检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向大规模图像检索的哈希学习综述

软件学报 2025年第1期36卷 79-106页

作者：张雪凝刘兴波宋井宽聂秀山王少华尹义龙山东大学软件学院山东建筑大学计算机科学与技术学院电子科技大学计算机科学与工程学院

随着互联网空间中图像数据的爆发式增长和图像应用领域的拓宽,大规模图像检索的需求与日俱增.哈希学习为大规模图像检索提供显著的存储与检索效率,并成为近年来一个研究热点.现有哈希学习综述存在着时效性弱与技术路线不清晰的问题,即... 详细信息

随着互联网空间中图像数据的爆发式增长和图像应用领域的拓宽,大规模图像检索的需求与日俱增.哈希学习为大规模图像检索提供显著的存储与检索效率,并成为近年来一个研究热点.现有哈希学习综述存在着时效性弱与技术路线不清晰的问题,即多总结5–10年前的研究成果,且较少总结哈希学习算法各组成部分间的关联关系.鉴于此,通过总结近20年公开发表的哈希学习文献,对面向大规模图像检索的哈希学习进行系统的综述性研究.首先,介绍哈希学习的技术路线和哈希学习算法的主要组成部分,包括损失函数、优化策略及样本外扩展映射.其次,将面向图像检索的哈希学习算法分为无监督哈希方法和监督哈希方法两类,并分别梳理每类方法的研究现状和演化过程.然后,介绍哈希学习算法评估通用的图像数据集与评估指标,并通过对比实验分析部分经典算法的性能.最后,结合哈希学习的局限性与新挑战对其发展前景进行阶段性总结与展望.

关键词：图像检索大规模数据近似最近邻检索哈希学习相似性保持

面向新工科的“数据挖掘”课程创新体系探索与实践

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

高等工程教育研究 2025年第1期 68-74页

作者：冯林李子豪韩鸿宇李晓宁四川师范大学计算机科学学院

针对大数据、人工智能、数字经济等新质生产力对数据挖掘人才的需求，建立了以“知识&应用创新能力&素质(Knowledge&application Innovation Abilities&Qualities, KIAQ)”为核心价值的“数据挖掘”课程体系，形成了具有新工科特点的“... 详细信息

针对大数据、人工智能、数字经济等新质生产力对数据挖掘人才的需求，建立了以“知识&应用创新能力&素质(Knowledge&application Innovation Abilities&Qualities, KIAQ)”为核心价值的“数据挖掘”课程体系，形成了具有新工科特点的“数据挖掘”知识结构。多年的课程实施结果表明，新的课程创新体系较好地解决了传统教学方法存在的问题，有效实现了课程目标。

关键词：新工科数据挖掘创新能力教学改革实践教学

基于亲和关系学习与区域感知增强的小样本语义分割方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

山西大学学报(自然科学版) 2025年

作者：苟旭晨王邦军李凡长张莉樊佳庆苏州大学计算机科学与技术学院

小样本语义分割旨在利用少量标注样本对未见新类的目标进行分割。最近一些面向该任务的模型集成原型学习与亲和学习两类方法的优点，在充分利用支持集中语义信息的同时避免模型过拟合基类。然而，这些方法依然面临数据集分布偏移和二值... 详细信息

小样本语义分割旨在利用少量标注样本对未见新类的目标进行分割。最近一些面向该任务的模型集成原型学习与亲和学习两类方法的优点，在充分利用支持集中语义信息的同时避免模型过拟合基类。然而，这些方法依然面临数据集分布偏移和二值掩码使用不当造成特征判别性下降的问题。针对这一问题，本文提出交叉注意力信息增强网络，首先通过信息增强模块基于注意力机制进行特征间的密集匹配，然后使用区域感知增强模块在空间上下文信息的引导下增强支持掩码，从而过滤边缘特征引入的背景噪声。本文还考虑了训练集类别不平衡问题造成的模型泛化损失。实验结果表明，本文提出的模型在COCO-20i和PASCAL-5i数据集上使用VGG-16作为骨干网络时在不同设定下的m IoU指标比当前最优模型分别提升1.5%、2.3%、3.7%和4.6%，充分表明该方法的有效性与优越性。

关键词：小样本学习双分支网络先验分割框架类别不平衡

一种基于核数据变换方法的遥感图像谱聚类算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

林业工程学报 2025年

作者：赵海军陈华月崔梦天西华师范大学计算机学院西南民族大学计算机科学与技术学院

随着遥感图像在各行各业的日益广泛应用,遥感图像的处理变得愈来愈重要。为了实现谱聚类算法应用于林业工程中的遥感图像处理,本研究提出了一种新的基于核数据变换和基于角距离度量的谱聚类算法。首先,通过对基于多变量核特征提取的一... 详细信息

随着遥感图像在各行各业的日益广泛应用,遥感图像的处理变得愈来愈重要。为了实现谱聚类算法应用于林业工程中的遥感图像处理,本研究提出了一种新的基于核数据变换和基于角距离度量的谱聚类算法。首先,通过对基于多变量核特征提取的一般核熵成分分析法的分析,并基于信息论概念和核密度估计密切相关的瑞利二次熵,提出了一种新的最佳特征提取和无监督降维方法,即最佳核熵成分分析法。它根据类或聚类信息方面的数据结构,采用一个额外的旋转,使得成分之间的独立性最大化;在这些成分中最佳地捕捉数据的高信息势部分,直接找到关于保留成分的数量的最大化信息势的基,以确保得到的解比标准的核熵成分分析得到的解保留更多(或相等)的信息势;并提出了采用梯度上升法来求解最佳核熵成分分析优化问题,具体实现是采用了一种简单的提前终止方案,以确保梯度达到一个额外迭代不会显著修改成本函数的区域。其次,通过对最佳核熵成分分析变换和样本外扩展的分析,构建了一种基于角距离度量的谱聚类算法,它采用角距离度量的核k-均值聚类目标,而不是采用基于欧氏距离的度量。优化过程采用最佳核熵成分分析空间中的角距离,以保证收敛到局部最优,从而实现图像的聚类。基于多光谱卫星图像的实验结果表明,本研究提出的谱聚类算法不仅适用于遥感图像的云筛选问题,而且相比目前其他先进的聚类算法有更好的分类性能。

关键词：遥感图像非线性特征提取概率密度函数 k-均值瑞利熵谱聚类

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

文档级神经机器翻译综述

软件学报 2025年第1期36卷 152-183页

作者：吕星林李军辉陶仕敏杨浩张民苏州大学计算机科学与技术学院华为翻译中心

机器翻译(machine translation, MT)研究旨在构建一个自动转换系统,将给定源语言序列自动地转换为具有相同语义的目标语言序列.由于机器翻译广阔的应用场景,使其成为自然语言理解领域乃至人工智能领域的一个重要的研究方向.近年来,端到... 详细信息

机器翻译(machine translation, MT)研究旨在构建一个自动转换系统,将给定源语言序列自动地转换为具有相同语义的目标语言序列.由于机器翻译广阔的应用场景,使其成为自然语言理解领域乃至人工智能领域的一个重要的研究方向.近年来,端到端的神经机器翻译(neural machine translation, NMT)方法显著超越了统计机器翻译(statistical machine translation, SMT)方法,成为目前机器翻译研究的主流方法.然而,神经机器翻译系统通常以句子为翻译单位,在面向文档的翻译场景中,将文档中每个句子独立地进行翻译,会因脱离文档的篇章语境引起一些篇章级的错误,如词语错翻、句子间不连贯等.因此将文档级的信息融入到翻译的过程中去解决跨句的篇章级错误是更加自然和合理的做法,文档级的神经机器翻译(document-level neural machine translation, DNMT)的目标正是如此,成为机器翻译研究的热门方向.调研了近年来在文档级神经机器翻译研究方向的主要工作,从篇章评测方法、使用的数据集和模型方法等方面系统地对当前研究工作进行了归纳与阐述,目的是帮助研究者们快速了解文档级神经机器翻译研究现状以及未来的发展和研究方向.同时在文中也阐述了在文档级神经机器翻译的一些展望、困难和挑战,希望能带给研究者们一些启发.

关键词：神经机器翻译 Transformer模型文档上下文篇章评测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多尺度时频域学习的多元长时间序列预测

西安电子科技大学学报 2025年

作者：衡红军李怡欣中国民航大学计算机科学与技术学院

针对现有多元长时间序列预测模型中存在的两个问题，一是仅利用单周期尺度时域信息无法捕捉序列的长期时间依赖关系，二是难以捕捉到有效的多元依赖关系。基于多层感知机，提出了一种基于多尺度时频域学习的多元长时间序列预测模型。模... 详细信息

针对现有多元长时间序列预测模型中存在的两个问题，一是仅利用单周期尺度时域信息无法捕捉序列的长期时间依赖关系，二是难以捕捉到有效的多元依赖关系。基于多层感知机，提出了一种基于多尺度时频域学习的多元长时间序列预测模型。模型首先基于傅里叶变换自适应寻找序列的不同周期作为多个尺度；然后针对每个尺度，通过序列分解，分别进行时域和频域两阶段的学习，获取序列的局部和全局时间依赖关系；随后再依据变量间的相关性分析结果，自适应建模多元序列的变量依赖关系；最后，对各尺度中不同的序列分解项应用不同的聚合方法，实现多尺度信息的互补融合。在七个真实数据集上的实验表明，该模型在超过90%的测试中位于最优或次优水平。与基于序列分解的线性模型DLinear相比，MSE实现了11%的平均降低和49.22%的最大降低，MAE实现了10%的平均降低和33.03%的最大降低。此外，模型在有效提升预测精度的同时，具有更高的运行效率。

关键词：预测时间序列时频域多尺度序列分解多层感知机

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

CARFB:即插即用的目标检测模块

计算机科学与探索 2025年第1期19卷 223-236页

作者：杨梅君姚若侠谢娟英陕西师范大学计算机科学学院西安710119

针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大... 详细信息

针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

关键词：目标检测感受野模块(RFB) 坐标注意力小目标深度学习

维普期刊数据库

同方期刊数据库

基于改进时空模型的终端区多航班航迹预测方法

在线全文

学校读者我要写书评

暂无评论

北京航空航天大学学报 2025年

作者：贺怀清史小爽刘浩翰惠康华中国民航大学计算机科学与技术学院

由于终端区历史航迹数据量较大、存在丰富的时空特征和航迹位置点数据突变等特点，使得在进行终端区4D航迹预测时充满不确定性和复杂性。为此，给出一种基于改进时空模型的解决方法。该模型包括三部分，首先，将时间卷积网络TCN和双向... 详细信息

由于终端区历史航迹数据量较大、存在丰富的时空特征和航迹位置点数据突变等特点，使得在进行终端区4D航迹预测时充满不确定性和复杂性。为此，给出一种基于改进时空模型的解决方法。该模型包括三部分，首先，将时间卷积网络TCN和双向门控循环单元BiGRU引入航迹预测领域，并对TCN进行改进，提出了含有双层多尺度时间卷积的MMTCN，分别从全局和局部两个方面提取时间特征；其次，将层归一化和残差引入图注意力网络GAT以捕捉航班之间的复杂空间依赖关系；最后，针对航迹位置点数据突变导致的数据不确定性问题，将得到的时空特征输入到条件变分自编码器CVAE中以学习航迹数据的潜在表示，最后生成多条预测轨迹。在训练过程中采用学习率调整策略，加速模型训练。实验结果表明，改进模型在ADE和FDE两个指标上均表现最优，其ADE和FDE分别为0.0826和0.1111，显著优于其他基准模型；并且在通用航空数据集上，所提模型误差最大降低了约9.59%（ADE）和7.75%（FDE），这说明该模型一方面能够更有效地提取时空特征，另一方面具有训练稳定性。

关键词：终端区航迹预测改进时空模型双层多尺度时间卷积不确定性

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于符号知识的选项发现方法

计算机科学 2025年第1期52卷 277-288页

作者：王麒迪沈立炜吴天一复旦大学计算机科学技术学院上海200438

基于选项(Option)的层次化策略学习是分层强化学习领域的一种主要实现方式。其中,选项表示特定动作的时序抽象,一组选项以多层次组合的方式可解决复杂的强化学习任务。针对选项发现这一目标,已有的研究工作使用监督或无监督方式从非结... 详细信息

基于选项(Option)的层次化策略学习是分层强化学习领域的一种主要实现方式。其中,选项表示特定动作的时序抽象,一组选项以多层次组合的方式可解决复杂的强化学习任务。针对选项发现这一目标,已有的研究工作使用监督或无监督方式从非结构化演示轨迹中自动发现有意义的选项。然而,基于监督的选项发现过程需要人为分解任务问题并定义选项策略,带来了大量的额外负担;无监督方式发现的选项则难以包含丰富语义,限制了后续选项的重用。为此,提出一种基于符号知识的选项发现方法,只需对环境符号建模,所得知识可指导环境中多种任务的选项发现,并为发现的选项赋予符号语义,从而在新任务执行时被重复使用。将选项发现过程分解为轨迹切割和行为克隆两阶段步骤:轨迹切割旨在从演示轨迹提取具备语义的轨迹片段,为此训练一个面向演示轨迹的切割模型,引入符号知识定义强化学习奖励评价切割的准确性;行为克隆根据切割得到的数据监督训练选项,旨在使选项模仿轨迹行为。使用所提方法在多个包括离散和连续空间的领域环境中分别进行了选项发现和选项重用实验。选项发现中轨迹切割部分的实验结果显示,所提方法在离散和连续空间环境中的切割准确率均高出基线方法数个百分点,并在复杂环境任务的切割中提高到20%。另外,选项重用实验的结果证明,相较于基线方法,赋予符号语义增强的选项在新任务重用上拥有更快的训练速度,并在基线方法无法完成的复杂任务中仍然得到良好收敛。

关键词：分层强化学习演示学习选项发现马尔可夫决策过程

维普期刊数据库