伪三维激发的全局去噪研究

纳米材料的三维原子结构是影响其功能特性的重要因素,电子显微三维重构技术已成为研究纳米材料和生物大分子三维结构的重要手段.由于高能电子会破坏样品结构,导致重构图像中会出现伪影,因此对重构图像进行去噪处理是十分必要的.针对现有三维图像去噪方法采用分块局部处理,忽略空间邻域信息问题,提出了一种基于伪三维激发的全局去噪网络P3E-Net.针对网络中三维卷积会带来巨大开销,设计了一种伪三维激发模块来降低网络参数量.首先将带噪声的重构图像送入P3E-Net,利用编码器提取图像特征,然后通过伪三维激发模块保存空间信息,最后利用解码器得到去噪后的三维图像.在FCCPt和STEMPt两个数据集上与多个模型进行对比,实验结果表明,与现有模型相比,峰值信噪比提升了3.3dB,原子识别正确率提升了5.6%,网络结构参数量降低了8.7M.

边缘计算中面向多码率视频的缓存、转码和传输联合优化策略

结合边缘缓存技术与流媒体传输技术能有效提升视频服务质量,为降低视频内容提供商的边缘资源租赁成本,提出一种视频缓存、转码和传输联合优化策略。首先,综合考虑视频的缓存、转码、边缘传输和云端传输的成本,以最小总租赁成本为目标建立整数规划模型,并证明其NP-complete性质;其次,根据历史请求数估计视频流行度变化,并对流行视频进行缓存;最后,基于视频的缓存状态,为用户的请求选择成本最低的响应方式。仿真实验表明,所提策略与现有策略相比,可提升请求命中率并有效降低内容提供商的资源租赁成本。

基于空间投影和关系路径的地理知识图谱表示学习

近年来,类人智能技术和相关产品飞速发展,这在很大程度上得益于完备知识图谱的构建,特别是以地理为代表的基础教育知识图谱。传统的知识图谱采用网络知识组织形式进行表示,计算复杂度较高,而且三元组的知识表示形式不能有效地度量和利用实体间语义关联关系。该文构建了基于空间投影和关系路径的知识表示学习算法—PTransW(Path-based TransE and Considering Relation Type by Weight)模型,该模型结合空间投影和关系路径来对翻译模型进行扩展,并加入关系类型的语义信息进行改进。最后,在FB15K数据集和GEOGRAPHY数据集上训练并做链接预测实验。实验结果表明,PTransW模型对复杂关系的建模能力取得了较大地提升;对于规模较小的数据集,复杂度低的TransE和TransR模型将会训练得更充分;但是PTransE和PTransW模型由于利用了关系路径和反向关系中的语义信息,在关系预测方面有很大的优势。

基于内存计算的数据预测分析研究

针对大数据的实时、高效数据挖掘方法进行研究。首先分析了内存计算及流式分析模式;其次讨论了基于内存计算的大数据主要特性;最后通过以上相关研究为基础,提出了基于内存计算的预测分析模型及相关算法。通过实验应用分析验证了所提出的基于内存计算的预测分析方法的可行性,实现了大数据的数据分析的实时性和高效性。

一种嵌入式GPU上的实时图像语义分割方法

复杂的深度学习网络在嵌入式平台上的推理速度较低,很难满足实际应用需求.因此针对自动驾驶、智能机器人等实时性应用背景,提出了一个轻量级图像语义分割网络,并利用NVIDIA的推理加速器TensorRT进行合并层、精度校准、并行优化等操作,提高模型的计算效率,在嵌入式平台上实现了对深度学习模型的推理加速.实验结果表明,提出的模型在Cityscapes数据集上取得了72. 17%的m Io U,对于尺寸为512×1024的输入图像,经过TensorRT的推理加速后,在嵌入式平台NVIDIA Jetson Xavier上达到了45 FPS的推理速度,该速度约为原模型的1. 8倍.提出的模型和优化方法在保留较高准确度的前提下,实现了嵌入式平台上的实时图像语义分割,为深度学习模型在嵌入式平台上的实时性应用提供了支持.

可更新属性的链上数据访问控制方法

区块链中节点数据保持同步更新,使得链上数据公开透明.因此保护链上交易数据的隐私安全是必不可缺的,访问控制是保护隐私安全的重要手段之一.针对区块链中数据的隐私安全问题提出了一种属性基加密访问控制方法.首先将访问策略与节点属性通过智能合约部署到区块链当中,保证当前策略与节点属性相对应并且不可篡改;其次利用密文-策略属性基加密(Ciphertext-Policy Attribute-Based Encryption,CP-ABE)方法对数据加密上链,使得链上数据在密文状态下进行存储.最后通过访问控制合约,对访问请求节点属性与区块应用的访问策略自动判定授权,实现链上数据访问控制.安全性分析及实验表明,该方法实现在访问策略更新、节点属性改变的条件下,实现对链上数据细粒度的访问控制.

基于可信向量的知识图谱上下文感知表示学习

面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的三元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得三元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。

基于ISA网络的视频人体行为分类识别

采用基于独立子空间分析(ISA)模型与神经网络理论形成的ISA深度网络模型特征提取方法,并结合数据预处理方法、K-means聚类方法以及支持向量机(SVM)分类器等实现对视频人体行为的分类识别.将本研究方法应用到Hollywood2人体行为数据集上进行人体行为识别实验,并与其他常用人体行为特征提取和识别方法进行对比,实验结果验证了本研究方法在人体行为分类识别中的有效性.