检索结果-内蒙古大学图书馆

声学学报 2011年第1期36卷 88-96页

作者：张学良刘文举李鹏徐波中国科学院自动化研究所模式识别国家重点实验室北京100190 中国科学院自动化研究所数字媒体内容技术研究中心北京100190

针对以往单通道噪声和浊语音分离算法的不足,改进了谐波组织算法。算法利用载波包络能量比将时频单元分为确定和非确定。提取基频作为组织线索。组织阶段分别使用谐波原理和最小幅度原理对确定时频单元组织;使用改进包络自相关函数度量... 详细信息

针对以往单通道噪声和浊语音分离算法的不足,改进了谐波组织算法。算法利用载波包络能量比将时频单元分为确定和非确定。提取基频作为组织线索。组织阶段分别使用谐波原理和最小幅度原理对确定时频单元组织;使用改进包络自相关函数度量幅度调制率对非确定时频单元组织。对比以往算法的处理结果,改进算法平均信噪比(SNR)提高0.96 dB。通过对谐波组织规则的改进,提高了分离性能。

关键词：单通道组织谐波分离系统语音分离算法自相关函数改进算法

来源：评论

学校读者我要写书评

暂无评论

属性建模与课程学习相结合的属性级情感分类方法

引用

软件学报 2024年第9期35卷 4377-4389页

作者：叶静向露宗成庆中国科学院大学人工智能学院北京100049 模式识别国家重点实验室(中国科学院自动化研究所) 北京100190

属性级情感分类任务旨在判断句子针对给定属性的情感极性,因其广泛应用而备受关注.该任务的关键在于识别给定属性相关的上下文描述,并根据上下文内容判断发文者针对相应属性的情感倾向.统计发现,大约30%的评论中并不包含关于给定属性的... 详细信息

属性级情感分类任务旨在判断句子针对给定属性的情感极性,因其广泛应用而备受关注.该任务的关键在于识别给定属性相关的上下文描述,并根据上下文内容判断发文者针对相应属性的情感倾向.统计发现,大约30%的评论中并不包含关于给定属性的明确情感描述,但仍然传达了清晰的情感倾向,这被称为隐式情感表达.近年来,基于注意力机制的神经网络方法在情感分析中得到了成功应用.但该类方法只能捕捉属性相关的显式情感描述,而缺乏对隐含情感的有效分析和挖掘,且往往将属性词与句子上下文分别建模,使得属性词的表示缺乏上下文语义.针对以上两个问题,提出一种交叉融合属性局部和句子全局上下文信息的属性级情感分类方法,并根据隐式和显式情感表达句子不同的分类难度采用课程学习提高模型的分类性能.实验表明,所提方法不仅对显式情感表达句子的属性情感倾向识别准确率高,而且能够有效学习隐式情感表达句子的情感类别.

关键词：属性级情感分析隐式情感分析注意力机制课程学习

来源：评论

学校读者我要写书评

暂无评论

基于噪声对比估计的权重自适应对抗生成式模仿学习

引用

模式识别与人工智能 2023年第4期36卷 300-312页

作者：关伟凡张希中国科学院自动化研究所模式识别国家重点实验室北京100190 中国科学院大学人工智能学院北京100049

传统模仿学习需满足专家样本均为质量极高的最优专家样本,这一限制条件既提高数据的采集难度也限制算法的应用场景.由此,文中提出基于噪声对比估计的权重自适应对抗生成式模仿学习算法(Weight Adaptive Generative Adversarial Imitatio... 详细信息

传统模仿学习需满足专家样本均为质量极高的最优专家样本,这一限制条件既提高数据的采集难度也限制算法的应用场景.由此,文中提出基于噪声对比估计的权重自适应对抗生成式模仿学习算法(Weight Adaptive Generative Adversarial Imitation Learning Based on Noise Contrastive Estimation,GLANCE),在专家样本质量不一致的任务场景下可保持较高性能.首先,使用噪声对比估计训练特征提取器,改善次优专家样本特征分布.然后,为专家样本设定可学习权重系数,并对基于权重系数重分布后的样本执行对抗生成式模仿学习.最后,基于已知相对排序的评估数据计算排序损失,通过梯度下降法优化权重系数,改善数据分布.在多个连续控制型任务上的实验表明,专家样本质量不一致时,GLANCE仅需要获取专家样本数据集上5%数据作为评估数据集,就可以达到较优的性能表现.

关键词：强化学习模仿学习噪声对比估计自适应权重

来源：评论

学校读者我要写书评

暂无评论

基于监督对比学习的文本情绪类别表示

引用

软件学报 2024年第10期35卷 4794-4805页

作者：王祥宇宗成庆模式识别国家重点实验室(中国科学院自动化研究所) 北京100190 中国科学院大学人工智能学院北京100049

揭示情绪之间的关系是认知心理学的一项重要基础研究.从自然语言处理的角度来说,探讨情绪之间的关系的关键在于得到合适的情绪类别的嵌入式表示.最近,在情感空间中获得一个可以表征情绪关系的类别表示已经引起了一些关注.然而,现有的情... 详细信息

揭示情绪之间的关系是认知心理学的一项重要基础研究.从自然语言处理的角度来说,探讨情绪之间的关系的关键在于得到合适的情绪类别的嵌入式表示.最近,在情感空间中获得一个可以表征情绪关系的类别表示已经引起了一些关注.然而,现有的情绪类别嵌入方法存在以下几个缺点.比如固定维度,情绪类别表示的维度依赖于所选定的数据集.为了取得一个更好的情绪类别表示,引入监督对比学习的表示方法.在之前的监督对比学习方法中,样本之间的相似性取决于样本所标注的标签的相似性.为了更好地反映出不同情绪类别之间的复杂关系,进一步提出部分相似的监督对比学习表示方法,认为不同情绪类别(比如情绪anger和annoyance)的样本之间也可能是部分相似的.最后,组织一系列实验来验证所提方法以及其他5个基准方法在表述情绪类别之间关系的能力.实验结果表明,所提方法取得了理想的情绪类别表示结果.

关键词：情感分析情绪表示情绪空间情绪类别

来源：评论

学校读者我要写书评

暂无评论

基于跨模态实体信息融合的神经机器翻译方法

引用

自动化学报 2023年第6期49卷 1170-1180页

作者：黄鑫张家俊宗成庆中国科学院自动化研究所模式识别国家重点实验室北京100190 中国科学院大学人工智能学院北京100049

现有多模态机器翻译(Multi-modal machine translation,MMT)方法将图片与待翻译文本进行句子级别的语义融合.这些方法存在视觉信息作用不明确和模型对视觉信息不敏感等问题,并进一步造成了视觉信息与文本信息无法在翻译模型中充分融合... 详细信息

现有多模态机器翻译(Multi-modal machine translation,MMT)方法将图片与待翻译文本进行句子级别的语义融合.这些方法存在视觉信息作用不明确和模型对视觉信息不敏感等问题,并进一步造成了视觉信息与文本信息无法在翻译模型中充分融合语义的问题.针对这些问题,提出了一种跨模态实体重构(Cross-modal entity reconstruction,CER)方法.区别于将完整的图片输入到翻译模型中,该方法显式对齐文本与图像中的实体,通过文本上下文与一种模态的实体的组合来重构另一种模态的实体,最终达到实体级的跨模态语义融合的目的,通过多任务学习方法将CER模型与翻译模型结合,达到提升翻译质量的目的.该方法在多模态翻译数据集的两个语言对上取得了最佳的翻译准确率.进一步的分析实验表明,该方法能够有效提升模型在翻译过程中对源端文本实体的忠实度.

关键词：实体重构跨模态学习多任务学习多模态机器翻译

来源：评论

学校读者我要写书评

暂无评论

基于二次曲线的立体视觉

引用

自动化学报 1993年第4期19卷 420-427页

作者：司绍华马颂德中国科学院自动化研究所国家模式识别实验室北京100080

我们提出了一种基于二次曲线的立体视觉方法。在以前基于曲线的立体视觉方法中,曲线只是用于计算点的特征,从而更加容易地实现点对应。我们提出的方法以图像中的二次曲线为匹配基元,勿需点与点之间的对应,我们给出了两幅图像中二次曲线... 详细信息

我们提出了一种基于二次曲线的立体视觉方法。在以前基于曲线的立体视觉方法中,曲线只是用于计算点的特征,从而更加容易地实现点对应。我们提出的方法以图像中的二次曲线为匹配基元,勿需点与点之间的对应,我们给出了两幅图像中二次曲线对全局匹配的准则。在匹配的基础上,给出了二次曲线重建的方法,重建的过程具有解析形式的解。此方法可以实时实现。本文的最后给出了解的唯一性分析和在真实图像上所做的实验结果。

关键词：立体视觉二次曲线匹配重建

来源：评论

学校读者我要写书评

暂无评论

基于对偶误差的脉冲神经网络目标检测方法

引用

电子与信息学报 2023年第12期45卷 4469-4476页

作者：刘伟李文娟高晋李椋中国科学院自动化研究所模式识别国家重点实验室北京100098 军事认知与脑科学研究所北京100850

脉冲神经网络(SNN)是一种模拟大脑神经元动力学的低功耗神经网络,为高计算效率、低能源消耗环境部署目标检测任务提供了可行的解决方案。由于脉冲的不可微性质导致SNN训练困难,一种有效的解决方法是将预训练的人工神经网络(ANN)转换为SN... 详细信息

脉冲神经网络(SNN)是一种模拟大脑神经元动力学的低功耗神经网络,为高计算效率、低能源消耗环境部署目标检测任务提供了可行的解决方案。由于脉冲的不可微性质导致SNN训练困难,一种有效的解决方法是将预训练的人工神经网络(ANN)转换为SNN来提高推理能力。然而,转换后的SNN经常遇到性能下降和高延迟的问题,无法满足目标检测任务对高精度定位的要求。该文针对ANN转SNN过程中产生的误差问题,引入对偶误差模型降低转换性能损失。首先,该文分析误差产生原因,构建对偶误差模型来模拟ANN到SNN转换误差。进一步地,将对偶误差模型引入到ANN训练过程,使转换前后的模型在训练和推理过程中误差保持一致,从而降低模型的转换性能损失。最后,利用轻量化检测算法YOLO在数据集PASCAL VOC和MS COCO上验证了对偶误差模型的有效性。

关键词：脉冲神经网络目标检测转换误差对偶误差模型

来源：评论

学校读者我要写书评

暂无评论

基于音素聚类的多语言声学建模方法

引用

模式识别与人工智能 2009年第1期22卷 86-90页

作者：孟猛梁家恩徐波中国科学院自动化研究所数字内容技术研究中心北京100190 中国科学院自动化研究所模式识别国家重点实验室北京100190

首先提出以音素合并后模型自身似然度下降为距离依据,通过聚类生成多语言通用音素的声学建模方法.在此基础上,比较聚类时增加两种约束条件(同一语种内音素不聚类、不同IPA族的音素不聚类)对性能的影响.同时,对通用音素集的规模对识别性... 详细信息

首先提出以音素合并后模型自身似然度下降为距离依据,通过聚类生成多语言通用音素的声学建模方法.在此基础上,比较聚类时增加两种约束条件(同一语种内音素不聚类、不同IPA族的音素不聚类)对性能的影响.同时,对通用音素集的规模对识别性能的影响做了一定探索.最后的实验给出建立中英文双语混合模型在关键词检测系统上的结果,比较4种聚类方法在不同通用音素个数情况下的性能优劣.结果显示,使用本文方法进行一定程度的音素合并,性能比不作聚类直接混合建模有明显提升.适当增加音素聚类的约束,有助于进一步提高性能.

关键词：多语言声学建模音素聚类关键词检测

来源：评论

学校读者我要写书评

暂无评论

基于优化浮值掩蔽的监督性语音分离

引用

自动化学报 2018年第10期44卷 1876-1887页

作者：夏莎莎张学良梁山内蒙古大学计算机学院中国科学院自动化研究所模式识别国家重点实验室

监督性语音分离利用有监督学习算法,建立输入带噪语音信号和输出目标信号之间的映射关系.近年来,随着深度学习理论的发展,监督性分离算法已经成为语音分离最重要的研究方向,计算目标对分离算法的性能有着重要影响.理想浮值掩蔽作为常用... 详细信息

监督性语音分离利用有监督学习算法,建立输入带噪语音信号和输出目标信号之间的映射关系.近年来,随着深度学习理论的发展,监督性分离算法已经成为语音分离最重要的研究方向,计算目标对分离算法的性能有着重要影响.理想浮值掩蔽作为常用的分离目标,能够提升分离的语音可懂度和语音质量,但没有考虑噪声和语音之间的相关性.本文采用优化浮值掩蔽作为分离目标,利用深度神经网络(Deep neural network, DNN)作为分离模型,并在多种噪声环境和信噪比条件下进行对比实验.结果表明,优化浮值掩蔽对语音感知质量有显著提升,总体上分离性能优于其他计算目标.

关键词：深度神经网络语音分离监督性学习计算目标

来源：评论

学校读者我要写书评

暂无评论

智能视频监控技术综述

引用

计算机学报 2015年第6期38卷 1093-1118页

作者：黄凯奇陈晓棠康运锋谭铁牛中国科学院自动化研究所模式识别国家重点实验室&智能感知与计算研究中心北京100190

随着摄像头安装数量的日益增多,以及智慧城市和公共安全需求的日益增长,采用人工的视频监控方式已经远远不能满足需要,因此智能视频监控技术应运而生并迅速成为一个研究热点.智能视频监控技术是一个跨领域的研究方向,它的研究内容丰富,... 详细信息

随着摄像头安装数量的日益增多,以及智慧城市和公共安全需求的日益增长,采用人工的视频监控方式已经远远不能满足需要,因此智能视频监控技术应运而生并迅速成为一个研究热点.智能视频监控技术是一个跨领域的研究方向,它的研究内容丰富,应用领域广泛多样.文中对智能视频监控技术的发展历史、研究现状以及典型算法的现状给了比较全面的综述.首先从底层、中层、高层对智能视频监控技术进行分类,分别对目标检测、目标跟踪、分类识别以及行为分析算法进行归纳总结;然后对典型算法的优缺点进行分析,给出了典型算法在现有研究数据库上的性能对比,并对待解决问题和难点进行了总结;最后对智能视频监控技术在物联网背景下存在的挑战以及未来发展趋势进行了探讨.

关键词：智能视频监控智慧城市公共安全物联网

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：