检索结果-内蒙古大学图书馆

小型微型计算机系统 2019年第6期40卷 1215-1220页

作者：程淑玉郭泽颖刘威印鉴安徽电子信息职业技术学院安徽蚌埠233060 中山大学数据科学与计算机学院广东省大数据分析与处理重点实验室广州510006

自然语言推理的很多问题都可以抽象为句子匹配问题,传统的匹配方法采用的是对句子向量或句子间的词向量做匹配,这些方法都只关注句子自身的语义信息,忽略句子之间的组合特征,造成语义损失.本文提出多粒度句子交互匹配方法,引入Attentio... 详细信息

自然语言推理的很多问题都可以抽象为句子匹配问题,传统的匹配方法采用的是对句子向量或句子间的词向量做匹配,这些方法都只关注句子自身的语义信息,忽略句子之间的组合特征,造成语义损失.本文提出多粒度句子交互匹配方法,引入Attention机制,通过不同粒度、不同层次的句子交互,利用深度神经网络模型(BiLSTM)对句子蕴含关系进行分类.本文方法在SNLI语料库上进行了丰富的实验,结果表明该方法在自然语言推理任务上比当前最优的方法获得了更好的表现.

关键词：自然语言推理句子匹配 Attention机制多粒度

来源：评论

学校读者我要写书评

暂无评论

基于多源融合特征提取的在线广告预测模型

引用

计算机工程 2019年第1期45卷 178-185,191页

作者：刘冶刘荻王砚文傅自豪印鉴中山大学数据科学与计算机学院广州510006 广东省大数据分析与处理重点实验室广州510006 火烈鸟网络(广州)股份有限公司数据中心广州510630 香港理工大学电子计算学系中国香港999077

针对智能移动终端应用平台上的广告点击率(CTR)预测问题,在传统PC端Web平台在线广告CTR预测方法的基础上,提出一个新的智能移动终端在线广告投放业务架构。基于此架构,构建基于机器学习的在线广告预测模型,对用户基本信息、广告内容、... 详细信息

针对智能移动终端应用平台上的广告点击率(CTR)预测问题,在传统PC端Web平台在线广告CTR预测方法的基础上,提出一个新的智能移动终端在线广告投放业务架构。基于此架构,构建基于机器学习的在线广告预测模型,对用户基本信息、广告内容、用户使用环境等多源特征进行融合提取,实现在线广告CTR的精确预测。结合移动APP应用环境的特点,将用户历史行为数据加入预测模型进一步提高CTR预测性能。实验结果表明,该模型具有较高的CTR预测准确率。

关键词：计算广告广告点击率特征选择机器学习预测模型

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算任务卸载和基站关联协同决策问题研究

引用

计算机研究与发展 2018年第3期55卷 537-550页

作者：于博文蒲凌君谢玉婷徐敬东张建忠南开大学计算机与控制工程学院天津300071 广东省大数据分析与处理重点实验室(中山大学) 广州510006

为了缩小IoT应用的服务质量要求与IoT设备有限的计算资源之间的差距,提高设备与基站能源利用率,设计了基于超密集网络的移动边缘计算框架COMED,提出了一个结合任务卸载、设备-基站关联以及基站睡眠调度的在线优化问题,旨在最小化设备和... 详细信息

为了缩小IoT应用的服务质量要求与IoT设备有限的计算资源之间的差距,提高设备与基站能源利用率,设计了基于超密集网络的移动边缘计算框架COMED,提出了一个结合任务卸载、设备-基站关联以及基站睡眠调度的在线优化问题,旨在最小化设备和基站的整体能量消耗,同时满足IoT应用的服务质量要求.针对这一在线优化问题,提出了一个基于李雅普诺夫优化理论的任务调度算法JOSA,该算法只使用当前时间片的系统信息进行调度.仿真实验证明了COMED框架具有良好的性能:1)与设备本地处理相比,系统整体节能30%以上,与DualControl算法相比平均节能10%~50%;2)算法的执行时间与IoT设备数量呈近似线性的关系.

关键词：移动边缘计算任务卸载基站睡眠设备-基站关联 N P难问题

来源：评论

学校读者我要写书评

暂无评论

融合深度学习目标识别的监控视频摘要浓缩方法

引用

现代计算机 2020年第24期26卷 49-53页

作者：蔡恬林哲汕头职业技术学院网络与信息中心汕头515078 汕头职业技术学院计算机系汕头515078 中山大学广东省大数据分析与处理重点实验室广州510006

随着视频监控的广泛应用,视频监控数据正在以极快速度增长,传统方法直接存储、传输、浏览原始视频,效率非常低下,因此急需适合监控视频的浓缩技术,能够在保留视频主要内容的前提下压缩监控视频,缩短时长、减少数据量。针对上述问题,提... 详细信息

随着视频监控的广泛应用,视频监控数据正在以极快速度增长,传统方法直接存储、传输、浏览原始视频,效率非常低下,因此急需适合监控视频的浓缩技术,能够在保留视频主要内容的前提下压缩监控视频,缩短时长、减少数据量。针对上述问题,提出一种高效的视频摘要算法,从海量监控视频中将感兴趣的对象提取出来并融合成独立的浓缩视频。首先采用视频跟踪方法,框定视频中运动对象前景,然后识别目标并进行分割,抠选出目标图像后根据其在原始视频中的时空轨迹,依次在时间轴上平移重排,以达到浓缩时间短、目标活动轨迹交叠小的目的。实验结果验证该算法能够有效浓缩监控视频,与现有方法对比,该方法在浓缩率和实时性两方面取得更好的综合性能。

关键词：视频摘要深度学习目标识别背景建模

来源：评论

学校读者我要写书评

暂无评论

一种卷积神经网络下的目标跟踪算法

一种卷积神经网络下的目标跟踪算法

引用

第十九届全国图象图形学学术会议

作者：李凝纪庆革中山大学数据科学与计算机学院广州510006 广东省大数据分析与处理重点实验室

目标跟踪是计算机视觉领域的基础研究课题，针对当前深度学习在图像特征提取和目标识别领域的优异性能，本文提出了一种卷积神经网络下的目标跟踪算法。

关键词：计算机视觉目标跟踪卷积神经网络特征提取

来源：评论

学校读者我要写书评

暂无评论

线积分卷积与双色调映射相结合的彩色素描模拟方法

引用

中国图象图形学报 2017年第7期22卷 875-885页

作者：潘龙纪庆革陈靖中山大学数据科学与计算机学院广州510006 广东省大数据分析与处理重点实验室广州510006

目的目前学者已经设计了很多模拟油画、水彩、水墨等风格的非真实感绘制方法,而能够生成彩色素描的算法还不是很多。针对这一课题,在前人工作的基础上,结合线积分卷积与双色调映射技术,改进了一种彩色素描模拟方法。方法首先基于K-mean... 详细信息

目的目前学者已经设计了很多模拟油画、水彩、水墨等风格的非真实感绘制方法,而能够生成彩色素描的算法还不是很多。针对这一课题,在前人工作的基础上,结合线积分卷积与双色调映射技术,改进了一种彩色素描模拟方法。方法首先基于K-means聚类对彩色图像进行分割,通过计算色彩差异性为每个区域指定两种基本色,并利用双色调映射技术计算每种颜色的密度。而后利用线积分卷积分别生成两个基本色层的素描纹理,并将两层纹理相融合来生成彩色纹理。与此同时,利用霓虹变换生成素描轮廓线。最后,将轮廓与彩色纹理相融合来得到彩色素描效果。结果实验结果表明,本文方法能够实现由彩色图像到彩铅画的自动、实时转化。结论本文方法从轮廓和纹理两个角度模拟了真实的彩铅绘画过程。基于K-means聚类的分割方法得到的结果能够更好地反映彩色图像的颜色分布特性。通过色彩差异性计算指定基本色的策略提高了该环节的效率,满足了实时性要求。由于粉笔、蜡笔等绘画风格的调色与彩铅画类似,本文不同颜色层上下叠加的方式可以扩展到对其他介质绘画的模拟当中。

关键词：非真实感绘制彩色素描双色调映射线积分卷积

来源：评论

学校读者我要写书评

暂无评论

协同运动状态估计的多目标跟踪算法

引用

计算机科学 2017年第B11期44卷 154-159页

作者：袁大龙纪庆革中山大学数据科学与计算机学院广州510006 广东省大数据分析与处理重点实验室广州510006

多目标跟踪在视频分析场景中有着广泛的应用,如人机交互、虚拟现实、自动驾驶、视频监控和机器人导航等。多目标跟踪问题可以表示为在已有的检测数据上进行目标轨迹关联,检测算法的准确性对跟踪性能起着关键性的作用。在基于检测的目标... 详细信息

多目标跟踪在视频分析场景中有着广泛的应用,如人机交互、虚拟现实、自动驾驶、视频监控和机器人导航等。多目标跟踪问题可以表示为在已有的检测数据上进行目标轨迹关联,检测算法的准确性对跟踪性能起着关键性的作用。在基于检测的目标跟踪框架中,提出了一种协同运动状态估计的跟踪算法,该算法主要关注相邻帧之间的数据关联,从目标检测、目标运动状态估计和数据关联这3个方面来直接解决多目标跟踪面临的挑战。首先,对于目标检测,采用Multi Scale Convolutional Neural Network(MS-CNN)算法作为检测器,这是因为深度学习在检测的效益上优于传统的机器学习方法;其次,为了更好地预测目标的运动状态和处理目标间的遮挡,针对不同状态的目标采取不同的运动估计方法:采用核相关滤波来评估处于跟踪状态的目标的运动状态,当目标处于遮挡状态时,采用卡尔曼滤波做运动估计;最后,采用Kuhn-Munkres算法对检测目标和跟踪轨迹做数据关联。通过大量的实验证实了算法的有效性,且实验结果表明算法的准确性很高。

关键词：多目标跟踪卡尔曼滤波核相关滤波数据关联目标检测

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：