分类器中进行分类预测。实验结果表明,本文方法不仅能有效提取药物-靶点相互作用的特征,加快特征提取和特征选择的过程,还能缓解数据集的不平衡性对预测结果的不利影响,提高了预测模型的性能。

基于图结构特征采样数据摘要的联邦知识图谱查询

联邦SPARQL查询是通过构建查询计划来指导查询执行,数据摘要索引文件捕获了RDF数据集的结构和语义信息,对查询计划生成过程中子查询基数评估至关重要。现有的数据摘要生成方法需要远程遍历每个数据源的完整数据,该过程成本消耗较高,且在大部分环境中联邦查询无法完成对大数据集的统计工作。为在减少数据摘要索引文件生成时间和内存开销的同时捕获尽可能真实的计数信息,考虑主语和谓语的分布偏差,提出利用样图生成原始图近似数据摘要的方法。使用对RDF图出度特征加权的采样方法获取原始图的典型样图,通过改进的映射函数将样图中的信息映射到原始图上,从而生成原始图的近似数据摘要。实验结果表明,该方法相比于基线方法至少节省了70%的数据摘要索引文件生成时间,并且仅采样0.5%的原始图生成的近似数据摘要即可在查询正确率上与基线方法保持高度一致。

基于双重数据增强策略的音频分类方法

卷积神经网络模型作为音频特征提取器具有较好的应用效果,但该类模型的训练过程对数据量要求比较高。针对这一问题,本文提出一种基于双重数据增强策略的音频分类方法。首先采用传统音频数据增强方法(旋转、调音、变调、加噪),并将增强后的数据转化为语谱图,再采用随机均值替换法进行谱图增强。在此基础上训练Inception_Resnet_V2神经网络模型作为音频特征提取器,最后训练随机森林模型作为分类器完成音频分类任务。实验结果表明,与已有方法相比,采用双重数据增强策略可明显提升音频分类精度,并且训练出的特征提取模型具有较强的泛化能力。

基于改进多嵌入空间的实时语义数据流推理

将语义数据流处理引擎与知识图谱嵌入表示学习相结合,可以有效提高实时数据流推理查询性能,但是现有的知识表示学习模型更多关注静态知识图谱嵌入,忽略了知识图谱的动态特性,导致难以应用于实时动态语义数据流推理任务。为了使知识表示学习模型适应知识图谱的在线更新并能够应用于语义数据流引擎,建立一种基于改进多嵌入空间的动态知识图谱嵌入模型PUKALE。针对传递闭包等复杂推理场景,提出3种嵌入空间生成算法。为了在进行增量更新时更合理地选择嵌入空间,设计2种嵌入空间选择算法。基于上述算法实现PUKALE模型,并将其嵌入数据流推理引擎CSPARQL-engine中,以实现实时语义数据流推理查询。实验结果表明,与传统的CSPARQL和KALE推理相比,PUKALE模型的推理查询时间分别约降低85%和93%,其在支持动态图谱嵌入的同时能够提升实时语义数据流推理准确率。

基于YOLOv3与MSER的自然场景中文文本检测研究与实现

针对在复杂的自然场景中中文本倾斜、模糊、光照等检测难题,提出一种基于卷积神经网络YOLOv3与最大极值稳定区域MSER的检测方法YOLOv3-M,并针对中文场景分别改善YOLOv3与MSER。通过YOLOv3算法对图像文本区域的矩形坐标进行回归预测,设计一个基于MSER的角度检测方法与之关联,实现倾斜文本行的检测。YOLOv3-M弥补了YOLOv3不能检测倾斜目标的缺点以及MSER检测容易被复杂场景干扰的缺点,并且YOLOv3与MSER都在检测速度上有着优秀的表现。实验结果表明,YOLOv3-M算法准确率达到81.2%,召回率达到69.7%,其检测速度达到45帧/s。

基于流动图与时间上升频的实时云层移动研究

现有基于光线步进的云层渲染方法能够较好地得到云层形状,但渲染效率不高且在云层移动时边缘会缺失云层移动形变细节且出现不连续的情况。针对上述问题,提出了一种基于流动图的云层移动渲染算法,算法的核心思想是利用流动图控制云层在移动时竖直方向上的偏移,使云层随风连续形变的同时增加一定前向扭曲效果。其次,为保证渲染的实时性,利用交叉矩阵来降低单帧渲染像素的数量,提高渲染速度。最后,提出使用时间上升频来增强减少渲染像素后的渲染结果。相较于未使用流动图的云层移动算法,所提算法能够在性能增加不超过10%的情况下表现出云层移动时的整体形变以及向风向连续翻滚的效果。

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。

基于比例池化的RGB图像语义分割网络

针对传统的金字塔多级特征融合算法进行语义分割时存在的特征图有效信息弱和噪声叠加效应等问题,提出一种基于比例池化的混合注意力机制。首先在主干网络特征输出处引入比例池化注意力模块对输入特征图进行不同程度的语义信息抽取和特征降噪,突出特征图有效特征信息占比,随后将不同内核的池化结果作为级联金字塔结构的输入特征,对降噪后的多尺度特征进行融合,平滑图像噪声实现特征二次降噪和小目标物体语义信息增强。实验在Pascal VOC 2012数据集上验证了该方法在分割领域上的有效性,并采用平均像素准确率(mPA)和平均交并比(mIoU)作为模型的性能评估指标。实验结果表明,基于比例池化的金字塔网络在mPA和mIoU上达到了90.19%和79.92%,优于对比的语义分割方法。

边缘引导和拉普拉斯金字塔分解的古文本图像修复算法

针对当前图像修复算法应用到古文本图像上时,出现纹理模糊或结构内容不完整的问题,提出边缘引导和拉普拉斯金字塔分解的古文本图像修复算法.首先利用边缘修复模块对古文本图像的边缘结构进行修复,重建缺损区域的边缘信息;然后利用预训练的文字学习模块对局部缺损区域进行内容修复,得到一幅局部内容修复图像,并进行拉普拉斯分解;最后在拉普拉斯金字塔修复模块中,根据图像的低层和高层特征,利用内容修复模块对图像进行递进修复,内容修复模块中引入双交叉编码器和多尺度融合块,有助于获取更加有效的特征信息,生成纹理结构完整的图像修复结果.在古文本图像数据集的测试集上进行实验的结果表明,各项图像质量评估指标中,峰值信噪比为34.322 dB,结构相似性为0.970,均方根误差为5.203,验证了所提算法的有效性和可行性.

结合规则学习与深度学习的诊疗关系抽取

诊疗关系的自动识别和抽取有助于医生进行诊疗决策。传统的关系抽取模型对部分数据没有良好的解释性,因此,以神经网络进行规则学习和泛化,设计打分机制,通过规则匹配实现关系抽取,而后对未正确匹配数据进行针对性深度学习模型训练,完成最终的诊疗关系抽取。使用以疾病为中心的诊疗流程相关文本展开实验验证该方法的效果。实验结果表明,该方法不仅通过少量人工规则使关系抽取增加了可解释性,还可以显著提高关系抽取的效果。

基于查询特征表示学习的联邦复杂查询基数估计

准确的基数估计是实现最佳查询计划的关键因素,现有方法大多基于深度学习来解决基数估计问题。然而,这种基于RDF图模式的方法专注于具有特定拓扑结构的简单查询,适用范围有限,缺乏对现实场景中频繁使用的复杂类查询的支持。为了解决以上问题,提出一种基于查询特征表示学习的联邦复杂查询基数估计模型。该模型主要处理带有FILTER或DISTINCT关键字的复杂查询,使用新提出的FILTER查询特征化方法将SPARQL查询表示为特征向量,通过模型预测查询基数。同时使用模型预测DISITINCT查询中唯一行比率。在LUBM数据集上的实验表明,与最先进的基数估计方法相比,该模型在估计质量上表现优异,平均估计误差中位数可达1.16,并对多连接查询的基数估计表现出潜力和可扩展性。

融合依存句法和实体信息的临床时间关系抽取

在临床文本中,时间关系对于研究患者的病情和治疗方案至关重要。而目前的时间关系抽取基于简单时间比较,仅判断4种时间关系。考虑中文临床文本中还存在大量的复杂时间和关系,现有时间关系抽取任务不能全部表达临床事件的时间关系,参考CTO时间本体将抽取任务扩展为复杂时间关系抽取。同时针对中文临床文本语义的复杂性,提出了融合依存句法和实体信息的模型学习中文句子的整体信息和实体信息。该模型针对句内时间关系和句间时间关系设计依存特征矩阵引导BERT的编码器聚合全局信息和局部信息,然后导出句子表征向量,在此基础上使用内积和哈达玛积提取丰富的实体信息,最终将句子信息和实体信息导入分类器判断时间关系。与基线模型和其他深度学习模型相比,证明了该模型的有效性。

基于多视角匹配的中文问答对自动生成框架

针对目前问答对生成方法中问题与答案不完全匹配的问题,提出一种基于神经网络自动从中文生成问答对的方法。使用命名实体识别和规则的方法从文本中抽取关键词,确定问题的主题;使用多视角匹配的神经网络模型从文本中生成问题,避免对手工模板强依赖;使用阅读理解模型根据问题生成置信度更高的答案。实验结果分析表明,生成问题的质量高于基于模板的方法,并且能够过滤80%的不匹配问答对。

基于特征进化选择随机森林的MCI自动诊断

近年来,作为正常与阿尔茨海默病过渡阶段的轻度认知障碍(Mild Cognitive Impairment,MCI)病症的研究备受关注。但目前的医学MCI人工诊断不仅参考的特征局限性较大,且依靠人工判定,易产生主观上的误差。因此,提出一种基于随机森林的MCI自动诊断方法,通过机器学习的方式,高效准确地判定MCI;同时应用遗传算法更高效地搜索求解模型的最优参数。结果表明,该方法与医学人工诊断方式相比准确率提高约5%,且在求取随机森林的最优参数问题上,与网格搜索相比,遗传算法所用时间约为其1/45。

面向模糊主题复杂问句的阶段性查询图生成

论文面向无主题实体和多主题实体的模糊主题复杂问句,提出了一种基于阶段性查询图生成的改进方案。针对无主题实体复杂问句,论文提出了以答案节点为起始节点的查询图构造方案。针对多主题实体复杂问句,论文提出了一种基于规则和Transformer编码器的主题实体选取策略,提高了问答的准确性。在四个数据集上的对比实验结果表明,该方法在复杂问题问答上的表现优于最近表现较好的Multi-hopCQA。

基于用户密度和平均访问时间的边缘服务器放置方法

为解决边缘服务器放置过程中资源浪费和延迟增加的问题,对边缘服务器放置方案的用户密度和平均访问时间进行分析建模,将其描述为多目标优化问题。设计了一种基于用户密度和平均访问时间的边缘服务器放置方案,并提出了一种多目标海马遗传算法(MOSGA)解决该问题。MOSGA首先使用多目标优化算法的思想对海马优化(sea horse optimizer,SHO)算法进行改进,使SHO算法能够适用于多目标优化问题,并在此基础上使用遗传算法改进SHO算法的繁殖操作,使MOSGA能更好地跳出局部最优解,加速问题的求解。该算法在上海电信数据集上进行了实验验证,仿真实验结果表明,MOSGA明显优于RA、K-means、NSGA、LMM,不仅有效解决了服务器资源浪费的问题,同时大大降低终端设备访问服务器的时间。

结合多尺度融合和图匹配的行人重识别

由于行人遮挡、视角变化等因素影响,传统的行人重识别并不能准确表达遮挡行人的信息。针对该问题,提出一种基于多尺度融合和图匹配的网络模型。分为提取不同尺度的特征和基于拓扑结构匹配图像两个部分,将主干网络分为两个子分支分别提取全局特征并融合多个网络层面的局部特征;使用多头注意力机制学习相邻关键点的关系,基于拓扑结构匹配图像并预测相似度结果。使用ResNet-50作为主干网络,在Occluded-Duke数据集上的Rank-1和mAP分别是64.8%和59.9%,验证该模型在遮挡行人重识别中有一定程度的准确率提升。

边缘场景下基于DDQN的容器组调度策略

工业互联网中存在大量部署于边缘服务器上的在/离线容器服务,这些容器服务一方面承载着低延时,高响应的需求,另一方面又具有错综复杂的调用关系。通常边缘集群的调度策略并未考虑到容器服务之间的依赖关系,这导致具有依赖关系容器服务可能在调度过程中被分散到不同的边缘节点上,并由此产生大量跨节点调用造成额外资源损耗。针对具有依赖关系的容器,该文提出面向边缘场景的容器组调度优化策略。首先通过容器聚类算法CDSC(Container Dependency Spectral Clustering)将有依赖关系的容器划分为一个或多个容器组,使得组内容器依赖强度尽可能的大,组间依赖强度尽可能的小,以减少其进行跨节点调用的频率;再通过引入双深度Q网络模型(Double DQN)将容器组作为基本调度单位,以容器依赖开销,集群和节点内部负载为优化目标,根据边缘节点实际情况自适应学习优化调度策略,使其能应对复杂多变的边缘集群情况。经实验表明,相比于传统的启发式算法和其他深度强化学习算法,该算法在容器服务响应时间、集群和节点负载方面具有明显的优势。