检索结果-内蒙古大学图书馆

计算机工程 2025年第1期51卷 190-197页

作者：杨红菊吉昌山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

目前,基于卷积神经网络(CNN)深度学习的图像压缩已经取得了优异的成果,但是CNN的感受野通常受限,不能学习到图像非局部区域内像素之间的上下文关系,缺少了长距离建模和感知能力,容易造成结果失真、伪影和压缩率较高等问题。针对以上问题... 详细信息

目前,基于卷积神经网络(CNN)深度学习的图像压缩已经取得了优异的成果,但是CNN的感受野通常受限,不能学习到图像非局部区域内像素之间的上下文关系,缺少了长距离建模和感知能力,容易造成结果失真、伪影和压缩率较高等问题。针对以上问题,提出2种解决办法:设计一种由CNN、多尺度注意力(MSA)机制和残差单元构成的对称编解码器架构,该架构在对图片进行通道变换和空间变换的同时引入多尺度注意力机制,能够对特征进行重新校准,减少潜在表示的冗余像素;设计一种基于U型框架的超先验网络,可以在不同层级上获取多尺度的上下文信息,在帮助提取高级语义特征的同时,保留详细的低级特征信息,能够更好地进行边界细化和细节恢复。在Kodak、Tecnick和CLIC这3种数据集上将所提方法与其他先进的图像压缩方法进行对比实验,结果表明,在相同比特率下,该方法相较对比方法在峰值信噪比(PSNR)指标上分别提高了约0.3 dB、0.6 dB、0.5 dB。所提方法在保证压缩率的同时,能够有效提高对非重复纹理特征和图像细节特征的重建效果。

关键词：深度学习图像压缩多尺度注意力机制超先验网络 Transformer

来源：评论

学校读者我要写书评

暂无评论

一种基于融合重构的子空间学习的零样本图像分类方法

引用

计算机学报 2021年第2期44卷 409-421页

作者：赵鹏汪纯燕张思颖刘政怡安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像... 详细信息

图像分类是计算机视觉中一个重要的研究子领域.传统的图像分类只能对训练集中出现过的类别样本进行分类.然而现实应用中,新的类别不断涌现,因而需要收集大量新类别带标记的数据,并重新训练分类器.与传统的图像分类方法不同,零样本图像分类能够对训练过程中没有见过的类别的样本进行识别,近年来受到了广泛的关注.零样本图像分类通过语义空间建立起已见类别和未见类别之间的关系,实现知识的迁移,进而完成对训练过程中没有见过的类别样本进行分类.现有的零样本图像分类方法主要是根据已见类别的视觉特征和语义特征,学习从视觉空间到语义空间的映射函数,然后利用学习好的映射函数,将未见类别的视觉特征映射到语义空间,最后在语义空间中用最近邻的方法实现对未见类别的分类.但是由于已见类和未见类的类别差异,以及图像的分布不同,从而容易导致域偏移问题.同时直接学习图像视觉空间到语义空间的映射会导致信息损失问题.为解决零样本图像分类知识迁移过程中的信息损失以及域偏移的问题,本文提出了一种图像分类中基于子空间学习和重构的零样本分类方法.该方法在零样本训练学习阶段,充分利用未见类别已知的信息,来减少域偏移,首先将语义空间中的已见类别和未见类别之间的关系迁移到视觉空间中,学习获得未见类别视觉特征原型.然后根据包含已见类别和未见类别在内的所有类别的视觉特征原型所在的视觉空间和语义特征原型所在的语义空间,学习获得一个潜在类别原型特征空间,并在该潜在子空间中对齐视觉特征和语义特征,使得所有类别在潜在子空间中的表示既包含视觉空间下的可分辨性信息,又包含语义空间下的类别关系信息,同时在子空间的学习过程中利用重构约束,减少信息损失,同时也缓解了域偏移问题.最后零样本分类识别阶段,在不同的空间下根据最近邻算法对未见类别样本图像进行分类.本文的主要贡献在于:一是通过对语义空间中类别间关系的迁移,学习获得视觉空间中未见类别的类别原型,使得在训练过程中充分利用未见类别的信息,一定程度上缓解域偏移问题.二是通过学习一个共享的潜在子空间,该子空间既包含了图像视觉空间中丰富的判别性信息,也包含了语义空间中的类别间关系信息,同时在子空间学习过程中,通过重构,缓解知识迁移过程中信息损失的问题.本文在四个公开的零样本分类数据集上进行对比实验,实验结果表明本文提出的零样本分类方法取得了较高的分类平均准确率,证明了本文方法的有效性.

关键词：零样本图像分类迁移学习子空间学习重构特征原型

来源：评论

学校读者我要写书评

暂无评论

融合全模态自编码器和生成对抗机制的跨模态检索

引用

计算机辅助设计与图形学学报 2021年第10期33卷 1486-1494页

作者：赵鹏马泰宇李毅刘慧婷安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601

针对现有基于生成对抗网络的跨模态检索方法不能充分挖掘模态间不变性的问题,提出一种融合全模态自编码器和生成对抗机制的跨模态检索方法.引入2个并行的全模态自编码器,将不同模态的样本嵌入公共空间,每个全模态自编码器不仅重构出自... 详细信息

针对现有基于生成对抗网络的跨模态检索方法不能充分挖掘模态间不变性的问题,提出一种融合全模态自编码器和生成对抗机制的跨模态检索方法.引入2个并行的全模态自编码器,将不同模态的样本嵌入公共空间,每个全模态自编码器不仅重构出自身模态的特征表示,而且还重构出跨模态的特征表示.设计了一个分类器,预测公共空间中嵌入特征的类别,学习并保留样本中的语义判别性.设计了3个判别器,分别判断输入其中的特征所属的模态类别,它们协同工作,充分挖掘模态间的不变性.以平均精度均值为指标评价跨模态检索的精确度,在Pascal Sen-tence,Wikipedia和NUS-WIDE-10k这3个公开数据集上进行实验,实验结果表明,与10个包括传统方法和深度学习方法在内的跨模态检索的主流方法进行对比,所提方法在3个数据集上的平均精度均值分别至少提高了4.8%,1.4%和1.1%,证明了所提方法的有效性.

关键词：全模态自编码器生成对抗网络跨模态检索

来源：评论

学校读者我要写书评

暂无评论

基于地磁与空间上下文信息的半解析定向方法

引用

电子学报 2022年第1期50卷 116-123页

作者：刘公绪高新波何立火解宇路建民西安电子科技大学电子工程学院超高速电路设计与电磁兼容教育部重点实验室重庆邮电大学图像认知重庆市重点实验室山西大学计算智能与中文信息处理教育部重点实验室

在物联网时代，人们对高精度的、普适的室内定位需求日益迫切.然而鲁棒的技术方案仍没有出现，其中一个难点是用好地磁解决室内人员的定向问题.众所周知，在空旷的室外环境可以基于地磁解析定向的方法实现定向，然而室内地磁往往存在严... 详细信息

在物联网时代，人们对高精度的、普适的室内定位需求日益迫切.然而鲁棒的技术方案仍没有出现，其中一个难点是用好地磁解决室内人员的定向问题.众所周知，在空旷的室外环境可以基于地磁解析定向的方法实现定向，然而室内地磁往往存在严重的磁失真，使得该方法不再适用.为解决上述问题，本文提出一种半解析定向方法 .该方法首先将解析定向结果与基于空间上下文信息提取的走廊结构的几何关系进行融合，得到修正的定向结果，并通过磁失真度量和判断确定融合系数；进而深入分析了不同融合系数对定向结果的影响.测试结果表明，与现有方法相比，所提出的方法具有较好的鲁棒性，可以有效改善定向精度，广泛用于基于路径的或基于走廊的定位定向场合.

关键词：室内定位定向地磁磁失真空间上下文

来源：评论

学校读者我要写书评

暂无评论

基于多尺度语义编解码网络的遥感图像语义分割

引用

电子学报 2023年第11期51卷 3199-3214页

作者：梁燕易春霞王光宇胡跃辉重庆邮电大学通信与信息工程学院重庆400065 信号与信息处理重庆市重点实验室重庆400065 移动通信教育部工程研究中心重庆400065

针对遥感图像语义分割中存在的多层次信息提取和多尺度特征图上下文依赖性两个问题,本文分析现有处理方案,提出了一种综合运用多项技术的多尺度语义编解码网络(Multi-scale Semantic Encoder-Decoder Networks,MSEDNet).MSEDNet由编码... 详细信息

针对遥感图像语义分割中存在的多层次信息提取和多尺度特征图上下文依赖性两个问题,本文分析现有处理方案,提出了一种综合运用多项技术的多尺度语义编解码网络(Multi-scale Semantic Encoder-Decoder Networks,MSEDNet).MSEDNet由编码与解码两部分构成.编码阶段,首先提出残差协同空间注意(Residuals Coordinate Spatial Attention,RCSA)的MobileNetV3增强型模块,提取语义信息;其次,设计多层增强语义上下文模块(Enhance Semantic Context Module,ESCM),提升多尺度结构特征图的表征能力.解码阶段,首先提出多核卷积与Focus并行的强化空间细节信息模块(Strengthen Spatial Detail Information Module,SSDIM),增强浅层特征细节和结构信息;其次,设计了三元迭代多尺度特征融合(Triplet Iterative Multi-Scale Feature Fusion,TIMSFF)策略,强化图像深层全局语义信息与浅层局部细节特征的多尺度融合,提升分割精度.所提模型在ISPRS Vaihingen和Potsdam数据集上验证,总体分割精度(Overall Accuracy,OA)分别达到95.699%、95.534%,平均F1-score(mean F1-score,m F1)分别提高2.661%和2.929%,且平均交并比(mean Intersection over Union,mIoU)分别增长3.973%和4.012%.所耗参数量Param下降至6.77 M.

关键词：遥感语义分割多尺度语义上下文注意力机制空间细节多尺度特征融合

来源：评论

学校读者我要写书评

暂无评论

基于编解码网络UNet3+的遥感影像建筑变化检测

引用

计算机学报 2023年第8期46卷 1720-1733页

作者：梁燕易春霞王光宇重庆邮电大学通信与信息工程学院重庆400065 信号与信息处理重庆市重点实验室重庆400065 移动通信教育部工程研究中心重庆400065

遥感影像建筑变化检测需解决两个重要问题:一是双时相影像本身存在的时间依赖性问题;其二是由于建筑物密集分布,阴影效应及各对象之间的相似性导致的特征鉴别问题.该文分析现有处理方案,提出了基于UNet3+网络的边缘引导变换检测网络(Edg... 详细信息

遥感影像建筑变化检测需解决两个重要问题:一是双时相影像本身存在的时间依赖性问题;其二是由于建筑物密集分布,阴影效应及各对象之间的相似性导致的特征鉴别问题.该文分析现有处理方案,提出了基于UNet3+网络的边缘引导变换检测网络(Edge-Guided Change Detection Base on UNet3+,EGCD-UNet3+).UNet3+利用全尺度的跳跃连接把来自不同尺度特征图中的深层语义与浅层语义直接结合,从多尺度聚合的特征图中学习层次表示,但是在特征提取时忽略了对象尺度规模,导致感受野与尺度不匹配.因此EGCD-UNet3+首先设计了一种具有自适应感受野的选择性核Block(Selective Kernel Block,SKB)代替UNet3+原始的Block,使影像对在提取深、浅层特征时具有自适应感受野属性.EGCD-UNet3+由编码与解码两部分构成,在编码端利用长短期记忆网络(Long Short-Term Memory,LSTM)捕捉长期依赖关系,建模像素之间的关系上下文,设计差分增强模块(Difference Enhance Module,DEM),分析影像对之间的时间相关性,解决双时相本身存在的时间依赖性问题.在解码端,EGCD-UNet3+提出边缘引导上下文模块(Edge-Guided Context Module,EGCM)进一步改善建筑检测边界的性能,在更细粒度水平上有效提取多尺度空间边缘信息.最后,EGCD-UNet3+利用同时具备像素分割误差和边缘分割误差的复合损失函数,使网络能够充分学习有效的特征进行准确的标签预测.所提模型在LEVIR-CD与WHU-CD数据集上验证,精准率(P)分别达到90.75%、91.75%,召回率(R)可分别增长到96.68%、92.42%,F1-score(F1)分别增加到93.15%、92.08%,总体分割精确度(OA)分别达到99.12%、98.96%,且交并比(IoU)分别增加到83.96%、74.91%.

关键词：变化检测差分增强长短期记忆选择性核边缘引导上下文

来源：评论

学校读者我要写书评

暂无评论

结合图卷积的深层神经网络用于文本分类

引用

计算机工程与应用 2022年第7期58卷 206-212页

作者：郑诚陈杰董春阳安徽大学计算机科学与技术学院合肥230601 计算智能与信号处理教育部重点实验室合肥230601

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,... 详细信息

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,图卷积网络面临着文本上下文语义信息和局部特征信息表示不充分的问题。提出一种新的模型,利用双向长短时记忆网络(Bi_LSTM)和卷积神经网络(CNN)混合提取文本的上下文语义信息和局部特征信息去丰富图卷积网络(GCN)的文本表示,从而弥补图卷积网络的不足,同时使用图池化层筛选出重要节点帮助卷积神经网络捕获文本深层局部特征信息,使得模型能更好的表示文本信息。通过在3个英文数据集上的实验结果表明,该模型相比于基线模型有较好的分类效果。

关键词：文本分类神经网络图卷积网络(GCN)

来源：评论

学校读者我要写书评

暂无评论

基于兴趣函数的多样化Option-Critic算法

引用

计算机研究与发展 2024年第12期61卷 3108-3120页

作者：栗军伟刘全黄志刚徐亚鹏苏州大学计算机科学与技术学院江苏苏州215006 软件新技术与产业化协同创新中心(南京大学) 南京210023 符号计算与知识工程教育部重点实验室(吉林大学) 长春130012 江苏省计算机信息处理技术重点实验室(苏州大学) 江苏苏州215006

Option框架作为分层强化学习的一种常用时序抽象方法,允许智能体在不同的时间尺度上学习策略,可以有效解决稀疏奖励问题.为了保证Option可以引导智能体访问更多的状态空间,一些方法通过引入基于互信息的内部奖励和终止函数来提升Option... 详细信息

Option框架作为分层强化学习的一种常用时序抽象方法,允许智能体在不同的时间尺度上学习策略,可以有效解决稀疏奖励问题.为了保证Option可以引导智能体访问更多的状态空间,一些方法通过引入基于互信息的内部奖励和终止函数来提升Option内部策略的多样性.但这会导致算法学习速度慢和内部策略的知识迁移能力低等问题,严重影响了算法性能.针对以上问题,提出基于兴趣函数优化的多样化Option-Critic算法(diversity-enriched Option-Critic algorithm with interest functions,DEOC-IF).该算法在多样化Option-Critic算法(diversity-enriched Option-Critic,DEOC)的基础上,通过引入兴趣函数约束上层策略对Option内部策略的选择,既保证了Option集合的多样性,又使得学习到的内部策略可以关注状态空间的不同区域,有利于提高算法的知识迁移能力,加快学习速度.此外,DEOC-IF算法引入一种新的兴趣函数更新梯度,有利于提高算法的探索能力.为了验证算法的有效性和知识迁移能力,分别在4房间导航任务、Mujoco和MiniWorld实验环境中,将DEOC-IF算法与其他最新算法进行对比实验.结果表明,DEOC-IF算法具有更好的性能优势和策略迁移能力.

关键词：强化学习时序抽象 Option框架兴趣函数 Option-Critic算法

来源：评论

学校读者我要写书评

暂无评论

球谐函数诱导下的变分近似高斯过程模型

引用

小型微型计算机系统 2024年

作者：刘力瑶支凯茹郑心仪门昌骞于君王文剑山西大学计算机与信息技术学院太行山西省实验室山西大学计算智能与中文信息处理教育部重点实验室

高斯过程通过概率建模能够有效地捕捉数据中的复杂关系，并提供关于预测结果的不确定性评估，是一个强大而灵活的工具．但由于矩阵求逆的较高计算复杂度，限制了模型在其他领域内的应用．本文针对高斯过程模型的矩阵求逆问题，提出了一... 详细信息

高斯过程通过概率建模能够有效地捕捉数据中的复杂关系，并提供关于预测结果的不确定性评估，是一个强大而灵活的工具．但由于矩阵求逆的较高计算复杂度，限制了模型在其他领域内的应用．本文针对高斯过程模型的矩阵求逆问题，提出了一种基于球谐函数的高斯过程近似模型（Variational Sparse Gaussian Processes based on Spherical Harmonic， SHVSGP），通过球谐函数将数据映射到超球面上，在一个不同于数据原始输入域的空间中寻找一个更紧凑的输入特征代表集，使得产生的稀疏高斯过程模型能够包含有更丰富的信息特征，同时获得诱导变量相关的对角协方差矩阵，这极大简化了矩阵运算的复杂度，节省了计算成本．本文将SHVSGP模型与当下流行的其他近似方法在大规模数据集上进行比较，结果表明SHVSGP模型可以获得高效且精确的预测.

关键词：球谐函数诱导变量空间映射稀疏近似

来源：评论

学校读者我要写书评

暂无评论

基于矩阵的粗糙集近似集快速计算算法

引用

计算机工程 2023年第5期49卷 22-28页

作者：徐怡侯迪安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学计算机科学与技术学院合肥230601 安徽大学物质科学与信息技术研究院合肥230031

在粗糙集理论中,上、下近似集的计算是核心问题。矩阵能提供一种高效的方法来计算粗糙集模型中概念的上、下近似集,但是在目前的矩阵方法中,论域中每个对象都要与论域中全部对象进行运算,从而导致较大的时间代价。为提高使用矩阵计算近... 详细信息

在粗糙集理论中,上、下近似集的计算是核心问题。矩阵能提供一种高效的方法来计算粗糙集模型中概念的上、下近似集,但是在目前的矩阵方法中,论域中每个对象都要与论域中全部对象进行运算,从而导致较大的时间代价。为提高使用矩阵计算近似集时的效率,提出一种快速计算上、下近似集的矩阵方法。对于一个给定的概念,基于概念的外延和概念补集的外延构建一个局部关系矩阵,对局部关系矩阵和单位矩阵进行矩阵运算得到正域和边界域布尔矩阵,对局部关系矩阵的转置和单位矩阵进行矩阵运算得到负域和边界域布尔矩阵。在该矩阵方法中,只需要根据局部关系矩阵就可以计算近似集,即论域中每个对象不必和论域中全部对象进行运算就可以被划分到相应的区域,使得算法的运算次数相比传统矩阵算法大幅减少,从而降低时间成本。在8个公开数据集上的实验结果表明,与4种传统的矩阵算法相比,该矩阵算法的运行速度至少提升70%,可以有效提高近似集计算效率。

关键词：粗糙集近似集单位矩阵局部关系矩阵矩阵运算

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：