检索结果-南通市图书馆

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

单视角三维服装重建的民族风格表征学习

计算机辅助设计与图形学学报 2024年第2期36卷 258-272页

作者：张瑀卿刘骊付晓东刘利军彭玮昆明理工大学信息工程与自动化学院昆明650500 昆明理工大学云南省计算机技术应用重点实验室昆明650500

针对民族服装风格多样、款式和配饰复杂,导致单视角三维服装重建结构不完整、风格不准确和局部特征模糊等问题,为了学习和映射民族服装的潜在风格特征,提出一种单视角三维服装重建的民族风格表征学习方法.首先结合定义的民族服装形状风... 详细信息

针对民族服装风格多样、款式和配饰复杂,导致单视角三维服装重建结构不完整、风格不准确和局部特征模糊等问题,为了学习和映射民族服装的潜在风格特征,提出一种单视角三维服装重建的民族风格表征学习方法.首先结合定义的民族服装形状风格和几何拓扑构建形状表征,学习形状潜在特征;然后基于区域定位和关键点,并融合定义的款式风格、着装部位进行款式表征,得到局部感知区域图,以学习款式潜在特征;再联合形状、款式特征以及定义的对称损失函数,隐式重建出民族服装的初步模型;最后在卷积网络中引入图像的超像素特征、Branch分支和配饰的语义解析建立配饰表征,并编码UV位置图到特征空间,生成民族服装的最终模型.在自定义的少数民族服装数据集上的实验结果表明,所提方法的倒角距离和法线余弦距离分别为1.732和0.13,较已有方法降低11%和18%,能够提高单视角三维民族服装重建的精度,生成具有民族风格的三维服装模型.

关键词：少数民族服装图像三维服装重建表征学习形状表征隐式重建语义解析

基于振动信号深度表征学习的高层建筑结构振动识别

在线全文

学校读者我要写书评

暂无评论

工程力学 2024年第9期41卷 134-143页

作者：熊青松熊海贝孔庆钊陈琳丁叶蔚袁程同济大学土木工程防灾国家重点实验室上海200092

振动识别对于实现结构振动控制、性态监测评估具有重要作用。“智慧城市”背景下的高层建筑结构对其振动响应识别提出了更高的要求,传统基于时频域转换与图神经网络的振动识别方法在计算成本和工程适用性上的局限性愈发显著。该文提出... 详细信息

振动识别对于实现结构振动控制、性态监测评估具有重要作用。“智慧城市”背景下的高层建筑结构对其振动响应识别提出了更高的要求,传统基于时频域转换与图神经网络的振动识别方法在计算成本和工程适用性上的局限性愈发显著。该文提出了一种基于振动信号深度表征学习的振动识别方法。在该方法中通过搭建自编码网络对一维频域信号进行自监督学习用以获取振动表征信息,然后基于原始信号和重构信号进行振动敏感参数定义和计算,其结果作为特征工程输入到线性分类器模型中进行训练,进而实现对振动的快速识别。该文以某超高层建筑在不同环境激励下的振动响应识别为例,验证了所提出方法的可靠性。同时为证明提出方法的优越性,引入了目前普遍认为最优的MFCC+CNN振动识别方法进行对比,结果表明,该文提出的方法在计算时间上节省了近20倍,并且整体识别精度从0.74提高到0.95以上。

关键词：振动识别表征学习高层建筑结构自编码器深度学习

基于异质信息网络表征学习的微博虚假信息甄别研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

情报杂志 2024年

作者：王世雄吴泽政浙江理工大学经济管理学院

[研究目的]社会网络的飞速发展与突发公共卫生事件的时有发生,使得大量的、具有迷惑性的虚假信息混杂社交媒体中,甄别此类信息已然成为用户信息素养的重要组成部分。[研究方法]以微博上的异质信息网络为研究对象,综合考虑微博文本的语... 详细信息

[研究目的]社会网络的飞速发展与突发公共卫生事件的时有发生,使得大量的、具有迷惑性的虚假信息混杂社交媒体中,甄别此类信息已然成为用户信息素养的重要组成部分。[研究方法]以微博上的异质信息网络为研究对象,综合考虑微博文本的语义特征和用户行为的非语义特征,引入多头注意力机制融合生成集成表示实现虚假信息甄别,并从信息内容、参与用户、用户与信息交互三个维度进行特征挖掘与量化分析。[研究结论]研究表明,基于异质信息网络表征学习的虚假信息甄别方法具有较好的实用性,有助于解构虚假信息的特征,为突发公共卫生健康事件的虚假信息治理及辩症施策提供有益参考。

关键词：异质信息网络表征学习突发公共卫生事件虚假信息用户行为社交媒体微博文本

面向少样本故障诊断的知识自监督深度表征学习方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

控制与决策 2024年第10期 3357-3365页

作者：姚家琪宋鹏宇沈萌赵春晖王文海浙江大学控制科学与工程学院深圳职业技术学院智能科学与工程研究院

目前机器学习技术已被广泛应用于工业智能故障诊断中,但其成功应用的前提条件是能够获取到充足的含标签故障数据以对机器学习模型进行训练.实际工业场景中,设备常运行于正常状态,故障数据的获取与标注成本巨大,无法达到模型训练的需求.... 详细信息

目前机器学习技术已被广泛应用于工业智能故障诊断中,但其成功应用的前提条件是能够获取到充足的含标签故障数据以对机器学习模型进行训练.实际工业场景中,设备常运行于正常状态,故障数据的获取与标注成本巨大,无法达到模型训练的需求.现有少样本诊断方法通常依赖于额外的有标签数据,无法克服工业场景下的数据采集与标注局限.对此,挖掘关键时序依赖特征以及专家先验知识与故障诊断任务之间的内在关联,提出一种知识自监督深度表征学习方法以实现少样本故障诊断.该方法设计了一个掩码信号重构与先验特征预测多任务联合的模型预训练策略,利用与目标设备类似设备积累的海量历史无标签数据对工业智能故障诊断模型中的特征提取器模型进行预训练,使得模型在无需额外标注数据的前提下,提取具有专家先验知识引导的时序变化模式,从而获取高泛化故障表征能力.通过上述基于知识自监督表征的预训练方法,在诊断过程中仅需利用目标设备的少量有标签故障样本对模型的全局参数进行微调,从而克服模型对有标签样本的依赖性难题.最后,通过一个跨数据集的故障诊断实验来模拟跨设备的少样本故障诊断场景,验证所提出方法在少样本场景下的有效性.

关键词：少样本学习故障诊断自监督学习表征学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于表征学习的时空态势可视分析方法

计算机辅助设计与图形学学报 2024年

作者：李杰马欣莹赵丹宁谭淮联天津大学智能与计算学部

时空态势描述了大量运动对象在一段时间内的空间位置变化过程，分析和寻找时空态势对大量实际应用都具有重要意义. 针对海量的数据和无法避免的数据缺失为分析时空态势带来的问题，提出一种从大规模时空数据中寻找代表性时空态势的表... 详细信息

时空态势描述了大量运动对象在一段时间内的空间位置变化过程，分析和寻找时空态势对大量实际应用都具有重要意义. 针对海量的数据和无法避免的数据缺失为分析时空态势带来的问题，提出一种从大规模时空数据中寻找代表性时空态势的表征学习的方法. 首先，基于Denoising Autoencoder框架实现一个时空态势表征模型，将每个时空态势编码为一个紧凑的表征向量，向量之间的距离体现了时空态势之间的特征差异，通过向编码器添加噪声并让解码器还原未带噪声的原始态势，提高表征模型在数据缺失条件下的鲁棒性; 然后提出一种可视摘要算法，以一个精简的小图标直观地显示连续时空态势的整体运动特征，进一步，构造了一个时空态势投影供用户快速找到数据集中的代表性的时空态势. 基于纽约出租车数据集和芝加哥犯罪数据集，采用自相似和交叉相似的指标与既有相似性方法对比，实验结果表明，所提出的表征模型在大数据量、高缺失率条件下的准确性和鲁棒性，并具有较高的执行效率; 用户实验包括选择和排序任务，结果表明，所提方法找到的代表性的时空态势与用户的主观认知更加一致.

关键词：时空态势表征学习可视化摘要自编码器可视分析

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向图神经网络表征学习的类别知识探针

山东大学学报（理学版） 2024年第7期59卷 85-94页

作者：黄兴宇赵明宇吕子钰中国科学院深圳先进技术研究院广东深圳518055 中山大学网络空间安全学院广东深圳518107 中国科学院大学北京100101

针对图神经网络(graph neural network,GNN)模型缺乏相应的探针这一问题,提出面向图神经网络表征学习的知识探测框架,基于不同领域数据的类别属性设计2种类别感知的知识探针,分别为聚类探针和对比聚类探针。2种探针分别探测不同模型的... 详细信息

针对图神经网络(graph neural network,GNN)模型缺乏相应的探针这一问题,提出面向图神经网络表征学习的知识探测框架,基于不同领域数据的类别属性设计2种类别感知的知识探针,分别为聚类探针和对比聚类探针。2种探针分别探测不同模型的表征效果并给出相应的分数。在引用网络、社交网络和生物网络等3个邻域的8个数据集上,对7个经典的图神经网络模型的表征学习实现了系统性地知识探测和评估实验,归纳出探测和评估结论。

关键词：图神经网络知识探针模型评价表征学习

在线全文

学校读者我要写书评

暂无评论

面向有向图的特征提取与表征学习研究

计算机工程与应用 2024年

作者：谭郁松张钰森蹇松雷国防科技大学计算机学院

图数据是一种用于描述不同实体之间关联关系的重要数据形式。有向图作为一种特殊形式，不仅能描述实体关联，还能明确关系的方向，提供了更精细和详实的描述。因此，有向图的特征提取和表征学习对于深入理解复杂系统具有至关重要的意义... 详细信息

图数据是一种用于描述不同实体之间关联关系的重要数据形式。有向图作为一种特殊形式，不仅能描述实体关联，还能明确关系的方向，提供了更精细和详实的描述。因此，有向图的特征提取和表征学习对于深入理解复杂系统具有至关重要的意义。然而，现有方法在有效提取有向图的方向信息方面仍然存在挑战，主要依赖于节点的局部信息进行特征提取，难以充分利用有向边蕴含的方向信息。为解决这一问题，本文提出了一种名为变分有向图自编码器（Variational Directed Graph Autoencoder， VDGAE）的无监督表示学习方法。VDGAE通过关联矩阵来建模节点与边之间的关联关系，通过计算节点与边之间的亲和力，来重构输入有向图，从而实现无监督表征学习。基于此，VDGAE能够同时为输入有向图学习节点与边的表征，充分捕获有向图的结构信息和方向信息并嵌入至节点与边的表征向量中，使得有向图能够被更准确地表征。实验结果表明，相较于十个基准方法，VDGAE在五个数据集上节点分类任务均优于基准方法，提升了11.96％的预测精度，充分验证了其有效性。

关键词：有向图表征学习关联矩阵图神经网络变分自编码器

基于类别重平衡和表征学习的长尾图像分类算法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于类别重平衡和表征学习的长尾图像分类算法研究

作者：王可儿西安理工大学

学位级别：硕士

长尾图像分类任务指在图像类别样本分布极度不平衡的场景下进行图像分类,由于不同类别的样本数量差距过大,导致模型学习到有偏的分类器,模型分类性能欠佳。现实世界中数据分布往往呈现长尾分布,现有的深度学习分类模型多由平衡数据集训... 详细信息

长尾图像分类任务指在图像类别样本分布极度不平衡的场景下进行图像分类,由于不同类别的样本数量差距过大,导致模型学习到有偏的分类器,模型分类性能欠佳。现实世界中数据分布往往呈现长尾分布,现有的深度学习分类模型多由平衡数据集训练获得,应用于长尾分布数据集时分类精度低。目前,研究如何有效利用长尾分布数据集训练分类模型,实现在各类别上的高效分类,已经成为计算机视觉领域的热点问题。本文研究基于类别重平衡和表征学习的长尾图像分类算法,平衡数据分布并优化表征学习,以平衡网络对数据集头尾类别样本的关注度。主要工作内容包括以下两个方面:(1)提出了一种基于双重注意力的特征交互长尾图像分类算法。长尾分布的核心问题在于类别之间样本数的不平衡,在数据集中类别样本含量少的尾部类别被学习到的概率远小于头部类别。首先,从数据样本层面出发,在数据增强阶段引入双重注意力模块,能够聚焦有利于尾部样本分类的特征区域。并利用类激活图引导网络对前景部分的提取,进而随机变换生成增强样本,有效的消除背景冗余信息,获得平衡数据集。然后,在表征学习阶段利用特征通道交互模块,实现相邻通道之间的特征交互,鼓励网络更深入地学习并提取出有效特征。最后,将模型的表征学习与分类器训练阶段分开,避免模型对尾部过度关注而损害头部分类性能,对分类器进行微调来平衡模型在头尾类别上的关注度,训练出无偏的分类器。(2)提出了一种基于均匀增强采样的多专家长尾图像分类算法。该模型通过构建更均匀的采样器,并优化多专家网络来减少模型产生的偏差。首先,根据类别先验概率,引入增强因子实现数据的均匀混合增强。在此基础上,构建一个均衡采样器,使其抽样概率与先验概率成反比,鼓励模型更多地抽取尾部类样本,进而平衡模型的训练数据分布。之后进行联合优化多专家训练,通过共享前几层特征学习网络有效地提取特征,并且对各个专家的分类器进行调整,确保专家学习不同的数据分布同时实现信息互补。最后,考虑到多专家分配过程中专家调用的复杂性,根据置信度排序利用二分类的专家部署网络实现专家高效分配,有效避免了专家的过度使用。本文在CIFAR10-LT、CIFAR100-LT和ImageNet-LT三个长尾分布基准数据集上进行实验,均取得了良好的性能。实验结果证明了本文所提出算法对长尾分布图像分类精度提升的有效性,并且对各模块进行消融实验,进一步验证了该算法的可行性。

关键词：长尾图像分类类别重平衡表征学习多专家学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合模态表征学习的多模态情感分析

计算机系统应用 2024年第5期33卷 280-287页

作者：刘若尘冯广罗良语林浩泽广东工业大学计算机学院广州510006 广东工业大学自动化学院广州510006

在当前视频多模态情感分析研究中,存在着未充分考虑模态之间的动态独立性和模态融合缺乏信息流控制的问题.为解决这些问题,本文提出了一种结合模态表征学习的多模态情感分析模型.首先,通过使用BERT和LSTM分别挖掘文本、音频和视频的内... 详细信息

在当前视频多模态情感分析研究中,存在着未充分考虑模态之间的动态独立性和模态融合缺乏信息流控制的问题.为解决这些问题,本文提出了一种结合模态表征学习的多模态情感分析模型.首先,通过使用BERT和LSTM分别挖掘文本、音频和视频的内在信息,其次,引入模态表征学习,以获得更具信息丰富性的单模态特征.在模态融合阶段,融合了门控机制,对传统的Transformer融合机制进行改进,以更精确地控制信息流.在公开数据集CMU-MOSI和CMU-MOSEI的实验结果表明,与传统模型相比,准确性和F1分数都有所提升,验证了模型的有效性.

关键词：多模态情感分析表征学习特征融合门控机制多头注意力机制