检索结果-内蒙古大学图书馆

第十五届中国自然语言处理青年学者研讨会(YSSNLP2018)

作者：何世柱中国科学院自动化研究所模式识别国家重点实验室

自然答案的（可能）优势，普通用户更乐于接受能够自成一体的答案形式，而不是局部的信息片段;自然答案能够对回答问句的过程提供某种形式的解释，还可以无形中增加用户对系统的接受程度;自然答案还能够提供与答案相关联的背景信息;完... 详细信息

自然答案的（可能）优势，普通用户更乐于接受能够自成一体的答案形式，而不是局部的信息片段;自然答案能够对回答问句的过程提供某种形式的解释，还可以无形中增加用户对系统的接受程度;自然答案还能够提供与答案相关联的背景信息;完整的自然语言句子可以更好地支撑答案验证、语音合成等后续任务。

关键词：信息处理知识问答自然答案

来源：评论

学校读者我要写书评

暂无评论

机器学习在预测放疗疗效及并发症中的应用

引用

中华放射医学与防护杂志 2018年第10期38卷 792-795页

作者：张书铭李佳奇王皓姜荣涛隋婧石成玉杨瑞杰北京大学第三医院肿瘤放疗科 100191 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 美国纽约市纪念斯隆-凯特琳癌症中心纽约NY10065

近年来，机器学习发展迅速，利用机器学习对放疗后疗效及并发症进行预测，可以更加准确地评估患者病情，及早采取相应治疗措施。将放疗过程中产生的非剂量相关和剂量相关特征值经筛选后输入算法模型，可以得到相应的预测结果。目前，已... 详细信息

近年来，机器学习发展迅速，利用机器学习对放疗后疗效及并发症进行预测，可以更加准确地评估患者病情，及早采取相应治疗措施。将放疗过程中产生的非剂量相关和剂量相关特征值经筛选后输入算法模型，可以得到相应的预测结果。目前，已有多种算法模型可以对放疗后患者生存率、肿瘤控制率及各种放疗后并发症进行预测，预测结果较为准确。但算法模型也存在各种问题，需要不断探索改进。

关键词：机器学习放射疗法预后并发症

来源：评论

学校读者我要写书评

暂无评论

快速鲁棒的城市场景分段平面重建

引用

自动化学报 2017年第4期43卷 674-684页

作者：王伟高伟朱海胡占义周口师范学院网络工程学院周口466000 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 中国科学院大学北京100049

对于基于图像的城市场景重建,由于光照变化、透视畸变、弱纹理区域等因素的影响,传统像素级与区域级的重建算法通常难以获得可靠的重建结果.为了解决此问题,本文提出一种快速、鲁棒的分段平面重建算法.根据城市场景结构特征与分段平面假... 详细信息

对于基于图像的城市场景重建,由于光照变化、透视畸变、弱纹理区域等因素的影响,传统像素级与区域级的重建算法通常难以获得可靠的重建结果.为了解决此问题,本文提出一种快速、鲁棒的分段平面重建算法.根据城市场景结构特征与分段平面假设,本文算法首先利用基于连通域检测的空间平面拟合方法从初始空间点中抽取充分且可靠的候选空间平面,然后在MRF(Markov random field)能量最小化框架下将场景的完整结构推断问题转化为平面标记问题进行求解.由于候选平面集与融合灰度一致性度量、空间几何与可见性约束的能量模型的高可靠性,场景的完整结构因此可被有效地重建.实验结果表明,本文算法能较好地克服传统算法可靠性差、重建场景不完整等缺点,同时具有较高的计算效率.

关键词：能量最小化平面拟合三维重建深度图

来源：评论

学校读者我要写书评

暂无评论

解读“智能交互”的核心技术

引用

人工智能 2018年第1期 60-75页

作者：温正棋刘斌张大伟极限元智能科技中国科学院自动化研究所模式识别国家重点实验室中国科学院自动化研究所中科院—极限元智能交互联合实验室

智能交互是人与计算机之间以一定的交互方式,为完成某种任务目标的信息交换过程。整个交互系统从接收用户的输入信息开始,包括语音、表情、手势等多模态信息,通过对这些信息进行理解并产生输出结果,最后以文字或语音等形式展现出来。语... 详细信息

智能交互是人与计算机之间以一定的交互方式,为完成某种任务目标的信息交换过程。整个交互系统从接收用户的输入信息开始,包括语音、表情、手势等多模态信息,通过对这些信息进行理解并产生输出结果,最后以文字或语音等形式展现出来。语音作为人与计算机之间的一种重要交互方式,与对话系统构成了人机交互的新闭环。

关键词：声学模型回声消除麦克风阵列混响抑制二阶统计量人机对话系统声码器智能交互

来源：评论

学校读者我要写书评

暂无评论

局部形状特征概率混合的半自动三维点云分类

引用

浙江大学学报（理学版） 2017年第1期44卷 1-9页

作者：李红军刘欣莹张晓鹏严冬明北京林业大学理学院北京100083 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

三维激光扫描获取的点云数据可用于数字城市建设、三维模型获取、场景分析与物体测量等领域.但因遮挡和噪声的影响,加之扫描场景复杂,采样精度受限,使得不能直接运用经典的曲面和三维空间理论对点云数据进行有效分析和处理.分类是点云... 详细信息

三维激光扫描获取的点云数据可用于数字城市建设、三维模型获取、场景分析与物体测量等领域.但因遮挡和噪声的影响,加之扫描场景复杂,采样精度受限,使得不能直接运用经典的曲面和三维空间理论对点云数据进行有效分析和处理.分类是点云数据预处理的重要方式之一.提取近邻四面体体积、近邻法向量差异度、主方向差异度和主曲率值4个局部形状特征,采用概率混合策略构建了一种点云数据的半自动分类方法,可实现平面点集、柱面点集和其他点集的有效区分.其中,概率混合策略是依据近邻点平均距离和单指标类别一致程度估计每个特征推断形状的概率,通过混合加权,依据概率赋权函数最大值准则进行局部形状推断.可实现用户交互,以便处理不同扫描尺度和精度的点云数据.采用本文方法对模拟生成的点云、单棵树木点云、街道场景点云、旷野自然场景扫描点云以及航空机载扫描点云等多组数据进行了实验,结果表明,基于局部形状特征的概率混合方法对各种点云数据均具有良好的分类效果.

关键词：点云分类局部形状推断概率混合法向量差异主曲率大规模场景分析

来源：评论

学校读者我要写书评

暂无评论

统计机器学习中参数可辨识性研究及其关键问题

引用

自动化学报 2017年第10期43卷 1677-1686页

作者：冉智勇胡包钢重庆邮电大学计算机科学与技术学院计算智能重庆市重点实验室重庆400065 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

参数可辨识性研究在统计机器学习中具有重要的理论意义和应用价值.参数可辨识性是关于模型参数能否被惟一确定的性质.在包含物理参数的学习模型中,可辨识性不仅是物理参数获得正确估计的前提条件,更重要的是,它反映了学习机器中由参数... 详细信息

参数可辨识性研究在统计机器学习中具有重要的理论意义和应用价值.参数可辨识性是关于模型参数能否被惟一确定的性质.在包含物理参数的学习模型中,可辨识性不仅是物理参数获得正确估计的前提条件,更重要的是,它反映了学习机器中由参数决定的物理特征.为扩展到未来类人智能机器研究的考察视角,我们将学习模型纳入"知识与数据共同驱动模型"的框架中讨论.在此框架下,我们提出两个关键问题.第一是参数可辨识性准则问题.该问题考察与可辨识性密切相关的各种判断准则,其中知识驱动子模型与数据驱动子模型的耦合方式为参数可辨识性问题提供了新的研究空间.第二是参数可辨识性与机器学习理论和应用相关联的研究.该研究包括可辨识性对参数估计、模型选择、学习算法、学习动态过程、奇异学习理论、贝叶斯推断等内容的深刻影响.

关键词：可辨识性统计机器学习参数估计奇异学习理论贝叶斯推断

来源：评论

学校读者我要写书评

暂无评论

基于采样半径优化的最大化Poisson圆盘采样

引用

中国科学：信息科学 2017年第4期47卷 442-454页

作者：全卫泽郭建伟张义宽孟维亮张晓鹏严冬明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 中国科学院大学北京100049

最大化Poisson圆盘采样(maximal Poisson-disk sampling,MPS)是计算机图形学领域的一个基础研究问题.一个理想的采样点集应该满足无偏差采样性质、最小距离属性和最大化性质.传统的最大化Poisson圆盘采样一般通过投镖法(dart throwing)... 详细信息

最大化Poisson圆盘采样(maximal Poisson-disk sampling,MPS)是计算机图形学领域的一个基础研究问题.一个理想的采样点集应该满足无偏差采样性质、最小距离属性和最大化性质.传统的最大化Poisson圆盘采样一般通过投镖法(dart throwing)来实现,但是众所周知,该方法的不足之处在于无法精确控制采样点数目.针对该问题,本文提出了一种新的方法可以实现精确控制二维等半径最大化Poisson圆盘采样的点数并且同时满足其他性质.与已有方法不同的是,本文提出的方法通过调整采样半径达到控制采样点数的目的.首先,根据用户指定的采样点数目和采样区域(闭合的多边形)生成随机点集,并进行Delaunay三角化,并且将当前三角化中的最短边长作为当前的采样半径;接着,迭代地移除全局最短边中邻域平均边长较大的采样点,然后采用投镖法将其随机插入到以当前采样半径计算得到的空隙区域内.通过迭代地调整采样点的位置,采样半径不断增大,从而最后实现固定点数的最大化Poisson圆盘采样.大量实验结果表明,该方法可以得到高质量的采样点集,同时很好地保持了采样点集的蓝噪声性质.

关键词：最大化Poisson圆盘采样采样半径优化固定点数蓝噪声高质量点集

来源：评论

学校读者我要写书评

暂无评论

基于增量 Voronoi 序列的即时彩色点画算法

基于增量 Voronoi 序列的即时彩色点画算法

引用

2018第12届全国计算机图形学大会Chinagraph 2018

作者：吴志超马雷陈彦云石剑徐丹云南大学信息学院昆明 650504 中国科学院大学北京 100049 中国科学院软件研究所计算机科学国家重点实验室北京 100190 中国科学院软件研究所计算机科学国家重点实验室北京 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

作为流行的图像风格化技术之一，数字点画是具有吸引力的一项研究课题。现有大部分工作针对黑白点画，而彩色点画作为一种多类别采样，其计算成本较大。本文提出了一种新的即时彩色点画算法。该算法采用增量Voronoi 序列和阈值策略来生...

作为流行的图像风格化技术之一，数字点画是具有吸引力的一项研究课题。现有大部分工作针对黑白点画，而彩色点画作为一种多类别采样，其计算成本较大。本文提出了一种新的即时彩色点画算法。该算法采用增量Voronoi 序列和阈值策略来生成彩色点画。实验表明本文提出的方法可以在保证效率的同时，生成与当前最先进方法质量相当的结果。

关键词：

来源：评论

学校读者我要写书评

暂无评论

各向同性三角形重新网格化方法综述

引用

计算机科学 2017年第8期44卷 9-17页

作者：严冬明胡楷模郭建伟王逸群张义宽张晓鹏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 普渡大学西拉法叶47907

三维网格模型的重新网格化是计算机图形学中的重要内容,是许多几何应用的关键组成部分。近年来迅速发展的三维处理技术,如有限元模拟、计算机动画、三维打印等,对网格质量的要求不断提升,促进了三维网格模型重新网格化的持续发展,由此... 详细信息

三维网格模型的重新网格化是计算机图形学中的重要内容,是许多几何应用的关键组成部分。近年来迅速发展的三维处理技术,如有限元模拟、计算机动画、三维打印等,对网格质量的要求不断提升,促进了三维网格模型重新网格化的持续发展,由此产生了许多新的重新网格化技术。首先介绍了三角形网格质量评估的标准,然后概述了各向同性重新网格化的最新进展,并详细研究和比较了各种重新网格化算法的优缺点,最后对未来的研究提出了新的问题与方向。

关键词：重新网格化质量评估各向同性流场局部操作优化蓝噪声

来源：评论

学校读者我要写书评

暂无评论

自然场景图像与合成图像的快速分类

引用

中国图象图形学报 2017年第5期22卷 678-687页

作者：刘国帅仲伟峰殷飞刘成林哈尔滨理工大学自动化学院哈尔滨150080 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

目的随着现代通信和传感技术的快速发展,互联网上多媒体数据日益增长,既为人们生活提供了便利,又给信息有效利用提出了挑战。为充分挖掘网络图像中蕴含的丰富信息,同时考虑到网络中图像类型的多样性,以及不同类型的图像需要不同的处理方... 详细信息

目的随着现代通信和传感技术的快速发展,互联网上多媒体数据日益增长,既为人们生活提供了便利,又给信息有效利用提出了挑战。为充分挖掘网络图像中蕴含的丰富信息,同时考虑到网络中图像类型的多样性,以及不同类型的图像需要不同的处理方法,本文针对当今互联网中两种主要的图像类型:自然场景图像与合成图像,设计层次化的快速分类算法。方法该算法包括两层,第1层利用两类图像在颜色,饱和度以及边缘对比度上表现出来的差异性提取全局特征,并结合支持向量机(SVM)进行初步分类,第1层分类结果中低置信度的图像会被送到第2层中。在第2层中,系统基于词袋模型(bag-of-words)对图像不同类型的局部区域的纹理信息进行编码得到局部特征并结合第2个SVM分类器完成最终分类。针对层次化分类框架,文中还提出两种策略对两个分类器进行融合,分别为分类器结果融合与全局+局部特征融合。为测试算法的实用性,同时收集并发布了一个包含超过30 000幅图像的数据库。结果本文设计的全局与局部特征对两类图像具有较强的判别性。在单核Intel Xeon(R)(2.50 GHz)CPU上,分类精度可达到98.26%,分类速度超过40帧/s。另外通过与基于卷积神经网络的方法进行对比实验可发现,本文提出的算法在性能上与浅层网络相当,但消耗更少的计算资源。结论本文基于自然场景图像与合成图像在颜色、饱和度、边缘对比度以及局部纹理上的差异,设计并提取快速有效的全局与局部特征,并结合层次化的分类框架,完成对两类图像的快速分类任务,该算法兼顾分类精度与分类速度,可应用于对实时性要求较高的图像检索与数据信息挖掘等实际项目中。

关键词：图像类型快速分类特征提取词袋模型层次化分类算法

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：