检索结果-内蒙古大学图书馆

家电科技 2023年第6期6卷 22-26页

作者：唐善玄刘猛王少华张浩樊其锋广东美的制冷设备有限公司广东佛山528000 重庆大学重庆400045

随着人工智能算法近年的不断突破,全屋智能化技术迎来了快速发展,而家用空调作为全屋家电中具备室内环境调节能力的子系统,是全屋智能化中至关重要的一环。在全屋智能的多类算法发展方向中,空调器的主动智能控制又是如今智能化浪潮中最... 详细信息

随着人工智能算法近年的不断突破,全屋智能化技术迎来了快速发展,而家用空调作为全屋家电中具备室内环境调节能力的子系统,是全屋智能化中至关重要的一环。在全屋智能的多类算法发展方向中,空调器的主动智能控制又是如今智能化浪潮中最重要的一步。其致力于基于用户使用行为,综合多类感知信息,挖掘空调控制逻辑,为用户提供全天候的智能化控制,从而提供舒适的居住环境,保障居住者的健康。尽管主动智能控制算法近些年在很多方向产生了突破,但目前其在算法应用方面,仍需要面对建模方法不统一与算力资源有限的挑战。为了解决上述问题,提出了结合多任务架构与任务自平衡方法的自适应多任务的主动智能控制边缘计算集成框架Auto-adaptive Multi-task Edge Computing Framework (AMEC)。该框架能够统一集成多类任务,提高家电尤其是空调主动智能控制算法的算力算效。在实验中,AMEC通过集成并优化现有主动智能调控系统中多个子任务,在核心算法指标不产生明显衰减的基础上可带来20%至50%的参数缩减,大大提高了算法的计算性能,减少了其应用时的资源开销。

关键词：边缘计算物联网多任务框架智能控制

来源：评论

学校读者我要写书评

暂无评论

基于多级表征线索注意模型的轻量化抠图方法

引用

控制与决策 2024年第1期39卷 87-94页

作者：刘相良张林丛朱宏博张文波沈阳理工大学信息科学与工程学院沈阳110159

面对主流计算平台对框架轻量化的需求,设计一种基于多任务结构的轻量化抠图框架.将总体任务拆分为两类子任务,其中一类任务用来在语义层面上为高级特征分类,区分前景背景与未知区域的特征;另一类任务用于计算前景与背景图层的线性组合权... 详细信息

面对主流计算平台对框架轻量化的需求,设计一种基于多任务结构的轻量化抠图框架.将总体任务拆分为两类子任务,其中一类任务用来在语义层面上为高级特征分类,区分前景背景与未知区域的特征;另一类任务用于计算前景与背景图层的线性组合权重.通过与特征分类任务共享高级特征网络的权值获得精准的前景特征,再与低级别卷积特征相融合.所提出的模型能够生成精准的抠图掩膜,同时优化卷积神经网络来实现模型轻量化.在Composition 1K数据集上对比不同方法的实验结果:在分辨率为640×640的输入条件下,所提方法比DIM (deep image matting)和AdaMatting (adaptation and matting)方法分别减少19%和81%的空间消耗;对于同样的数据输入,所提方法需要的处理时间只有DIM消耗时间的五分之一.

关键词：数字抠图技术轻量化三分图多任务框架多级表征线索

来源：评论

学校读者我要写书评

暂无评论

融合位置信息的观点三元组情感分析模型

引用

计算机应用研究 2023年第3期40卷 676-681页

作者：姜宇桐钱雪忠宋威江南大学人工智能与计算机学院江苏无锡214122

方面级情感分析主要有两大类任务:a)抽取任务,旨在抽取出语句中的方面词及观点词;b)分类任务,旨在分析情感极性。在这两种复合任务的基础上,针对目前方面词与观点词耦合性较差,导致分类任务出错这一问题,提出了融合位置信息的观点三元... 详细信息

方面级情感分析主要有两大类任务:a)抽取任务,旨在抽取出语句中的方面词及观点词;b)分类任务,旨在分析情感极性。在这两种复合任务的基础上,针对目前方面词与观点词耦合性较差,导致分类任务出错这一问题,提出了融合位置信息的观点三元组情感分析模型OTPM。该模型利用双向长短时记忆网络获得文本表示,接着利用自注意力机制来增强方面词与情感词之间的关联性,之后在多任务框架中进行观点三元组的抽取,同时将抽取出的表示与位置信息进行加权融合,最后利用biaffine评分器分析加权后的方面词与观点词之间的情感依赖关系,并利用stop-on-non-I算法对三元组进行解码输出三元组。在Lap14、Rest14、Rest15、Rest16四个数据集上进行大量实验,结果表明所提模型优于一系列基线模型。

关键词：方面级情感分析多任务框架观点三元组双向长短时记忆网络自注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于区域注意力与边缘交点协同网络的遥感图像路网提取研究

基于区域注意力与边缘交点协同网络的遥感图像路网提取研究

引用

作者：纪宇昕安徽大学

学位级别：硕士

近几年来,深度卷积神经网络被广泛地应用于解决各种计算机视觉问题,并且在图像分类、目标检测和语义分割等多个任务中展现了非常好的性能,遥感图像路网提取也依托于深度学习这项技术并取得了新的突破。常规的图像大多以地面为参照系,图... 详细信息

近几年来,深度卷积神经网络被广泛地应用于解决各种计算机视觉问题,并且在图像分类、目标检测和语义分割等多个任务中展现了非常好的性能,遥感图像路网提取也依托于深度学习这项技术并取得了新的突破。常规的图像大多以地面为参照系,图像中物体的方向是确定的,而遥感图像是从遥远的空中获取的,图像中的物体具有各个朝向,并且由于长距离的拍摄,图像中的目标通常会很小。遥感图像中的道路蜿蜒曲折,交错纵横,具有道路尺度不均衡,正负样本不均衡,空间分布不均衡的特点。由于这些问题,一些在常规图像上效果显著的方法在遥感数据集上效果不明显,需要对这些方法做出有针对性的改变以适应遥感图像。通道注意力以及自注意力机制被用于路网提取任务中,旨在让神经网络自适应地关注遥感道路区域,增强对道路部分深度特征的提取和利用能力。遥感道路交点部分的信息对道路连通性有重要影响,并且道路边缘提取可以进一步优化。因此,遥感道路自身的特点在设计实验时也应该被充分考虑。本文提出的工作均是在当前主流的U型编码解码网络基础上结合遥感道路自身特点做出的进一步改进: (1)本文的第一项工作在编码阶段对特征提取模块进行改进并在解码阶段设计了区域注意力模块,将其命名为双路网络模块(Dual Branch Network Module,DBNM)和区域注意力网络模块(Regional Attention Network Module,RANM)。尽管Inception增强了特征提取能力,方形卷积核提取的深度特征仍然具有相似性。DBNM基于U型网络的编码器,增加一条分支,旨在将非对称卷积提取的特征整合在不同尺度的特征图中以加强道路部分的特征表达。此外,遥感图像中的道路在某一区域比较密集而在其他区域比较稀疏,这种现象使得常规的通道注意力机制在路网提取任务上效果不明显。为此,RANM引入参数ε将不同尺度特征图划分成ε×ε的区域,并根据每个区域中道路的分布情况赋予不同的注意力权重。这种双路区域注意力编解码网络一定程度上提升了遥感图像路网提取任务的像素级精度指标与连通性指标。 (2)本文的第二项工作将关注焦点转移到多任务协同中。遥感道路的主体部分易于提取而边缘像素的预测还有待提高。此外,遥感图像中的道路具有交叉路口的信息,这一信息与道路的连通性有所关联。传统的基于深度学习的路网提取采用二值分割的方式将道路目标与背景分离。尽管大部分现有工作采用了更为复杂的特征提取结构以及引入了注意力机制,其本质上还是对道路主体部分的提取,并且多路提取网络所提取的特征性质是相同的,造成了模型过大和推断性能降低的问题。本文的第二项工作考虑到上述弊端,采用多任务深度学习框架,在原有的道路提取主干网络基础上,引入边缘分支网络模块(Boundary Branch Network Module,BBNM)和交点分支网络模块(Intersection Branch Network Module,IBNM)从而构建更具代表性的特征图。三个分支分别关注道路主体、道路边缘和道路交点,并在编解码网络中不同尺度的特征图上进行结合,从而规避了多路网络中各支路相似的冗余特征提取操作,实现多任务协同改善路网提取性能的目的。

关键词：深度学习卷积神经网络路网提取注意力模块多任务框架

来源：评论

学校读者我要写书评

暂无评论

基于共享句子向量方案和网格标记方案的情感三元组算法研究与实现

基于共享句子向量方案和网格标记方案的情感三元组算法研究与实现

引用

作者：柳文文西南交通大学

学位级别：硕士

随着自然语言处理领域相关技术的飞速发展,细粒度情感分析的研究日益完善。在句子情感解析时,要分析出句子中多个方面项和观点项的具体含义,才能得到整个句子的情感依赖。基于以上背景,本文针对细粒度情感分析领域中的情感三元组算法进... 详细信息

随着自然语言处理领域相关技术的飞速发展,细粒度情感分析的研究日益完善。在句子情感解析时,要分析出句子中多个方面项和观点项的具体含义,才能得到整个句子的情感依赖。基于以上背景,本文针对细粒度情感分析领域中的情感三元组算法进行研究,即(方面项,观点项,情感依赖),并取得了突破性的研究成果。以下是三个全面的工作内容。 1.针对句子中存在方面和观点重叠项、三个子任务之间交互不足和误差传播等问题,提出了基于共享句子向量和多任务学习框架的情感三元组抽取模型(Sharing Sentence Vectors For Opinion Triplet Extraction,OTE-SSV)。第一,模型中提出了一种基于方面标签、观点标签和词级情感依赖的句子向量共享方法,增强了模型对句子中重叠项的识别能力和三元组提取要素之间的交互能力。第二,模型中引入两层双向门控循环单元(GRU)网络遍历句子向量,精确捕捉上下文的语义特征,减少了无用信息的干扰。第三,模型中提出一个新的多任务学习框架,并利用新的Biaffine评分器解析单词级的情感依赖,该框架缓解了子任务误差传播问题,充分实现三个子任务的信息交互。经过大量实验验证,OTE-SSV相比一系列先进的管道方法F1值提升约2%; 2.针对上下文语义表征抽取不足、管道方法存在严重的误差传播和三个子任务之间交互不足等问题,提出了基于网格标记方案和多头注意力的情感三元组抽取模型(Grid Tagging Scheme With Multi-head Attention And Bi GRU,MGTS-Bi GRU)。第一,模型中引入BERT词嵌入方法,再结合双向门控循环单元(GRU)网络和多头注意力机制遍历句子向量,增强了特征学习。第二,模型中提出新的端到端网格标记方案,解决了管道方法中误差传播的问题。第三,在网格标记方案中提出新的迭代预测思路能深层次地获取上下文本表征的潜藏信息,增强了三个子任务之间的信息交互。经过大量实验验证,MGTS-Bi GRU相比一系列先进的管道和端到端方法F1值提升约为1.5%; 3.设计并开发了面向酒店评论的情感分析系统。采取公开的中文数据集重新训练简化版MGTS-Bi GRU模型作为系统的情感分析算法模块核心。采用新颖的vue3前端技术和流行的Spring Boot框架后端技术,数据库采取My SQL关系型数据库。基于以上技术,设计并研发可视化的酒店评论的情感分析系统,同时实现酒店评论数据的手动输入和文件上传、数据的情感解析和历史数据分析等功能。

关键词：情感三元组抽取多任务框架网格标记方案多头注意力情感分析系统

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的多模态情感分析

基于深度学习的多模态情感分析

引用

作者：傅佳美中国民航大学

学位级别：硕士

随着网络的发展,大量的数据如文本、图像、视频这类的数据越来越多,对此类数据进行情感分析是人工智能领域的重要任务之一,其研究成果可用于商品推荐、民意监督等方面。本文针对文本情感分析和情感导向的跨模态检索问题进行了研究。针... 详细信息

随着网络的发展,大量的数据如文本、图像、视频这类的数据越来越多,对此类数据进行情感分析是人工智能领域的重要任务之一,其研究成果可用于商品推荐、民意监督等方面。本文针对文本情感分析和情感导向的跨模态检索问题进行了研究。针对文本情感分析,首先对现有的文本情感分析方法进行了总结分析,之后针对现有方法的不足提出本文的多任务卷积神经网络框架来预测文本情感分布。现有的文本情感分析方法大都只关注单标签情感,而忽略了情感模糊性问题。针对这个问题,本文引入了标签分布学习对文本中的情感进行建模,将其与深度学习框架结合共同来预测文本中的情感分布。具体来说,本文提出一种端对端的多任务学习框架,将分类损失函数(Cross-entropy Loss)与KL损失函数(Kullback-Leibler Loss)结合,在端对端的训练过程中对模型产生有效促进,从而提高多个任务的精度。同时,本文提出基于词典的转化策略对单标签的数据进行弱情感分布的生成,再送入本文学习框架,对分类效果做了进一步提升。在实验部分,本文与已有方法做了详细对比及分析。针对标签分布预测任务,在SemEval-2007 Task 14数据集上的实验结果表明,与已有的用于标签分布学习的方法相比,本文方法取得了更好的预测效果。针对分类任务,本文方法在ISEAR、Fairy Tales、CBET、TEC、SemEval-2018 Task 01数据集上的表现优于已有用于情感分类的方法。针对跨模态检索任务,首先对现有的用于跨模态检索任务的方法进行了总结分析,针对现有检索方法的不足提出本文的深度协同网络来实现图文互搜任务。以往的方法在检索过程中,均只注重物体层面的匹配,而忽略了情感这种高层语义特征方面的对齐。针对这个问题,本文首度提出情感导向的跨模态检索任务,在物体和情感两个层面对检索对象进行匹配,从而有效提高检索效果。具体做法是,本文设计一个深度协同网络,先采用两个分支网络来提取文本和图像各自的特征表示,之后将其映射到同一公共空间中,采用分类的损失函数和情感的约束条件相结合,使同模态数据间能够有效区分,同时使不同模态的数据间能够更好地对应,提升图文互搜的检索任务性能。在VSO数据集的子集上的实验结果表明,本文的方法较已有的方法拥有更精准的检索效果。

关键词：文本情感分析多任务框架跨模态检索深度协同网络

来源：评论

学校读者我要写书评

暂无评论

人体部位实例分割与人体密集姿态估计方法研究

人体部位实例分割与人体密集姿态估计方法研究

引用

作者：朱旭涵北京邮电大学

学位级别：硕士

人体实例部位分割与人体密集姿态估计算法是计算机视觉领域的关键技术。人体部位实例分割,对于安防监控、虚拟现实、服饰识别与检索等场景具有重要的应用价值与意义。人体密集姿态估计需要在人体3D模型和2D图像之间构建密集的映射,它能... 详细信息

人体实例部位分割与人体密集姿态估计算法是计算机视觉领域的关键技术。人体部位实例分割,对于安防监控、虚拟现实、服饰识别与检索等场景具有重要的应用价值与意义。人体密集姿态估计需要在人体3D模型和2D图像之间构建密集的映射,它能帮助人们进一步理解二维三维关系。当前对两个任务的研究是分离独立的,因此训练效率比较低,不能很好地探究两者的联系性,无法使两者的信息共享。基于上述研究背景,本文主要研究了如何构建统一的联合模型及分析两者的关系依赖网路。主要分为以下两个内容。本文首先构建了多任务的联合训练框架,简化了多任务的训练复杂度,实现了多任务的并行处理,提高了多任务的算法性能。另外,为了降低该框架的模型参数量,提出了一种新型的轻量化注意力机制模块LAM,该模块较Parsing-RCNN中的GCE模块降低了数十倍的参数量和计算量。为了使人体实例分割的解析模块更轻量化,本文结合了 LAM和基于DenseASPP改进的密集语义解析模块来提取深层信息,节省了 40%的参数量,提高了 2%精度。为了提高人体检测的精度,本文采用FCOS一阶段Anchor-free全卷积检测模块代替二阶段Anchor-based的RPN,在两个子任务上都有精度提升。本文然后讨论了人体部位分割任务对于人体密集姿态估计算法的重要影响,以及彼此的互相增进的作用,提出的依赖网络可以进一步使人体实例部位分割与人体密集姿态估计算法关联起来,可以同时给两个算法带来性能增益。提出了可以迁移不同的人体部位实例分割的数据集的数据处理方式,增强实例分割算法性能同时可以提高人体密集姿态估计算法性能。

关键词：人体实例部位分割人体密集姿态轨迹多任务框架依赖网络

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱和用户偏好的深度矩阵分解推荐模型

基于知识图谱和用户偏好的深度矩阵分解推荐模型

引用

作者：陈梦圆厦门大学

学位级别：硕士

推荐系统作为过滤海量信息的重要技术,已经成功应用于各种实际场景中。目前的推荐系统中最广泛采用的算法有协同过滤算法以及近年来迅猛发展的深度神经网络,但是前者需要面临冷启动和数据稀疏的问题,而后者虽然能提高推荐性能,却具有很... 详细信息

推荐系统作为过滤海量信息的重要技术,已经成功应用于各种实际场景中。目前的推荐系统中最广泛采用的算法有协同过滤算法以及近年来迅猛发展的深度神经网络,但是前者需要面临冷启动和数据稀疏的问题,而后者虽然能提高推荐性能,却具有很弱的可解释性。因此,人们开始关注含有丰富语义信息的知识图谱,将其引入推荐系统不仅可以提升推荐性能,还可以增强系统的可解释性。本文提出了结合知识图谱和用户偏好的深度矩阵分解模型KPDMF。基于用户偏好项目可能是因为偏好项目的某些属性这一假设,本文使用神经关联模型和注意力机制来推导用户偏好,然后将用户偏好引入深度矩阵分解模型中,以学习出更有效的用户隐向量表示。另一方面,由于推荐系统中的项目与知识图谱中的实体之间存在一定的对应关系,所以本文采用多任务的学习框架将知识图谱与结合了用户偏好的深度推荐模型结合,通过交叉压缩单元来交叉转移项目和实体的信息,以实现两者的信息互补。此外,考虑知识图谱中的关系与项目属性之间存在关联,将关系与用户偏好进行了交叉学习,以更好地解释用户偏好。此外,我们还进一步在电影、图书以及音乐这三个数据集上将上述KPDMF模型与近年来同领域提出的表现较好的模型在多个评价指标上进行了对比实验,实验结果表明:不管是在推荐表现上,还是在知识图谱表现上,KPDMF模型的表现都明显优于其他对照模型,并且在数据稀疏时,KPDMF模型的表现也非常突出。

关键词：推荐算法矩阵分解知识图谱用户偏好多任务框架

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的骨架序列-视频动作识别研究

基于深度学习的骨架序列-视频动作识别研究

引用

作者：田冬浙江大学

学位级别：硕士

随着计算机视觉技术的迅猛发展,动作识别作为其重要的研究方向吸引了越来越多科研者的研究兴趣。当今,人体动作识别技术在交通、医学、体育、教育、虚拟现实、安防监控等领域有着广泛的应用空间以及巨大的发展前景。按输入数据类型划分... 详细信息

随着计算机视觉技术的迅猛发展,动作识别作为其重要的研究方向吸引了越来越多科研者的研究兴趣。当今,人体动作识别技术在交通、医学、体育、教育、虚拟现实、安防监控等领域有着广泛的应用空间以及巨大的发展前景。按输入数据类型划分,动作识别任务可以分为基于骨骼序列的动作识别和基于视频的动作识别。其中骨骼序列记录了连续时间内人体主要关节点的特征信息,如三维空间坐标。本文对这两种识别任务进行了详细地研究。结合主流算法在这两种任务上的表现,分别提出了相应的改进算法。本文研究内容如下:1.在基于骨骼序列的动作识别方面,本文受人类视觉机制的启发,讨论了注意力机制和共现特征机制的重要性,在空时图卷积网络(ST-GCN)的基础上,提出了适用于其的注意力分支和共现特征学习分支,从而形成动作识别的多任务框架。实验证明提出的算法性能远远优于ST-GCN和其他主流算法。最后进行消融实验,说明并解释了各分支的有效性以及多任务框架的优越性。2.在基于视频的动作识别方面,本文针对双流卷积网络需要预先计算光流从而导致计算速度慢的问题,提出了使用轨迹滤波器和随机跨帧融合的组合策略替代光流。其中,轨迹滤波器建模动作的时间联系,随机跨帧融合进一步提取高级时间特征。实验表明本文提出的替代光流的卷积网络在计算速度上远优于双流卷积网络,同时在识别精度方面,其与当前主流替代光流的算法相比具有极强的竞争力。3.人体姿态估计与动作识别联系紧密。本文总结了自底向上的姿态估计代表算法Open Pose和自顶向下的代表算法Alapha Pose。并通过一系列实验进行性能比较,本文最终使用Open Pose提取动作视频的骨骼序列,从而可以对视频使用基于骨骼序列的动作识别算法进行分类。

关键词：人体姿态估计空时图卷积网络注意力分支共现特征分支多任务框架双流卷积网络轨迹滤波器随机跨帧融合

来源：评论

学校读者我要写书评

暂无评论

面向目标识别的特征聚类与选择方法研究

引用

现代信息科技 2022年第17期6卷 29-32,37页

作者：桂洪冠位凯达而观信息科技(上海)有限公司上海201203 上海海事大学上海200135

近年来,目标识别已在众多领域广泛应用。如何有效地提高目标的识别精度是目前研究的一大热点。文章提出一种对未知目标和知识图谱中已有目标进行有效关联和选择的方法,旨在对目标进行精准识别。该方法首先使用一种基于连通性的联合非负... 详细信息

近年来,目标识别已在众多领域广泛应用。如何有效地提高目标的识别精度是目前研究的一大热点。文章提出一种对未知目标和知识图谱中已有目标进行有效关联和选择的方法,旨在对目标进行精准识别。该方法首先使用一种基于连通性的联合非负矩阵分解算法对两个数据集进行特征聚类,将显著特征放入共表达模块中。然后使用一种多任务稀疏典型相关分析方法对共表达模块中的元素进行关联,挖掘具有较强相关性的关联关系。其中,权重较高的Top特征可用于后续的分类研究。

关键词：特征选择矩阵分解典型相关分析线性回归模型多任务框架知识图谱

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：