检索结果-内蒙古大学图书馆

北京航空航天大学学报 2025年第1期51卷 63-74页

作者：马金林崔琦磊马自萍武江涛曹浩杰北方民族大学计算机科学与工程学院银川750021 图像图形智能信息处理国家民委重点实验室银川750021 北方民族大学数学与信息科学学院银川750021

基于图卷积网络的三维人体姿态估计方法无法提取关节点的多尺度特征和未充分利用相邻节点的拓扑关系问题,提出自调节图卷积UNet的三维人体姿态估计方法M-Joint-UNet。M-Joint-UNet方法由Joint-UNet、自调节图卷积和融合损失3部分组成:Jo... 详细信息

基于图卷积网络的三维人体姿态估计方法无法提取关节点的多尺度特征和未充分利用相邻节点的拓扑关系问题,提出自调节图卷积UNet的三维人体姿态估计方法M-Joint-UNet。M-Joint-UNet方法由Joint-UNet、自调节图卷积和融合损失3部分组成:Joint-UNet通过关节点池化与去池化改变特征图大小,以提取关节点的不同尺度特征;自调节图卷积通过可学习矩阵自动调节相邻节点或人体骨架结构的关系;使用L_(1)和L_(2)融合的损失缓解梯度爆炸。对比实验表明:所提方法在参数量和估计性能方面均获得了最优的结果,以Human3.6M的二维真实关节点作为输入的参数量仅为0.54×10^(6),MPJPE和P-MPJPE值分别为37.81 mm和30.21 mm。

关键词：三维人体姿态估计图卷积 Graph-UNet 关节点池化权重矩阵

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征融合与重构卷积的肝肿瘤图像分割方法

引用

华南理工大学学报(自然科学版) 2025年第05期 94-108页

作者：马金林酒志青马自萍夏明格张凯程叶霞马瑞士北方民族大学图形图像智能信息处理国家民委重点实验室北方民族大学计算机科学与工程学院北方民族大学数学与信息科学学院中国移动通信有限公司

针对肝肿瘤图像特征表达能力不足和全局上下文信息传递受限的问题，该文提出一种基于改进U-Net的肝肿瘤图像分割方法。首先，设计了一种低秩重构卷积来优化传统卷积运算所导致的大量参数问题，并用其构建使用残差结构改进编解码器的卷... 详细信息

针对肝肿瘤图像特征表达能力不足和全局上下文信息传递受限的问题，该文提出一种基于改进U-Net的肝肿瘤图像分割方法。首先，设计了一种低秩重构卷积来优化传统卷积运算所导致的大量参数问题，并用其构建使用残差结构改进编解码器的卷积核重构模块，使编码器保留更多的细节信息，并使解码器能更有效地恢复信息，以提升肝肿瘤图像特征的表达能力。然后，为丰富全局上下文信息的传递，设计了三分支空间金字塔池化模块来优化瓶颈结构的信息传递，打破单一路径的限制。接着，设计了多尺度特征融合模块来优化编码器信息的复用机制，增强模型对全局上下文信息的建模能力，并提升其在提取不同尺度肝肿瘤图像特征时的效能。最后，在LiTS2017和3DIRCADb数据集上对该文方法的性能进行了测试。实验结果表明：在LiTS2017数据集上的肝脏图像分割任务中，该文方法的Dice系数和IoU值分别达97.56%和95.25%，在肝肿瘤图像分割任务中的Dice系数和IoU值分别达89.71%和81.58%；在3DIRCADb数据集上的肝脏图像分割任务中，该文方法的Dice系数和IoU值分别达97.63%和95.39%，在肝肿瘤图像分割任务中的Dice系数和IoU值分别达89.62%和81.63%。

关键词：肝肿瘤图像分割卷积核重构空间金字塔池化多尺度特征融合

来源：评论

学校读者我要写书评

暂无评论

融合关系路径和上下文的归纳关系预测模型

引用

深圳大学学报(理工版) 2025年

作者：刘雪洋李卫军丁建平刘世侠王子怡苏易礌北方民族大学计算机科学与工程学院图形图像智能处理国家民委重点实验室(银川)

针对现有的归纳关系预测方法中大多只考虑实体之间的关系路径，未考虑关系上下文包含的头尾实体的性质的问题，提出一种融合关系路径和关系上下文的归纳关系预测模型（inductive relation prediction integrating relation path and con... 详细信息

针对现有的归纳关系预测方法中大多只考虑实体之间的关系路径，未考虑关系上下文包含的头尾实体的性质的问题，提出一种融合关系路径和关系上下文的归纳关系预测模型（inductive relation prediction integrating relation path and context, IRP-RPC），将关系上下文作为关系路径的补充来进行归纳关系预测．该方法仅依赖于关系语义信息，因此能够自然地推广到完全归纳的设场景．先使用随机行走寻径策略获取关系路径和关系上下文，再设计并实现一个层次化的融合了门控网络的Transformer架构来统一聚合关系路径和关系上下文，以捕获实体之间的联系和实体的内在属性，并采用这些组件的自适应加权组合来做出最终预测．在公开的FB15K-237和NELL-995的8个版本归纳数据集上进行实验，与9个基线模型相比，IRP-RPC在AUC-PR和Hits@10指标上均取得了优异的性能，验证了其有效性和可推广性．实验结果表明，IRP-RPC模型通过融合关系路径和关系上下文，能够更全面地建模实体间的语义联系与结构信息，在解决传统归纳关系预测方法中路径信息与上下文信息利用不足的问题上具有显著优势.

关键词：人工智能知识工程知识图谱归纳关系预测 Transformer 门控网络关系路径关系上下文

来源：评论

学校读者我要写书评

暂无评论

融合Bi-LSTM与多头注意力的分层强化学习推理方法

引用

计算机应用研究 2025年第1期42卷 71-77页

作者：李卫军刘世侠刘雪洋丁建平苏易礌王子怡北方民族大学计算机科学与工程学院银川750021 北方民族大学图形图像智能处理国家民委重点实验室银川750021

知识推理作为知识图谱补全中一项重要任务,受到了学术界的广泛关注。针对知识推理可解释性差、不能利用隐藏语义信息和奖励稀疏的问题提出了一种融合Bi-LSTM与多头注意力机制的分层强化学习方法。将知识图谱通过谱聚类分簇,使智能体分... 详细信息

知识推理作为知识图谱补全中一项重要任务,受到了学术界的广泛关注。针对知识推理可解释性差、不能利用隐藏语义信息和奖励稀疏的问题提出了一种融合Bi-LSTM与多头注意力机制的分层强化学习方法。将知识图谱通过谱聚类分簇,使智能体分别在簇与实体间进行推理,利用Bi-LSTM与多头注意力机制融合模块对智能体的历史信息进行处理,可以更有效地发现和利用知识图谱隐藏的语义信息。Hight智能体通过分层策略网络选择目标实体所在的簇,指导Low智能体进行实体间的推理。利用强化学习智能体可以有效地解决可解释性差的问题,并通过相互奖励机制对两个智能体的动作选择以及搜索路径给予奖励,以解决智能体奖励稀疏的问题。在FB15K-237、WN18RR、NELL-995三个公开数据集上的实验结果表明,提出的方法能够捕捉序列数据中的长期依赖关系对长路径进行推理,并且在推理任务中的性能优于同类方法。

关键词：知识推理分层强化学习 Bi-LSTM 多头注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于大语言模型的智能问答系统研究综述

引用

计算机工程与应用 2025年第7期61卷 1-24页

作者：任海玉刘建平王健顾勋勋陈曦张越赵昌顼北方民族大学计算机科学与工程学院银川750021 北方民族大学图像图形智能处理国家民委重点实验室银川750021 中国农业科学院农业信息研究所北京100081

智能问答是自然语言处理中的一个核心的子领域,旨在理解并回答用户提出的自然语言问题的系统。传统的问答系统通常依赖于预定义的规则和有限的语料库,无法处理复杂的多轮对话。大语言模型是一种基于深度学习技术的自然语言处理模型,拥... 详细信息

智能问答是自然语言处理中的一个核心的子领域,旨在理解并回答用户提出的自然语言问题的系统。传统的问答系统通常依赖于预定义的规则和有限的语料库,无法处理复杂的多轮对话。大语言模型是一种基于深度学习技术的自然语言处理模型,拥有数十亿甚至上千亿个参数,不仅能够理解和生成自然语言,还能显著提升问答系统的准确性和效率,推动智能问答技术的发展。近年来,基于大模型技术的智能问答逐渐成为研究热点,但对该领域的系统性综述仍然较为欠缺。因此,针对大模型的智能问答系统进行系统综述,介绍了问答系统的基本概念和数据集及其评价指标;介绍了基于大模型的问答系统,其中包括基于提示学习的问答系统、基于知识图谱的问答系统、基于检索增强生成的问答系统和基于智能代理的问答系统以及微调在问答任务中的技术路线,并对比了五种方法在问答系统中的优缺点和应用场景;对于当前基于大语言模型的问答系统面临的研究挑战和未来发展趋势进行了总结。

关键词：大语言模型智能问答自然语言处理检索增强生成提示学习知识图谱

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的知识推理方法研究综述

引用

计算机工程与应用 2025年第10期 50-65页

作者：刘雪洋李卫军刘世侠丁建平苏易礌北方民族大学计算机科学与工程学院北方民族大学图形图像智能处理国家民委重点实验室

知识推理作为知识图谱补全中一项重要任务，受到了学术界的广泛关注。随着知识推理技术的发展，将图神经网络应用于知识推理的方法可以充分考虑知识图谱的结构信息，使其具备更好的可解释性和更强的推理能力，是目前的研究热点之一。对... 详细信息

知识推理作为知识图谱补全中一项重要任务，受到了学术界的广泛关注。随着知识推理技术的发展，将图神经网络应用于知识推理的方法可以充分考虑知识图谱的结构信息，使其具备更好的可解释性和更强的推理能力，是目前的研究热点之一。对知识图谱和知识推理的基本概念进行了叙述。从封闭世界和开放世界两个角度对基于图神经网络的知识推理方法进行了归纳。在封闭世界下，介绍了图卷积神经网络和图注意力神经网络两类方法；在开放世界中，探讨了半归纳式和全归纳式两种方法。对这些方法的典型模型框架进行了对比分析，并总结了各自的优缺点。最后对图神经网络推理在智能问答、推荐系统以及生物医疗上的应用进行了探讨，并对基于图神经网络知识推理的未来研究方向进行了展望。

关键词：知识图谱图神经网络知识推理封闭世界开放世界归纳推理

来源：评论

学校读者我要写书评

暂无评论

改进白鲸优化卷积网络在银川市空气质量预测中的应用

引用

安全与环境学报 2024年第10期24卷 4079-4093页

作者：雷冰冰牟云飞王晓峰韩镏北方民族大学计算机科学与工程学院银川750021 北方民族大学图形图像智能处理国家民委重点实验室银川750021

空气质量指数(Air Quality Index,AQI)的精准预测对环境治理具有重要意义。研究针对影响银川市空气质量的PM_(2.5)、PM_(10)等6项污染物指标,提出基于因子分析法-改进白鲸优化算法-卷积神经网络(Factor Analysis-Improved Beluga Whale ... 详细信息

空气质量指数(Air Quality Index,AQI)的精准预测对环境治理具有重要意义。研究针对影响银川市空气质量的PM_(2.5)、PM_(10)等6项污染物指标,提出基于因子分析法-改进白鲸优化算法-卷积神经网络(Factor Analysis-Improved Beluga Whale Optimization-Convolutional Neural Network,FA-IBWO-CNN)的复合AQI预测模型。该模型利用FA法对影响空气质量的6项污染物指标进行相关性分析,并通过计算因子载荷矩阵将新的因子映射到旧的污染物指标上,从而提出一种新的空气污染指标因子表示方式。在此基础上,采用IBWO算法与动态阈值策略和白鲸患病策略,计算训练深度神经网络所需的超参数,改善超参数寻优能力并提高模型收敛速率。研究以CNN作为基线模型,通过IBWO算法优化CNN的全连接层神经数和学习率,实现对银川市AQI预测。利用银川市历史空气质量数据进行试验,结果显示:FA-IBWO-CNN模型与未经优化的CNN模型相比,平均绝对误差(N_(MAE))、均方根误差(N_(RMSE))和平均百分比绝对误差(N_(MAPE))分别提升了56.15%、50.28%和13.943百分点,在预测方面表现出良好的性能。

关键词：环境工程学空气质量指数预测因子分析法改进白鲸优化算法卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于CRITIC和多策略秃鹰优化BiLSTM的水质预测研究

引用

安全与环境学报 2024年第9期24卷 3688-3702页

作者：雷冰冰韩镏石佳圆马占有牟云飞北方民族大学计算机科学与工程学院银川750021 北方民族大学图形图像智能处理国家民委重点实验室银川750021

科学有效地预测水质对于水环境的可持续发展和人类健康具有重要意义,为此以固原市某黄河断面的水质监测数据为研究对象,提出了基于指标客观性的权重赋权(Criteria Importance Though Intercriteria Correlation,CRITIC)法和改进的秃鹰搜... 详细信息

科学有效地预测水质对于水环境的可持续发展和人类健康具有重要意义,为此以固原市某黄河断面的水质监测数据为研究对象,提出了基于指标客观性的权重赋权(Criteria Importance Though Intercriteria Correlation,CRITIC)法和改进的秃鹰搜索(Improved Bald Eagle Search,IBES)算法优化双向长短时记忆网络(Bidirectional Long Short-Term Memory Network,BiLSTM)的组合水质等级预测模型。首先,采用CRITIC法确定各水质指标的权重,加权求和获得一项综合水质指标,从而提出一种改进的水质评价指标体系,以为BiLSTM提供更丰富、更可靠的水质特征信息。其次,在训练过程中引入Logistic映射和莱维飞行策略,并设计交叉共享及准反向搜索策略优化秃鹰搜索(Bald Eagle Search,BES)算法,以提升其种群多样性,增强寻优能力。最后,通过IBES算法迭代寻找BiLSTM的最佳学习率、隐藏层节点数以及正则化系数的超参数组合,进一步提高其预测水平。结果显示:与IBES-BiLSTM、BES-BiLSTM、GA-BiLSTM、PSO-BiLSTM和BiLSTM等模型相比,CRITIC-IBES-BiLSTM模型进行水质等级预测的准确率、精准率、召回率及F_(1)均最高,且具有更好的稳定性。

关键词：环境工程学水质预测指标客观性的权重赋权法(CRITIC)法改进的秃鹰搜索算法双向长短时记忆网络(BiLSTM)

来源：评论

学校读者我要写书评

暂无评论

解耦同类自知识蒸馏的轻量化唇语识别方法

引用

北京航空航天大学学报 2024年第12期50卷 3709-3719页

作者：马金林刘宇灏马自萍郭兆伟吕鑫北方民族大学计算机科学与工程学院银川750021 北方民族大学图像图形智能处理国家民委重点实验室银川750021 北方民族大学数学与信息科学学院银川750021

针对唇语识别模型因参数量和计算量较大而无法在移动终端和边缘设备上应用的问题,提出基于解耦同类自知识蒸馏和GhostNet-TSM的唇语识别方法。提出具有时序特征提取能力的GhostNet-TSM网络;将同类自知识蒸馏的特征解耦为目标类特征和非... 详细信息

针对唇语识别模型因参数量和计算量较大而无法在移动终端和边缘设备上应用的问题,提出基于解耦同类自知识蒸馏和GhostNet-TSM的唇语识别方法。提出具有时序特征提取能力的GhostNet-TSM网络;将同类自知识蒸馏的特征解耦为目标类特征和非目标类特征,分别设置损失函数,以提高模型的识别精度;使用解耦同类自知识蒸馏方法在LRW和LIP350数据集上进行模型训练,并在OuluVS数据集上进行验证。实验结果表明:GhostNet-TSM网络在LRW数据集上达到了85.2%的识别准确率,超过了多数非轻量化模型,浮点数计算量和模型参数量降低至0.988 GFLOPs和20.310×10~6。

关键词：唇语识别知识蒸馏轻量化 GhostNet TSM模块

来源：评论

学校读者我要写书评

暂无评论

面向图像分类的视觉Transformer研究进展

引用

计算机科学与探索 2024年第2期18卷 320-344页

作者：彭斌白静李文静郑虎马向宇北方民族大学计算机科学与工程学院银川750021 图像图形智能信息处理国家民委重点实验室银川750021

Transformer是一种基于自注意力机制的深度学习模型,在计算机视觉中展现出巨大的潜力。而在图像分类任务中,关键的挑战是高效而准确地捕捉输入图片的局部和全局特征。传统方法使用卷积神经网络的底层提取其局部特征,并通过卷积层堆叠扩... 详细信息

Transformer是一种基于自注意力机制的深度学习模型,在计算机视觉中展现出巨大的潜力。而在图像分类任务中,关键的挑战是高效而准确地捕捉输入图片的局部和全局特征。传统方法使用卷积神经网络的底层提取其局部特征,并通过卷积层堆叠扩大感受野以获取图像的全局特征。但这种策略在相对短的距离内聚合信息,难以建立长期依赖关系。相比之下,Transformer的自注意力机制通过直接比较特征在所有空间位置上的相关性,捕捉了局部和全局的长距离依赖关系,具备更强的全局建模能力。因此,深入探讨Transformer在图像分类任务中的问题是非常有必要的。首先以Vision Transformer为例,详细介绍了Transformer的核心原理和架构。然后以图像分类任务为切入点,围绕与视觉Transformer研究中的性能提升、计算成本和训练优化相关的三个重要方面,总结了视觉Transformer研究中的关键问题和最新进展。此外,总结了Transformer在医学图像、遥感图像和农业图像等多个特定领域的应用情况。这些领域中的应用展示了Transformer的多功能性和通用性。最后,通过综合分析视觉Transformer在图像分类方面的研究进展,对视觉Transformer的未来发展方向进行了展望。

关键词：深度学习视觉Transformer 网络架构图像分类自注意力机制

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：