基于实体描述和关系图卷积神经网络的实体分类研究

随着大数据时代的来临,人工智能快速发展,知识图谱已经在垂直搜索和智能问答等领域中发挥着重要的作用。但是,即使是全世界上最大的知识图谱也仍然不完整,所以知识推理一直是知识图谱的研究热点之一。本文提出了一个融合实体描述和关系图卷积神经网络(R-GCN)的模型(DR-GCN),并将其应用于知识推理中的标准任务:实体分类(Entity Classification),即缺失实体属性的恢复。R-GCN是根据图卷积神经网络(GCN),专门针对实际知识图谱的高度多元关系数据特征而开发的一类图卷积神经网络。本文研究的DR-GCN模型,该模型充分利用了知识图谱中的关系类型、关系方向、实体自循环、实体描述等信息进行实体分类。本文对DR-GCN模型进行了彻底的评估,并与已建立的基线进行了比较。实验表明,DR-GCN模型的实验结果比现有的基线有所提高,在AIFB和BGS数据集上,DR-GCN模型的准确率分别比基线中准确率最高的G-GAT和RDF2Vec模型的96.19%和87.24%高0.24%和0.35%,验证了改进后的模型效果更佳。

基于关系图卷积神经网络的链接预测研究

本文提出了一个基于实体描述和关系图卷积神经网络的模型(DR-GAT),在R-GCN模型的基础上融入了实体描述信息和加入了注意力机制,并将其应用于基本的知识库完成任务:链接预测(Link Prediction),即缺失三元组的恢复。实验结果证明,DR-GAT+模型与现有的基线比较时,在FB15K-237数据集上比现有基线R-GCN+的Hits@10指标高出0.81%,验证了改进后的模型链接预测效果更佳。

博物馆云展览的内涵阐释与发展建议

博物馆云展览已成为当前我国博物馆文化传播格局中的重要增长极。通过回顾国内外云展览发展历程,梳理出萌芽期、技术融合期与形态多元期三阶段,界定了云展览可脱离实体展览而存在、包含虚拟交互和人际交互的概念要点,并提出以构建逻辑为顶层分类指标,以技术方法为二级分类指标,以功能应用为二级分类的附加指标的云展览分类标准,区分“复制型云展览”和“重构型云展览”两大类型。在此基础上,提出云展览区别于线下展览的“无限关联”“虚拟交互”“用户自主创造”与“网络社群广泛对话”四大核心特征。最后,从理念层面的思维转型、研究层面的体系构建与机制层面的革新重塑等角度给出我国博物馆云展览理论与实践的未来发展建议。

基于经纬映射与透视投影的球形图像校正

图像校正问题是图像处理领域内一个普遍存在的问题,由于成像系统的像差、畸变和带宽、摄像机姿态和成像设备扫描的非线性、运动模糊、辐射失真和噪声引入造成的图像失真都会给图像处理带来一定阻碍,所以需要通过图像校正将畸形图像恢复为原始图像的外观。由特殊镜头所拍摄得到的广角360°视场的球形全景图虽然能将更多的场景容纳到视场中,但是其图像也产生了一定程度的畸变。为了解决广角360°视场的球形图像畸变的问题,提出一种基于经纬映射与透视投影的球形图像校正方法。通过改进的经纬映射法和改进的球面透视投影法对球形图像进行校正处理,将球形图像转化为复杂度较低的鱼眼图像,然后再进一步实验达到最终的校正效果,以更适应人的视觉效果。与其他两种校正图像的算法比较表明,该方法降低了图像的扭曲程度,建立映射关系的时间更少。

基于ORB和SLIC超像素分割的特征点匹配方法

为了增加特征点的提取数量以及提高特征点匹配正确率,本文提出一种基于ORB和SLIC超像素分割的特征点匹配方法。首先利用ORB算法提取出特征点进行匹配,同时加入SLIC超像素分割算法的限制因素进一步提高精度,最后得到优化的特征点匹配结果。本文将SIFT算法,SURF算法和ORB算法相比较,以多次测试求取平均值的方式得出实验数据,得出特征点提取数量的比较情况和特征匹配准确率的比较情况。

球幕相机对大型建筑物及场景的三维数字化及其展示手段

本文探讨了一种全新的三维数字化重建技术在建筑古迹及大型建筑物方面的快速、高效且成本低廉的三维建模方法,无需依赖昂贵的三维测绘仪或激光探测仪,而是建立在计算机软件基础上进行自动化建模。数据输入采用360度全景图像,而不是传统的针孔相机,十分适合于大型建筑及古迹等大型场景的三维数字化重建。作为数据输入的每一幅二维照片视野更广,信息更全面。对于相同的场景,此方法的数据采集点仅为针孔相机的十分之一,大大提高了效率。