基于深度学习的颅面点云生成模型

针对实际应用中对初始头骨数据完整性要求高、重建复原时间长、扩展性和实用性不强等问题,论文设计提出一种基于深度学习的形状修补以及形状学习颅面点云复原模型。模型通过使用补全自编码器(Repair AutoEncoder,rAE)从缺失的头骨点云数据中复原完整头骨点云,并通过形状生成自编码器(Generation AutoEncoder,gAE)来生成初始头骨所对应的头面部点云。实验表明该模型补全生成的头骨点云和学习生成的头部点云的复原精度能很好地支撑对头部模型的三维重建。论文提出的深度学习方法与传统方法相比较能够由不完整的头骨数据,快速、逼真和准确地重构三维头部形状,在经典颅面复原任务如:出土残缺古人类头骨补全、面貌复原、刑事案件侦破等任务中展现出良好的稳定性与可扩展性。

融合领域词典的文旅客服问句匹配模型

在文旅领域智能问答中,用户问句文本表征稀疏、口语化表达、一词多义及特定领域词汇的识别困难使得常见的匹配模型难以将用户问句与标准问句进行精准匹配。针对此问题,本文构建了文旅客服问句匹配数据集和相应的领域词典,在此基础上提出一种融合领域词典的文旅问句匹配模型SBIDD(Improved SBERT Model for Integrating Domain Dictionaries)。模型利用Sentence-BERT对问句进行向量化表示,在孪生网络模型中融入领域词典,增强问句的领域词权重,使得模型对领域词汇的识别能力大幅提升。在自建数据集和公开数据集ATEC 2018 NLP上分别进行实验。结果表明,构建的模型与5种经典文本匹配模型DSSM、BiMPM、ESIM、IMAF、TSFR-RM及基线模型SBERT相比效果更优,F1值达到95.65%,比基线模型提升了2.75%,且模型在检索任务上表现出更高的适配性和鲁棒性。

融合时间序列特征的群组推荐模型

针对传统的群组推荐预定义策略过于单一,忽视用户与项目之间的交互性,无法捕捉时间推移所造成的用户偏好迁移等问题,提出一种融合时间序列和注意力机制的群组推荐模型TAGR(time-attitation group rememdation)。首先通过层次聚类划分出高相似度群组,其次引入时间序列模型来捕捉用户偏好迁移过程,获取每个时刻用户行为的兴趣偏好,并聚合各时刻兴趣偏好作为用户偏好。最后结合注意力机制,获得用户权重进行偏好融合来表示群组偏好,最终作为推荐模型的输入。通过在Goodbook与MovieLens数据集上与NCF、AGREE等模型进行对比,TAGR在归一化折扣累计增益和命中率2个指标上都得到了显著提高。

基于深度学习的服装图像语义分析与检索推荐

针对服装检测推荐方法中的服装图像分割算法分割精度不高且存在多尺度特征融合不佳的问题,提出一种基于注意力机制和多尺度特征融合的深度卷积网络服装特征提取分析检索与推荐方法。该方法以图像语义分割算法为基础,从服装图像中提取高级语义信息,通过哈希函数对提取的特征进行编码,并引入ASPP对图像进行多尺度特征提取,然后使用注意力模型对提取到的特征进行融合并构建索引库,最终实现语义相似性服装推荐的功能。实验表明:本方法可以有效提高分割准确度,解决多尺度特征提取的问题,能够成功提取图像中的高层次语义特征,具有较高的分割准确率,在很大程度上提高了服装相似性语义推荐的效率。

一种改进的用于服装解析的自监督网络学习方法

针对现有的服装解析算法在复杂背景下分割准确率较低,依赖姿态估计等问题,提出一种基于深度卷积神经网络的自监督服装解析方法(Deeplabv2-SSL),即在Deeplabv2网络中注入一种自监督的结构敏感学习算法。新的算法在训练过程中不需要标注任何人体关节信息,直接从像素标签中学习人体更高层次的信息,利用学习到的人体关节信息更好地定位服装分割的区域,降低了姿态估计过程中的损失。实验表明,Deeplabv2-SSL网络可以有效地解析服装中人体的个别部位以及服装区域。测试过程中总体像素精度大约83.37%,平均像素精度大约52.53%,较其他语义分割模型性能更佳。

基于无匹配差错的PSI计算

分布式计算有很多应用需要参与各方协同执行集合的一些计算但不泄露各自数据集的信息.保密集合交集(private set intersection,PSI)计算已经成为数据匹配、数据挖掘、推荐系统等应用中保护用户隐私的一个重要工具.本文的主要工作是构造无匹配差错的安全两方保密集合交集运算协议.着重探讨三个问题:(1)开发构造无匹配差错的两方保密集合交集计算所需要的工具(①面向有理数且具有语义安全性的加密方案,②便于集合匹配计算的称之为集合的定长向量编码方法);(2)无匹配差错的两方保密集合交集计算问题;(3)元素为有理数的保密集合交集计算问题.首先在标准模型下设计了一个能够加密有理数的方案,并证明了该方案能抗自适应性地选择明文攻击;而后又提出了一种便于集合匹配计算的,称之为集合的定长向量编码方法;最后基于有理数加密方案和集合的定长向量编码方法构造了两个面向有理数的、无匹配差错的两方保密集合交集协议.与先前的两方保密集合交集协议相较之,这两个协议不仅解决了无匹配差错的两方保密集合交集计算,还拓展了保密集合交集问题中隐私保护的范畴:除了可以保护各参与方的隐私数据外,还可以保护各参与方隐私数据的数量.

基于三维人脸特征的服装个性化推荐及虚拟展示

针对目前服装定制系统未能依据用户个人体貌特征给出服装推荐建议的现状,提出了一种基于三维人脸特征的服装个性化推荐及虚拟展示方法.采用主动外观模型提取正面人脸图像的关键特征点,并基于三维变形模型生成客户的个性化三维人脸.定义了客户脸型和肤色划分及计算方法,依据客户体型、脸型和肤色等体貌特征,结合文中给出的服装推荐规则,实现了服装的个性化推荐.基于Unity3D平台,实现了基于三维人脸特征的服装个性化推荐及虚拟展示原型系统,客户还可以在线与系统交互,自主选择服装款式及面料,系统实时展示服装着装效果,为服装个性化定制提供了理论和技术支持.

融合直觉模糊灰色理论的制造云服务QoS评价方法

为了使用户能够快速从大量功能相似的制造云服务中做出合理选择,在考虑评价指标多样性和评价信息不确定性的基础上,结合灰色理论,给出了一种制造云服务评价方法。首先,构建制造云服务QoS评价模型,并阐述模型的运作机制。其次,搭建了制造云服务的评价指标体系,通过引入直觉模糊数实现非量化指标定义。随后,提出基于直觉模糊灰色关联的云服务排序方法,通过结合云服务制造商评价矩阵和云服务使用者评价矩阵,共同构建云服务直觉模糊综合矩阵,并获取最优属性矩阵,进而求解各制造云服务评价属性和最优服务属性的灰色关联度系数,从而确定关联度,为用户提供排序参考。实验结果表明:提出的算法随着属性权重值的改变,候选服务的排序结果也会发生改变,表明算法具有一定的灵活性。最后,将候选制造云服务的服务质量用该文算法和直觉模糊TOPSIS法、熵权TOPSIS法进行贴近度的对比,算法的贴近度全部大于对比算法,相对于直觉模糊TOPSIS法提升约为12%,相对于熵权TOPSIS法提升约为44%,验证了其合理性和实用性。

面向3D虚拟展示的软件定制化系统研究

针对传统三维虚拟展示软件中存在的编程过程复杂、开发周期长等缺陷,提出一个具有可定制性和扩展性面向虚拟展示的定制方法。该方法基于虚拟现实技术和软件大规模定制技术,设计面向虚拟展示的定制化系统架构;基于软件功能树对系统功能解耦,抽取可复用的公共模块实现参数定制化,封装为功能接口供系统调用;同时定义了系统的定制模板,以描述和配置应用系统的基本信息和个性化定制,从而满足不同企业产品虚拟展示功能定制需求。最后通过具体实例展示验证了该系统的有效性和实用性。

虚拟试衣中人体建模技术的研究进展

人体建模一直是计算机图形学、计算机视觉和虚拟现实等领域的重要研究方向之一。为了更好地展示虚拟试衣效果以及简化虚拟试衣技术实现的难易程度,人体建模技术起着至关重要的作用。本文从人体建模方法以及应用场景角度,回顾总结了人体建模领域一些最新研究成果,对比分析了各类人体建模技术的特点,以及它们所适应的不同应用领域,并展望了未来虚拟试衣的发展趋势。

采用分段RTS的CPHD平滑算法

针对多目标跟踪中的固定间隔平滑问题,将势概率假设密度(CPHD)滤波器和RTS平滑器相结合,提出了RTS的势概率假设密度滤波平滑算法。考虑到在平滑过程中存在较大的输出延迟问题,采用分段思想,提出了分段RTS的势概率假设密度滤波平滑算法。对需要平滑的估计值进行分段;采用匈牙利算法进行航迹-估计关联;对关联后的估计值逐段进行RTS平滑。实验结果表明,与CPHD滤波结果相比,分段RTS的势概率假设密度滤波平滑算法能够更加精确地估计目标状态,并且可以有效避免直接应用RTS平滑造成的实时性欠佳问题。

基于深度学习的机器人复杂动作控制技术研究

本文提出了一种基于深度学习的手势识别来控制机器人做复杂动作的解决方案。本文提出的方案展现出有效的开放性和可扩展性,无论是手势识别还是在机器人复杂动作方面,都可以根据需求做相应调整。同时,本研究工作创建了一个有效的基于人工智能网络的机器人控制实用实验平台。实验设计分别以运用6个基础手势控制机器人在危险环境中清除可疑物品为例,验证了开发的平台可以让机器人实时、远程地完成预设复杂动作,满足现实中自然人机交互的功能。