针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对...针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对人脸区域的关注,并同时降低非均匀光照与噪声带来的负面影响;此外,引入注意力边界框损失函数WIoU(Wise Intersection over Union),以提升网络对低质量人脸的检测准确率;最后,使用更有效的特征融合模块代替模型原有结构。在低照度人脸数据集DARK FACE上的实验结果表明,所提方法的平均检测精度AP@0.5相较于原始YOLOv7模型提升了2.4个百分点,精度平均值AP@0.5:0.95提升了1.4个百分点,并且不引入额外参数与计算量。另外,在其他2个低照度人脸数据集上的结果也表明所提方法的有效性与鲁棒性,证明所提方法适用于不同场景下的低照度人脸检测。展开更多
针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通...针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通过该列表加强方面词与对应情感的相关性;其次,构建融合POS和依赖关系的联合列表,通过该联合列表去除已优化的依赖树无效单词与标点符号的冗余信息;再次,将优化后的依赖树与图注意力网络(GAT)结合建模提取上下文特征;最后,与依赖关系类型的特征信息进行交互学习并融合特征,增强特征表示,最终使分类器能高效预测每个方面词的情感极性。将所提模型在4个公开数据集上进行实验分析,与DMF-GAT-BERT(Dynamic Multichannel Fusion mechanism based on the GAT and BERT(Bidirectional Encoder Representations from Transformers))模型相比,所提模型的准确率分别提高了1.48、1.81、0.09和0.44个百分点。实验结果表明,所提模型能够有效增强方面词与情感词的联系,使方面词情感极性的预测更准确。展开更多
文摘针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部构建层级式的多尺度架构来避免多通道数据的冗余交叉计算,同时保证网络的多尺度表达能力.此外,设计的层级感知模块通过逐层级的多粒度特征融合,在细粒度级别表达多尺度特征,有效地提高分布估计的精确性.该方法是一个平衡检测精度与计算效率的解决方案.在两个公开数据集上的实验表明,所提方法相较于以往的检测模型能够获得更高的检测精度(在MVTec AD和BTAD数据集上的平均AUROC(Area under the receiver operating characteristics)分别为99.7%和96.0%),同时具有更高的计算效率,浮点运算次数(Floating point operations,FLOPs)约为CS-Flow的1/8.
文摘针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对人脸区域的关注,并同时降低非均匀光照与噪声带来的负面影响;此外,引入注意力边界框损失函数WIoU(Wise Intersection over Union),以提升网络对低质量人脸的检测准确率;最后,使用更有效的特征融合模块代替模型原有结构。在低照度人脸数据集DARK FACE上的实验结果表明,所提方法的平均检测精度AP@0.5相较于原始YOLOv7模型提升了2.4个百分点,精度平均值AP@0.5:0.95提升了1.4个百分点,并且不引入额外参数与计算量。另外,在其他2个低照度人脸数据集上的结果也表明所提方法的有效性与鲁棒性,证明所提方法适用于不同场景下的低照度人脸检测。
文摘针对语法依赖树存在多个方面词相互干扰的依赖信息、无效单词,以及标点符号带来的冗余信息和方面词与对应情感词之间的关联性较弱等问题,提出一种融合强关联依赖和简洁语法的方面级情感分析模型(SADCS)。首先,构建情感词性(POS)列表,通过该列表加强方面词与对应情感的相关性;其次,构建融合POS和依赖关系的联合列表,通过该联合列表去除已优化的依赖树无效单词与标点符号的冗余信息;再次,将优化后的依赖树与图注意力网络(GAT)结合建模提取上下文特征;最后,与依赖关系类型的特征信息进行交互学习并融合特征,增强特征表示,最终使分类器能高效预测每个方面词的情感极性。将所提模型在4个公开数据集上进行实验分析,与DMF-GAT-BERT(Dynamic Multichannel Fusion mechanism based on the GAT and BERT(Bidirectional Encoder Representations from Transformers))模型相比,所提模型的准确率分别提高了1.48、1.81、0.09和0.44个百分点。实验结果表明,所提模型能够有效增强方面词与情感词的联系,使方面词情感极性的预测更准确。
