检索结果-内蒙古大学图书馆

通信学报 2020年第3期41卷 197-206页

作者：刘真王娜娜王晓东孙永奇北京交通大学计算机与信息技术学院北京100044

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据... 详细信息

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的POI推荐算法相比,PSC-SMLP可以深层学习用户对POI的个性化偏好,在准确率、召回率、nDCG、平均精度等指标中均获得较大提升。

关键词：基于位置的社交网络 POI推荐谱聚类谱嵌入神经网络

来源：评论

学校读者我要写书评

暂无评论

基于三维点云的卷积运算综述

引用

计算机研究与发展 2023年第4期60卷 873-902页

作者：韩冰张鑫云任爽北京交通大学计算机与信息技术学院北京100044

随着深度相机、激光雷达等3D扫描设备的普及,用点云表示3D数据的方法越来越流行,对点云数据的分析与处理也引起了视觉研究领域的极大兴趣.一般来说,由于分布在3D几何空间中的点云是无序的,可以形成特定的结构,因此学习到的特征表示应该... 详细信息

随着深度相机、激光雷达等3D扫描设备的普及,用点云表示3D数据的方法越来越流行,对点云数据的分析与处理也引起了视觉研究领域的极大兴趣.一般来说,由于分布在3D几何空间中的点云是无序的,可以形成特定的结构,因此学习到的特征表示应该具备排列不变性、旋转和平移不变性、形状区分性.近年来,越来越多的研究人员基于点云的这些特性采用深度学习这一人工智能领域中的主流技术来处理分析点云数据.其中,卷积神经网络使用的卷积运算具备权重共享、局部聚合和变换不变等优点,减少了训练参数的个数,并具有较强的鲁棒性,可以有效地降低网络复杂度并提升网络性能,因此在各种2D视觉问题(如图像、视频)上的研究及应用已经相对成熟,这也引起了研究人员的高度关注并尝试将其引入到点云处理任务中.但传统的标准卷积运算往往无法直接作用于点云这种不规则数据上,一些研究人员进而对卷积运算及其卷积算子展开了深入的探索,并提出了多种卷积策略和网络以提高计算效率和算法性能.为了促进之后的研究,首先对现有点云研究中所使用的卷积方法进行了概述,包括基于投影的方法、基于体素的方法、基于晶格的方法、基于图的方法和基于点的方法.之后着重针对直接处理3D点云的卷积算子和网络的最新进展进行了全面的综述,主要分为离散卷积和连续卷积,此外还对使用不同卷积算子的网络在处理点云的分类和分割等任务上的性能进行了全面地分析与对比.最后针对现存的问题与面临的挑战进行了进一步分析,并探索了未来可能的研究方向,希望为点云未来更深入的研究提供新思路.

关键词：点云卷积神经网络基于点的卷积算子离散卷积连续卷积

来源：评论

学校读者我要写书评

暂无评论

基于评价指标组合特征的三维模型检索方法

引用

计算机辅助设计与图形学学报 2009年第11期21卷 1563-1568页

作者：万丽莉刘美琴北京交通大学计算机与信息技术学院北京100044

特征组合是提高三维模型检索有效性的一种重要手段,为了能更有效地引导特征组合,提出一种借助检索有效性单值评价指标来进行特征组合的方法.该方法采用了深度图、视图特征集、法向量信息熵和射线4种特征,首先对训练集分别计算这4种特征... 详细信息

特征组合是提高三维模型检索有效性的一种重要手段,为了能更有效地引导特征组合,提出一种借助检索有效性单值评价指标来进行特征组合的方法.该方法采用了深度图、视图特征集、法向量信息熵和射线4种特征,首先对训练集分别计算这4种特征的检索有效性单值评价指标,并依据这些评价指标来确定特征距离的权重;然后在对测试集的检索中,使用权重来组合根据单一特征得到的特征距离,以度量三维模型的相似性.实验结果表明,文中方法的检索有效性优于经典的DESIRE特征组合方法.

关键词：特征组合三维模型检索形状特征评价指标

来源：评论

学校读者我要写书评

暂无评论

基于what和where信息的目标检测方法

引用

电子学报 2007年第11期35卷 2055-2061页

作者：田媚罗四维廖灵芝北京交通大学计算机与信息技术学院北京100044

根据视觉系统两条通路理论,提出了一种基于what和where信息的目标检测方法.采用以环境为中心的where信息进行自顶向下的注意控制,指导what信息驱动的自底向上的注意.自顶向下的注意包括预注意和集中注意两个阶段,预注意依据where信息为... 详细信息

根据视觉系统两条通路理论,提出了一种基于what和where信息的目标检测方法.采用以环境为中心的where信息进行自顶向下的注意控制,指导what信息驱动的自底向上的注意.自顶向下的注意包括预注意和集中注意两个阶段,预注意依据where信息为特定目标出现与否提供先验,做出是否继续搜索的判定.集中注意的结果与what信息相结合,将注意指向目标最有可能出现的图像区域,并得到一系列样本显著区域.应用于多幅自然图像的实验结果证明了算法的有效性.

关键词：自顶向下的注意 where信息 what信息目标检测

来源：评论

学校读者我要写书评

暂无评论

采用PageRank和节点聚类系数的标签传播重叠社区发现算法

引用

国防科技大学学报 2019年第1期41卷 183-190页

作者：马健刘峰李红辉樊建平北京交通大学计算机与信息技术学院北京100044

基于标签传播的社区发现算法可以检测出复杂网络的重叠社区结构,因此提出了一种基于PageRank和节点聚类系数的重叠社区发现算法。该算法使用PageRank算法对节点的影响力进行排序,可以稳定社区发现结果,节点的聚类系数是一个与节点相关的... 详细信息

基于标签传播的社区发现算法可以检测出复杂网络的重叠社区结构,因此提出了一种基于PageRank和节点聚类系数的重叠社区发现算法。该算法使用PageRank算法对节点的影响力进行排序,可以稳定社区发现结果,节点的聚类系数是一个与节点相关的值,使用节点聚类系数修改算法的参数并限制每个节点拥有最多标签的数量值,可以提高社区挖掘的质量。在人工网络和真实世界的网络上测试,实验验证了该算法能够有效地检测出重叠社区,并具有可接受的时间效率和算法复杂度。

关键词：社区发现重叠社区标签传播聚类系数 PageRank算法节点影响力

来源：评论

学校读者我要写书评

暂无评论

基于随机子空间的半监督协同训练算法

引用

电子学报 2008年第B12期36卷 60-65页

作者：王娇罗四维曾宪华北京交通大学计算机与信息技术学院北京100044

半监督学习是近年来的一个研究热点.协同训练(co-training)是利用未标记数据来提高传统监督学习性能的一种半监督学习范式.本文提出一种基于随机子空间的协同训练算法(RAndom Subspace CO-training,简称为RAS-CO).该算法探讨多视图的协... 详细信息

半监督学习是近年来的一个研究热点.协同训练(co-training)是利用未标记数据来提高传统监督学习性能的一种半监督学习范式.本文提出一种基于随机子空间的协同训练算法(RAndom Subspace CO-training,简称为RAS-CO).该算法探讨多视图的协同训练.用随机判别的理论分析了算法的分类精度和泛化能力.讨论了随机子空间的维数和个数对分类性能的影响.在UCI数据集上的实验结果表明,与其它同类算法相比,RASCO算法有较好的性能.

关键词：半监督学习随机子空间随机判别协同训练多视图 RASCO

来源：评论

学校读者我要写书评

暂无评论

基于图像-文本语义一致性的文本生成图像方法

引用

计算机研究与发展 2023年第9期60卷 2180-2190页

作者：薛志杭许喆铭郎丛妍冯松鹤王涛李浥东北京交通大学计算机与信息技术学院北京100044

近年来,以生成对抗网络(generative adversarial network,GAN)为基础的文本生成图像方法成为跨媒体融合研究的一大热门领域.文本生成图像方法旨在通过提取更具表征力的文本及图像特征,提升文本描述与生成图像之间的语义一致性.现有方法... 详细信息

近年来,以生成对抗网络(generative adversarial network,GAN)为基础的文本生成图像方法成为跨媒体融合研究的一大热门领域.文本生成图像方法旨在通过提取更具表征力的文本及图像特征,提升文本描述与生成图像之间的语义一致性.现有方法大多针对在图像全局特征与初始文本语义特征之间进行建模,忽略了初始文本特征的局限性,且没有充分利用具有语义一致性的生成图像对文本特征的指导作用,因而降低了文本生成图像中文本信息的表征性.其次,由于没有考虑到生成目标区域间的动态交互,生成网络只能粗略地划分目标区域,且忽略了图像局部区域与文本语义标签的潜在对应关系.为解决上述问题,提出了一种基于图像-文本语义一致性的文本生成图像方法ITSC-GAN.该模型首先设计了一个文本信息增强模块(text information enhancement module,TEM),利用生成图像对文本信息进行增强,从而提高文本特征的表征能力.另外,该模型提出了一个图像区域注意力模块(image regional attention module,IRAM),通过挖掘图像子区域之间的关系,增强图像特征的表征能力.通过联合利用这2个模块,使得图像局部特征与文本语义标签之间具有更高的一致性.最后,该模型使用生成器与判别器损失函数作为约束,以提升生成图像的质量,促进图像与文本描述的语义一致.实验结果表明,在CUB数据集上,与当前主流方法AttnGAN模型相比,ITSC-GAN模型的IS(inception score)指标增长了约7.42%,FID(Fréchet inception distance)减少了约28.76%,R-precision增加了约14.95%.大量实验结果充分验证了ITSC-GAN模型的有效性及优越性.

关键词：文本生成图像生成对抗网络图像区域注意力文本信息增强语义一致性

来源：评论

学校读者我要写书评

暂无评论

用户行为反馈的网格资源检索方法研究

引用

兵工学报 2010年第8期31卷 1119-1124页

作者：蔺源罗四维高瞻北京交通大学计算机与信息技术学院北京100044

面向服务的网格环境下,资源种类多样,表示方式混杂,传统的网格资源检索方法不再适用于越来越复杂的网格环境,如何在复杂网格环境下建立一种合理有效的资源检索方法是目前网格发展的重点。提出了一种基于用户行为反馈的网格资源检索方法... 详细信息

面向服务的网格环境下,资源种类多样,表示方式混杂,传统的网格资源检索方法不再适用于越来越复杂的网格环境,如何在复杂网格环境下建立一种合理有效的资源检索方法是目前网格发展的重点。提出了一种基于用户行为反馈的网格资源检索方法,这种方法建立在网格用户行为的基础上,利用用户行为的历史记录结合自适应的相关反馈方法对网格资源进行分析,通过资源的访问路径、访问频度、访问时间和检索结果等建立网格资源间的关联模型。该方法在某种程度上使网格资源检索结果与用户的主观感知更加接近,减轻了异构网格环境产生的语义混杂、模糊问题,并通过实验证明有较高的检索精确度。

关键词：计算机应用网格用户行为资源检索相关反馈

来源：评论

学校读者我要写书评

暂无评论

融合实体外部知识的远程监督关系抽取方法

引用

计算机研究与发展 2022年第12期59卷 2794-2802页

作者：高建伟万怀宇林友芳北京交通大学计算机与信息技术学院北京100044

远程监督关系抽取旨在从无结构化的文本当中发现关系事实,它对许多下游任务有着非常重要的意义.虽然远程监督可以自动地生成大量带标签的训练样本,但是自动标注的过程不可避免地会遇到噪声数据的问题.当前的许多研究工作主要把关注点放... 详细信息

远程监督关系抽取旨在从无结构化的文本当中发现关系事实,它对许多下游任务有着非常重要的意义.虽然远程监督可以自动地生成大量带标签的训练样本,但是自动标注的过程不可避免地会遇到噪声数据的问题.当前的许多研究工作主要把关注点放在降噪的过程当中,尝试通过选择出正确的句子来生成更有效的包级别特征表示.但是在文本语料之外,还存在着大量与实体相关的外部知识没有被充分利用,而这些知识能够帮助模型更好地理解实体之间的关系.基于这一观察,提出了一种新颖的远程监督关系抽取方法,该方法通过利用外部知识图谱当中的结构化知识和文本语料中的语义知识,设计了一种实体知识感知的词嵌入表示方法,来丰富句子级别的特征表达能力.实验结果表明,在2个版本的大规模“纽约时报”基准数据集上,该方法都明显优于其他方法.此外,还通过对比实验进一步探索了2个版本的数据集所存在的差异,其中无实体交集的数据集能够更有效地反映模型性能.

关键词：关系抽取远程监督知识表示词嵌入门控机制

来源：评论

学校读者我要写书评

暂无评论

一种不完全维组合格及其增量构造算法

引用

计算机研究与发展 2005年第3期42卷 455-461页

作者：高宏彬林友芳黄厚宽北京交通大学计算机与信息技术学院北京100044

数据仓库多维模型中的维结构具有层次性的特点,并且动态决策分析也有在维的不同层次间切换的需求,因此维在逻辑上一般采用层次结构来组织.传统的代数格模型只支持单维单关键字,维组合格模型则对代数格模型进行了扩展,能够支持单维复合... 详细信息

数据仓库多维模型中的维结构具有层次性的特点,并且动态决策分析也有在维的不同层次间切换的需求,因此维在逻辑上一般采用层次结构来组织.传统的代数格模型只支持单维单关键字,维组合格模型则对代数格模型进行了扩展,能够支持单维复合关键字.进一步改进了维组合格模型,引入了不完全维组合格的概念,以实现在多维数据立方体的维模型建模阶段对立方体视图空间的约简.给出了维组合格上的基本操作,并应用这些基本操作实现了一种由维格增量构造不完全维组合格的算法.

关键词：数据仓库多维数据模型维层次结构维组合格

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：