检索结果-内蒙古大学图书馆

航空兵器 2025年第02期 87-93页

作者：李强崔江辉中国空空导弹研究院南京航空航天大学

与通用目标检测相比，小目标检测由于低分辨率和抗干扰噪声能力有限而更加具有挑战性，充分利用上下文语义信息对于解决小目标检测存在的问题具有重要的意义。本文在YOLOv7模型的基础上，提出了一种基于上下文语义融合模块的轻量级网络... 详细信息

与通用目标检测相比，小目标检测由于低分辨率和抗干扰噪声能力有限而更加具有挑战性，充分利用上下文语义信息对于解决小目标检测存在的问题具有重要的意义。本文在YOLOv7模型的基础上，提出了一种基于上下文语义融合模块的轻量级网络模型算法。该模型由主干网络、多尺度特征表示网络和检测头部三部分组成。其中，模型利用部分卷积构建主干网络P-Net,在保证检测效果的同时进一步减少计算量；在传统特征金字塔网络结构中引入卷积自注意力模块，减少上下采样过程中的信息丢失；采用差异化检测头部检测不同尺寸的目标。在航空图像小目标检测(Aerial Image Tiny Object Detection, AI-TOD)数据集上的实验表明，本文提出的模型算法在AI-TOD基准上平均精度达到21.6,速率达到161 frame/s,超过了其他检测模型算法。此外，在具有较低参数量及计算量时检测效果优于其他检测模型，同时消融实验的结果表明本文提出的改进模块均具有效性。

关键词：目标检测上下文表示轻量化网络卷积自注意力特征融合

来源：评论

学校读者我要写书评

暂无评论

基于上下文表示的知识追踪方法

引用

计算机工程与科学 2022年第9期44卷 1693-1701页

作者：王文涛马慧芳舒跃育贺相春西北师范大学计算机科学与工程学院甘肃兰州730070 西北师范大学心理学院甘肃兰州730070 西北师范大学教育技术学院甘肃兰州730070

知识追踪是教育数据挖掘领域中一个十分重要的问题,旨在利用可观测到的学生历史交互数据和习题包含的知识点相关信息来推断学生对知识点的掌握情况。已有方法虽在不同程度上取得了一些进展,但大多忽略了使用知识点表示习题的重要性,并... 详细信息

知识追踪是教育数据挖掘领域中一个十分重要的问题,旨在利用可观测到的学生历史交互数据和习题包含的知识点相关信息来推断学生对知识点的掌握情况。已有方法虽在不同程度上取得了一些进展,但大多忽略了使用知识点表示习题的重要性,并且对使用诸如学习因素之类的上下文表示知识点的研究也不够充分。针对上述问题,提出基于上下文表示的知识追踪方法KTCR。首先,综合考虑影响学生学习过程的因素,并基于学生响应数据设计了知识点上下文表示方法,从而基于Q矩阵表示知识点上下文;其次,为了实现习题向量的降维,利用融合上下文信息的知识点和学生响应数据对习题向量进行重表示;最后,结合学生历史交互数据,使用长短期记忆网络对学生的知识状态进行估计。在4个真实数据集上的实验表明了本文方法对于习题嵌入表示的合理性,并且能够有效地估计学生的知识状态。

关键词：知识追踪教育数据挖掘上下文表示 Q矩阵长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

机器翻译上下文表示方法研究

机器翻译上下文表示方法研究

引用

作者：陈科海哈尔滨工业大学

学位级别：博士

近些年,通过大规模神经网络将自然语言单元表示为连续空间向量用以代替传统的离散符号的方法,极大地提升了各种自然语言处理任务的性能。机器翻译作为自然语言处理领域中最具挑战性的研究任务之一,从最初利用神经网络方法改善统计机器... 详细信息

近些年,通过大规模神经网络将自然语言单元表示为连续空间向量用以代替传统的离散符号的方法,极大地提升了各种自然语言处理任务的性能。机器翻译作为自然语言处理领域中最具挑战性的研究任务之一,从最初利用神经网络方法改善统计机器翻译模型,再到构建端到端的神经网络机器翻译模型,机器翻译取得了巨大的进步。面向机器翻译的神经网络方法通常基于句子中的上下文信息来隐式地学习源端句子表示和目标端译文生成。由此可见,上下文信息在机器翻译中扮演着极为重要的角色。神经网络方法能够通过连续空间的向量捕获翻译上下文信息和被预测目标单词之间的语义相似性,但由于神经网络的训练具有较高的时空复杂度,导致其仅仅在词级别上来模拟翻译上下文信息用于生成目标语言翻译。直观上,一个自然语言句子的构成,不仅包括基本的词级别信息,而且包括高阶上下文信息,比如局部上下文、结构化上下文和句子级主题上下文等信息。与基本的单词信息相比,这些具有丰富翻译知识的上下文信息往往会导致大规模的高阶上下文单元,而直接通过神经网络建模又会面临严重的数据稀疏性问题和极大的时空复杂度。为此,本文首先探索如何利用神经网络来表示机器翻译中的高阶上下文单元,并以基于依赖的双语上下文为切入点在统计机器翻译中进行了有效性验证。其次,基于这种高阶上下单元表示方法,依次从局部上下文、结构化上下文和句子级上下文等三个层面对神经网络机器翻译的上下文表示方法展开研究,使得神经网络机器翻译能够捕获更加丰富有效的翻译知识来改善翻译预测。因此,本文主要内容包括以下四个方面:1.在机器翻译中,高阶上下文单元能够编码更多的上下文信息用于翻译预测。但这些高阶上下文单元往往面临着严重的数据稀疏性问题,进而难以捕获上下文中的结构化信息。同时,传统的离散符号表示方法也难以捕获翻译上下文与被预测目标语言单词之间的语义相似性。因此,本文提出了一种基于依赖的神经网络联合模型,既能够通过神经网络来捕获语义相似性,又能够通过卷积架构的语义组合属性极大地缓解由高阶上下文单元所引起的数据稀疏性问题,进而能够有效的捕获翻译上下文中的长距离依赖信息用于翻译预测。通过在统计机器翻译模型上的实验,验证了这种新的方法显著地优于传统的基于离散符号的上下文表示方法,尤其是通过显式地编码源端长距依赖约束,超过了著名的基于词序列的神经网络联合模型。2.在自然语言中存在着大量的多义词,也即一个单词往往可以表示多种不同的含义。在现有的神经网络机器翻译模型中,不论一个单词具有多少种不同的含义,都会被表示为一个单一的实值向量来编码这个单词的所有含义。在学习源端句子表示时,编码器不能充分地捕获源端句子中的多义词信息,进而导致注意力机制所学习到的上下文向量难以生成正确的目标单词翻译。而当源端句子中包含有集外词(未被词汇表所覆盖的单词)时,这个问题会变得更为严重。为此,本文提出了一种基于局部上下文的词汇表示方法来为每一个源端单词动态地学习一个特定句子的局部上下文向量用以强化神经网络机器翻译框架的词嵌入层,进而改善单词(尤其是多义词和集外词)的向量表示和翻译。3.神经网络机器翻译模型通常依靠神经网络顺序地处理源端输入来隐式地编码源语言句子中的句法和语义信息,而未曾显式地考虑翻译上下文中的结构化信息。在统计机器翻译中,结构化翻译知识已经被证明有益于翻译预测。为此,本文提出了两种新的方法(包括源端依赖表示方法和句法导向注意力方法),用以将源端长距离依赖上下文信息引入到现有的神经网络机器翻译模型中,使得翻译模型能够捕获那些在句法上更为相关的源端上下文信息来改善翻译预测。4.神经网络机器翻译模型通常聚焦于词级上下文信息来预测目标语言单词,而未考虑句子级上下文信息。在自然语言中,一个单词往往在不同的主题(或领域)中具有不同的含义。而在神经网络机器翻译模型中,一个单词往往在不同的句子中具有不同的主题,甚至在一个单词在同一个句子中可能具有不止一个主题。这意味着句子级上下文信息中包含了单词的主题信息。因此,本文提出了一种句子级主题上下文表示方法,将句子级上下文信息表示为一种隐含主题向量序列,并通过注意力机制将其引入到现有的神经网络机器翻译模型中用于改善翻译预测。这种方法能够与现有的神经网络机器翻译模型进行一体化训练,进而联合学习句子级主题上下文信息和目标单词的翻译。

关键词：机器翻译上下文表示注意力机制局部上下文结构化上下文主题上下文神经网络

来源：评论

学校读者我要写书评

暂无评论

基于span负样本和增强上下文表示的文档级关系抽取

基于span负样本和增强上下文表示的文档级关系抽取

引用

作者：崔自明张南 100048 北京市海淀区阜成路33号

本发明公开了一种基于span负样本和增强上下文表示的文档级关系抽取的技术，属于自然语言处理领域，本技术所要解决的问题在于如何从复杂的长文本中抽取多个实体之间的关系，提出了一种名为Plus‑DocRE(PDRE)的文档级关系抽取模型，首先... 详细信息

标准号: CN117195075A

本发明公开了一种基于span负样本和增强上下文表示的文档级关系抽取的技术，属于自然语言处理领域，本技术所要解决的问题在于如何从复杂的长文本中抽取多个实体之间的关系，提出了一种名为Plus‑DocRE(PDRE)的文档级关系抽取模型，首先，通过引入基于span的实体分割方法，扩大潜在实体的数量，从而增加负样本数量，提高模型对负样本的识别能力；其次，采用基于BERT预训练模型获得段落上下文和局部上下文来丰富实体对的上下文特征；最后，通过特征融合，将实体对的局部上下文特征和段落上下文特征结合起来，作为模型的输入进行关系多标签分类。

关键词：负样本局部上下文上下文特征关系抽取文档自然语言处理上下文表示标签分类实体分割特征融合训练模型长文本抽取引入

来源：评论

学校读者我要写书评

暂无评论

一种基于上下文表示学习的性化搜索方法

一种基于上下文表示学习的性化搜索方法

引用

作者：窦志成周雨佳 100872 北京市海淀区中关村大街59号

本发明通过人工智能领域的方法，实现了一种基于上下文表示学习的性化搜索方法，将用户历史编码为语境信息来强化查询表示。我们分别设计了查询消歧和意图预测两个部分来对推断用户的信息需求，他们运用层次化transformer来编码语境信... 详细信息

标准号: CN112182373B

本发明通过人工智能领域的方法，实现了一种基于上下文表示学习的性化搜索方法，将用户历史编码为语境信息来强化查询表示。我们分别设计了查询消歧和意图预测两个部分来对推断用户的信息需求，他们运用层次化transformer来编码语境信息，查询消歧将查询语境的输入划分为查询单词、短期历史和长期历史三个层面，并分别进行消歧操作。两个部分的输出通过门控单元融合，我们设计了两种损失函数来优化整个模型；之后对所述查询消岐模型的分析结果和所述已有查询日志预测结果进行融合和重排运算，并对结果进行优化。通过上述手段，在不建立用户模型的基础上对用户历史进行编码，理解用户基于当前查询的真实需求和真实意图。

关键词：查询消歧用户历史语境信息人工智能领域上下文表示查询单词查询日志门控单元损失函数信息需求意图预测用户模型预测结果融合层次化重排消岐语境推断优化运算搜索输出学习

来源：评论

学校读者我要写书评

暂无评论

一种基于上下文表示增强的跨语言命名实体识别方法

一种基于上下文表示增强的跨语言命名实体识别方法

引用

作者：鉴萍简林圳 100081 北京市海淀区中关村南大街5号

本发明公开一种基于上下文表示增强的跨语言命名实体识别方法，属于自然语言处理应用技术领域。本发明分别基于注意力分布损失和门控残差连接增强跨语言预训练模型在跨语言命名实体识别任务中的上下文表示，分为训练和预测两阶段，训练... 详细信息

标准号: CN116776883A

本发明公开一种基于上下文表示增强的跨语言命名实体识别方法，属于自然语言处理应用技术领域。本发明分别基于注意力分布损失和门控残差连接增强跨语言预训练模型在跨语言命名实体识别任务中的上下文表示，分为训练和预测两阶段，训练后用于预测，将跨语言预训练模型顶层编码器的自注意力模块得到的注意力分布中每个词对自身的注意力系数加入训练损失，减少模型对词语自身的关注，使得上下文表示中包含更多的上下文信息，采用门控残差连接模块作为跨语言预训练模型顶层编码器中接在自注意力模块后的残差连接模块，通过门抑制词语本身信息进入最终上下文表示的比例，提升上下文信息在上下文表示中的占比。

关键词：上下文表示注意力训练模型残差语言上下文信息连接模块命名实体编码器顶层门控词语应用技术领域自然语言处理两阶段预测

来源：评论

学校读者我要写书评

暂无评论

一种基于三维目标上下文表示的点云语义分割方法

一种基于三维目标上下文表示的点云语义分割方法

引用

作者：肖良赵大伟商尔科朱琪聂一鸣戴斌 100071 北京市丰台区丰台东大街53号

本发明公开一种基于三维目标上下文表示的点云语义分割方法，属于计算机视觉技术领域。首先构建由原始点云和点云语义标注构成的数据集，并划分为训练集、验证集和测试集；然后构建引入三维目标上下文表示的三维稀疏网络模型，并在训练... 详细信息

标准号: CN115272673A

本发明公开一种基于三维目标上下文表示的点云语义分割方法，属于计算机视觉技术领域。首先构建由原始点云和点云语义标注构成的数据集，并划分为训练集、验证集和测试集；然后构建引入三维目标上下文表示的三维稀疏网络模型，并在训练集上进行训练；最后将训练好的模型在测试数据上进行测试，获取测试点云的语义标注。本发明提供的方法在基于三维稀疏卷积神经网络的基础上，引入了三维目标上下文表示，使得对每个体素分类时能够考虑其与不同类别区域之间的相互关系，有效聚合大范围语义上下文信息，有助于提高语义分割的准确性。

关键词：上下文表示三维目标点云语义标注语义分割训练集构建三维计算机视觉技术语义上下文测试数据类别区域神经网络稀疏卷积稀疏网络有效聚合引入测试点测试集数据集验证集测试分类

来源：评论

学校读者我要写书评

暂无评论

一种基于上下文表示学习的性化搜索方法

一种基于上下文表示学习的性化搜索方法

引用

作者：窦志成周雨佳 100872 北京市海淀区中关村大街59号

标准号: CN112182373A

来源：评论

学校读者我要写书评

暂无评论

一种深度动态上下文词语表示的方法及计算机

一种深度动态上下文词语表示的方法及计算机

引用

作者：熊熙袁宵琚生根李元媛孙界平 610225 四川省成都市西南航空港经济开发区学府路一段24号

本发明属于计算机词语表示技术领域，公开了一种深度动态上下文词语表示的模型及方法，所述深度动态上下文词语表示的模型为带层注意力机制的多层双向Transformer编码器堆叠成的遮蔽语言模型；是多层神经网络，网络每一层从不同的角度... 详细信息

标准号: CN110222349B

本发明属于计算机词语表示技术领域，公开了一种深度动态上下文词语表示的模型及方法，所述深度动态上下文词语表示的模型为带层注意力机制的多层双向Transformer编码器堆叠成的遮蔽语言模型；是多层神经网络，网络每一层从不同的角度捕获输入语句中每个单词的上下文信息；然后通过一个层注意力机制给予网络每一层不同的权重；最终根据权重把不同的词语表示综合起来形成词语的上下文表示。使用该模型生成的词语表示在公开数据集上进行了逻辑推理(MultiNLI)、命名实体识别(CoNLL2003)和阅读理解任务(SQuAD)三项任务，比现有模型分别提升了2.0％、0.47％和2.96％。

关键词：词语动态上下文注意力机制权重逻辑推理多层神经网络上下文表示上下文信息命名实体模型生成输入语句语言模型编码器数据集带层堆叠多层遮蔽捕获单词网络阅读计算机

来源：评论

学校读者我要写书评

暂无评论

一种深度动态上下文词语表示的模型及方法、计算机

一种深度动态上下文词语表示的模型及方法、计算机

引用

作者：熊熙袁宵琚生根李元媛孙界平 610225 四川省成都市西南航空港经济开发区学府路一段24号

标准号: CN110222349A

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：