检索结果-内蒙古大学图书馆

遥感信息 2025年第1期40卷 142-148页

作者：黄艺煊王立才喻金桃何江涛华北计算技术研究所大数据研发中心北京100083

遥感图像目标检测向来有复杂背景干扰、目标尺度不一、小目标检测难的挑战。针对以上问题,文章提出了一种基于YOLOv5改进的遥感图像目标检测算法。首先,对YOLOv5的主干网络进行改进,引入了一种基于双通道注意力机制的CBAM卷积模块,以取... 详细信息

遥感图像目标检测向来有复杂背景干扰、目标尺度不一、小目标检测难的挑战。针对以上问题,文章提出了一种基于YOLOv5改进的遥感图像目标检测算法。首先,对YOLOv5的主干网络进行改进,引入了一种基于双通道注意力机制的CBAM卷积模块,以取代传统的卷积操作,从而提升模型的特征提取能力。其次,使用SIoU替换CIoU,添加角度惩罚,有效减少了损失的总自由度,提升检测框的定位能力。为了提高检测精度,文章还引入了一种自适应融合策略ASFF,将多个尺度的特征图进行自适应加权融合,解决目标尺度多变带来的问题。实验结果表明,该方法在公开数据集NWPU VHR-10上与其他算法进行对比并取得了优秀的检测性能,在实际应用中具有很高的实用性。

关键词：深度学习目标检测特征融合小目标计算机视觉

来源：评论

学校读者我要写书评

暂无评论

基于句粒度提示的大语言模型时序知识问答方法

引用

网络安全与数据治理 2023年第12期42卷 7-13页

作者：李志东罗琪彬乔思龙华北计算技术研究所大数据研发中心北京100083

知识问答是自然语言处理领域的研究热点之一,而时序知识问答还需考虑知识的时序关系,更是研究难点所在。当前时序知识问答方法通常将知识和问题的词向量相似度作为回答的重要依据,忽略了知识所蕴含的句粒度语义信息。对此,提出了一种基... 详细信息

知识问答是自然语言处理领域的研究热点之一,而时序知识问答还需考虑知识的时序关系,更是研究难点所在。当前时序知识问答方法通常将知识和问题的词向量相似度作为回答的重要依据,忽略了知识所蕴含的句粒度语义信息。对此,提出了一种基于句粒度提示的大语言模型时序知识问答方法,首先通过对句粒度提示的改进,让大语言模型高效学习句粒度语义信息,同时验证大语言模型在Zero-shot、Few-shot及弱监督微调下时序知识问答能力。在ICEWS05-15数据集上进行实验,所提方法回答正确准确率得到可观提升,体现了基于句粒度提示的大语言模型时序知识问答方法的有效性。

关键词：时序知识问答大语言模型提示学习自然语言处理

来源：评论

学校读者我要写书评

暂无评论

融合触发词特征的事件抽取

引用

计算机系统应用 2023年第10期32卷 229-234页

作者：王立才李兴宇黄杨琛罗琪彬华北计算技术研究所大数据研发中心北京100083

事件抽取是信息抽取领域的重点研究方向.为了提升事件抽取效果,解决通用事件抽取方法无法充分利用文本特征信息的问题,提出了融合触发词特征的事件抽取方法.通过构建远程触发词库,为事件类型分类模型提供额外特征信息,增强事件触发词的... 详细信息

事件抽取是信息抽取领域的重点研究方向.为了提升事件抽取效果,解决通用事件抽取方法无法充分利用文本特征信息的问题,提出了融合触发词特征的事件抽取方法.通过构建远程触发词库,为事件类型分类模型提供额外特征信息,增强事件触发词的发掘能力,再融合事件类型与触发词距离特征,提升事件要素抽取模型的表示学习能力,最后,将事件类型分类模型与事件要素抽取模型串联,提升事件抽取效果.在DuEE数据集上进行实验,与其他模型相比,本模型提升了准确率、召回率、F1值,证明了本模型的有效性.

关键词：事件抽取预训练模型特征工程深度学习自然语言处理

来源：评论

学校读者我要写书评

暂无评论

基于功能保持的特征金字塔目标检测网络

引用

模式识别与人工智能 2020年第6期33卷 507-517页

作者：徐成琪洪学海中国科学院计算技术研究所信息技术战略研究中心北京100190 中国科学院大学计算机科学与技术学院北京100049 上饶市中科院云计算中心大数据研究院研发中心上饶334000 中国科学院计算机网络信息中心信息化发展战略与评估中心北京100190

针对特征金字塔网络在多尺度与小目标检测上的问题,提出基于功能保持的特征金字塔目标检测网络.首先在主网络中选择特征图构建特征金字塔,针对不同尺度的特征图,通过功能保持融合模块自上而下地进行低损失的特征融合.功能保持融合模块... 详细信息

针对特征金字塔网络在多尺度与小目标检测上的问题,提出基于功能保持的特征金字塔目标检测网络.首先在主网络中选择特征图构建特征金字塔,针对不同尺度的特征图,通过功能保持融合模块自上而下地进行低损失的特征融合.功能保持融合模块有效保留高层的强语义信息,增强底层特征图对小目标的表示能力.再利用网络两个阶段的特征描述目标,提升检测精度.最后,充分利用上下文信息进一步增强对多尺度目标的判别能力.在PASCAL VOC公共数据集上的实验表明,文中网络检测效果较优.同时,通过检测效果图可看出,文中网络在目标遮挡、模糊等情况下的检测效果也较优.

关键词：功能保持特征融合二阶段检测特征金字塔网络

来源：评论

学校读者我要写书评

暂无评论

基于多元组匹配损失的司法论辩理解方法

引用

计算机与现代化 2024年第6期 115-120页

作者：张可艾中良刘忠麟顾平莉刘学林华北计算技术研究所大数据研发中心北京100083 中电科发展规划研究院有限公司北京100041 中国司法大数据研究院有限公司北京100043 中国卫星网络集团有限公司北京100029

司法论辩理解是论辩挖掘任务在司法领域的具体应用,旨在从诉辩双方观点中挖掘存在交互的观点对。司法领域论辩挖掘任务存在数据样本少、句子长度长、领域专业性强等问题,现有的司法论辩理解模型多基于文本分类思想,构建的模型文本语义... 详细信息

司法论辩理解是论辩挖掘任务在司法领域的具体应用,旨在从诉辩双方观点中挖掘存在交互的观点对。司法领域论辩挖掘任务存在数据样本少、句子长度长、领域专业性强等问题,现有的司法论辩理解模型多基于文本分类思想,构建的模型文本语义表示能力差。为进一步提高论辩交互观点对的识别准确率,提出一种基于多元组匹配损失函数(Multiplet Loss)的司法论辩理解模型,该模型基于文本匹配的思想,将诉称观点与辩称观点分别进行语义相似性匹配,通过优化交互观点对的匹配度实现论辩交互观点对的挖掘。为提升模型对于论辩交互观点对的匹配度,提出多元组匹配损失函数,通过减小论辩交互观点对的语义距离,加大非交互观点的语义距离,使观点间的语义距离能更好地反应其交互性,采用司法领域预训练模型作为文本语义识别模型,进一步提高了文本的语义表达能力。采用CAIL2022论辩理解赛道数据进行测试,实验结果表明基于多元组匹配损失函数的司法论辩理解模型相较于采用分类思想的模型,准确率能够提高2.04个百分点,达到85.19%,提高了司法论辩理解任务精度。

关键词：多元组匹配损失司法领域预训练模型司法论辩理解论辩挖掘文本分类自然语言处理深度学习

来源：评论

学校读者我要写书评

暂无评论

结合深度学习和张量分解的多源异构数据分析方法

引用

计算机应用 2024年

作者：张宏俊潘高军叶昊陆玉彬缪宜恒中国通信服务股份有限公司南京邮电大学高性能计算与大数据处理研究所浙江省通信产业服务有限公司中博信息技术研究院有限公司南京邮电大学国家邮政局邮政行业技术研发中心(物联网技术) 南京邮电大学通信与信息工程学院

在消费电子的动态领域，了解用户行为对于产品创新和用户满意度至关重要，提出一种突破性的多聚类方法，将深度学习与张量分解相结合，以解决数据分析和挖掘的挑战。首先，从复杂的异构数据集中提取高级特征，例如来自现代设备中的各种... 详细信息

在消费电子的动态领域，了解用户行为对于产品创新和用户满意度至关重要，提出一种突破性的多聚类方法，将深度学习与张量分解相结合，以解决数据分析和挖掘的挑战。首先，从复杂的异构数据集中提取高级特征，例如来自现代设备中的各种传感器和用户交互的数据集，采用深度神经网络封装数据源的各种特征。随后，张量分解技术应用于特征提取和聚类分析，将每个数据源视为数据张量中的不同模态，以揭示其潜在的结构和模式。采用与某电商平台合作得到的涵盖数万消费者的多模态购物数据的数据集进行实验。实证验证表明，结合卷积神经网络（CNN）的张量算法在消费电子相关数据集上表现出色，准确率均超过0.7，同时在纯度、调整后兰德指数（ARI）和归一化互信息（NMI）等关键指标上也得分突出，证实了所提方法在捕捉数据内在结构和相似性方面的有效性。在与动态的多聚类（DMCR）方法、深度多模态聚类（DMMC）方法、张量算法以及FAST-CNN等现有算法的比较分析中，本文方法在多个评估指标上均显示出显著优势，不仅证明了其在准确性和稳定性方面优于现有算法，而且在揭示数据底层原理和异构数据之间的相互关系方面也展现了更高的熟练程度。

关键词：卷积神经网络张量分解多聚类深度学习消费电子产品

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：