语义信息

摘要： 现有算法所提取的语义信息还不够丰富,影响了显著性目标检测的性能.因此,提出了一种多尺度特征金字塔网格模型来增强高层特征包含的语义信息.首先,采用特征金字塔网格结构对高层特征进行增强;其次,采用金字塔池模块对最高层特征进行多尺度操作;最后,引入非对称卷积模块,进一步提高算法性能.所提模型与其他14种显著性目标检测算法在4个数据集上进行了比较,实验结果表明所提算法能够有效提升著性目标检测的性能,特别是在复杂场景下效果更加明显.

摘要： 针对多源聚合下同时对齐域不变特征较困难而造成分类精度不高的问题,提出基于自监督任务的多源无监督域适应法.该方法引入旋转、水平翻转和位置预测3个自监督辅助任务,通过伪标签性、语义信息的一致性对无标签数据进行自适应的对齐优化.构建新的优化损失函数,减少多域公共类别的分类差异.针对类别不均衡的问题,基于少样本大权重的原则,定义动态权重参数,提高模型的分类性能.在公开的Office-31、Office-Caltech102种基准数据集上,与现有的主流方法进行实验对比.实验结果表明,在类别均衡、不均衡2种情况下,分类精度最高可以提高6.8%.

摘要： 在高分辨率遥感影像解译中,舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题,本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information,RSI-CenterNet)的多方向遥感舰船目标检测方法。首先,基于关键点检测网络,在检测阶段添加目标角度回归分支,以预测目标方向;其次,添加语义分割分支,并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息;最后,引入注意力模块,以强化目标显著区域与通道的特征,提升检测精度。实验结果表明,与其他多种先进方法相比,本文方法具有更高的检测精度与检测速度,在高分辨率船舶数据集(High Resolution Ship Collections 2016,HRSC2016)上的平均精度达到88.31%,检测速度达到17.8 FPS。

摘要： 基于方面的情感分类任务旨在识别句子中给定方面词的情感倾向性。以往的方法大多基于长短时记忆网络和注意力机制,这种做法在很大程度上仅依赖于建模句子中的方面词与其上下文的语义相关性,但忽略了句中的语法信息。针对这种缺陷,提出了一种交互注意力的图卷积网络,同时建模了句中单词的语义相关性和语法相关性。首先使用双向长短时记忆网络来学习句子的词序关系,捕捉句中上下文的语义信息;其次引入位置信息后,通过图卷积网络来学习句中的语法信息;然后通过一种掩码机制提取方面词;最后使用交互注意力机制,交互计算特定方面的上下文表示,并将其作为最后的分类特征。通过这种优势互补的设计,该模型可以很好地获得聚合了目标方面信息的上下文表示,并有助于情感分类。实验结果表明,该模型在多个数据集上都获得了优秀的效果。与未考虑语法信息的Bi-IAN模型相比,该模型在所有数据集上的结果均优于Bi-IAN模型,尤其在餐厅领域的REST14,REST15和REST16数据集上,该模型的F1值较Bi-IAN模型分别提高了4.17%,7.98%和8.03%;与同样考虑了语义信息和语法信息的ASGCN模型相比,该模型的F1值在除了LAP14数据集外的其他数据集上均优于ASGCN模型,尤其在餐厅领域的REST14,REST15和REST16数据集上,该模型的F1值较ASGCN模型分别提高了2.05%,1.66%和2.77%。

摘要： 在以往的推荐系统模型中,大多是通过协同过滤算法实现的,所以会存在冷启动和数据稀疏性等问题,从而导致推荐质量不高。一般的解决办法就是通过加入一些附加的语义信息来提升推荐的精度。而知识图谱中就包含了大量的语义内容,可以在推荐系统中引入知识图谱作为附加信息。因此,本文提出了基于知识图谱的个性化推荐系统构建。在推荐模型中加入知识图谱,可以很好的增强推荐的准确性。

摘要： 将用户评论和用户评分相结合来提升推荐系统的性能是推荐系统当前主流的研究方向,但是当用户评论数据稀疏时,现有的大多数推荐系统的性能会出现一定幅度的下降。针对这一问题,文中提出了一种结合注意力机制和门控网络形成的混合推荐系统(Attention Mechanism and Gating Network-based Recommendation System,AMGNRS)。该模型利用志趣相投的用户所产生的辅助评论来缓解用户评论的稀疏性问题,首先将多种混合注意力机制相结合来提高提取用户评论及评分的特征的效率,然后通过门控网络自适应地融合提取的特征并选出与用户偏好最相关的特征,最后利用神经因子分解机的高阶线性相互作用来推导评分预测。将所提模型与当前表现优异的模型在3个真实数据集上进行了对比实验,结果表明,所提模型显著地缓解了数据的稀疏性问题,验证了其有效性。

摘要： 闭环检测是同步定位与建图(simultaneous localization and mapping,SLAM)中的一个重要组成部分,用于减少移动机器人在位置估计和构建环境地图时产生的累计误差。传统方法采用人工设计的特征,但在外界环境中容易受到光照、天气和视点变化等因素所带来的影响。随着深度学习技术的发展,闭环检测得到广泛的探索,且在复杂环境中基于深度学习的闭环检测具有较强的鲁棒性。通过梳理闭环检测的背景和发展现状,从基于深度卷积神经网络、自动编码器和语义信息三个方面,对目前视觉SLAM(visual-SLAM,V-SLAM)闭环检测方法的基本原理、算法特点进行了对比分析,并从视觉应用层面上总结了三类方法所适用的场景,最后讨论了闭环检测未来在自然环境变化、多移动目标和实时动态三个方面所存在的挑战和研究展望。

摘要： 隐喻识别是自然语言处理各前沿领域中所面临的难题。为了解决名词性隐喻中忽视的潜在特征和语义的信息利用不足从而导致隐喻识别效果不高的问题,利用深度学习的优势,该文提出一种特征融合神经网络模型—CB,针对名词性隐喻进行识别。使用卷积神经网络模型—CNN挖掘名词性隐喻句中的潜在特征,预训练表征模型—BERT对词语之间的关系和词的位置信息进行向量化表征,以此有效地学习名词性隐喻句中的语义信息。在隐藏层特征维度上融合两者提取到的信息,最后通过线性分类器进行识别。由于模型本身具有局限性,名词性隐喻句中还蕴含少量抽象的特性,因此无法只依靠模型挖掘所有的特征信息,但针对大部分非抽象名词性隐喻句能够在不耗费人力资源的条件下有较好的识别效果。经过实验对比发现CB模型在准确率上达到0.9047、召回率0.9362、F1值0.9262,其综合指标均高于现有的最优深度学习模型。

摘要： 语义信息应用研究是自主移动机器人在导航中实现智能任务规划基础研究的核心内容之一,它涉及到语义地图、语义定位、语义知识表示、语义推理等技术,它在移动机器人任务规划中起到人-机-环境交互的桥梁作用,让机器人具备人的视角去理解周围的环境、自主识别、推理和完成指定任务。重点从语义地图、语义定位和语义知识表示三个方面分析和总结语义信息在自主移动机器人导航过程中的应用,同时展望了语义信息在自主移动机器人导航应用中的发展趋势。

摘要： 场景文本检测有助于机器理解图像内容,在智能交通、场景理解和智能导航等领域应用广泛。现有的场景文本检测算法未充分利用高层语义信息和空间信息,限制了模型对复杂背景像素的分类能力和对不同尺度的文本实例的检测和定位能力。为解决上述问题,提出了一种基于增强特征金字塔网络的场景文本检测算法。该算法包括比率不变特征增强(Ratio Invariant Feature Enhanced,RIFE)模块和重建空间分辨率(Rebuild Spatial Resolution,RSR)模块。RIFE模块作为残差分支,增强了网络的高层语义信息传递,提高了分类能力,降低了误报率和漏捡率。RSR模块重建多层特征分辨率,利用丰富的空间信息改进边界位置。实验结果表明,所提算法提升了在多方向文本数据集ICDAR2015、弯曲文本数据集Totaltext以及长文本数据集MSRA-TD500上的检测能力。

摘要： 依据二元语义信息评价的基本思想,构建了评价指标属性权重和决策者权重的耦合赋权模型, 既体现了语言信息评价对指标经济意义或技术意义判断的重要性,又规避了主观赋权的弊端。针对船闸闸位选址的多指标决策问题,在分析其多指标影响因素的基础上,以江苏省宿迁市井头船闸选址为实例,应用该方法对四种闸位布局方案进行了综合评价。评价结论与实际较为相符,证明了该方法对优选船闸闸位布局方案能作出有效评估并能提供丰富的决策信息。

摘要： 特定目标情感分析旨在判断上下文语境在给定目标词下所表达的情感倾向.对句子语义信息编码时,目前大部分循环神经网络或注意力机制等方法,不能充分捕捉上下文中长距离的语义信息,同时忽略了位置信息的重要性.本文认为句子的语义信息、位置信息和多层次间的信息融合对该任务至关重要,从而提出了基于混合多头注意力和胶囊网络的模型.首先,使用多头自注意力分别在位置词向量基础上对上下文长句子和在双向GRU基础上对目标词进行语义编码;然后,使用胶囊网络在语义信息交互拼接基础上进行位置信息编码;最后,在融入原始语义信息基础上,使用多头交互注意力对上下文与目标词并行融合的方法得到情感预测结果.在公开数据集SemEval2014Task4和ACL14Twitter上实验表明,本文模型性能较传统深度学习和标准注意力方法有显著提升,验证了模型的有效性和可行性.

摘要： 在基于深度学习的情感分析工作中,传统的注意力机制主要以串行的方式作为其他模型的下一层,用于学习其他神经网络模型输出的权重分布.该文在探究使用深度学习进行句子级情感分析任务的基础上,提出一种注意力增强的双向LSTM模型,模型使用注意力机制直接从词向量的基础上学习每个词对句子情感倾向的权重分布,从而学习到能增强分类效果的词语,使用双向LSTM学习文本的语义信息,最终通过并行融合的方式提升分类效果.通过在NLPCC2014情感分析语料上进行测试,该模型的结果优于其他句子级情感分类模型.

摘要： “葛优躺”作为一个网络新词语,可以适用于多种语境,表达不同语义信息,句法功能比较复杂,受“模因”论的影响,出现了“仿体”、“变体”,其流行原因在于:高度凝缩而又来源悠久的词形,生动传神而又高度概括的语义,标新立异而又从众模仿的心理,源于生活而又反映生活的实际,自媒体时代使用微信表情的驱动.

摘要： 图像纹理是一种重要的视觉信息,是图像中广泛存在而又难以描述的特征,能够刻画外部世界的宏观结构微观结构以及抽象层次关系,并能通过与其它方法结合来准确地识别和区分不同的场景特征,进而获得重要的语义信息.至今人们都没能给纹理一个合适的定义,纹理的提取是图像处理领域中一个重要的研究方向.各种纹理特征提取方法也是层出不穷.介绍了几种常用的纹理提取方法,分析了研究现状,对其进行了分类和比较,最后给出了纹理研究领域的主要应用前景.

摘要： 微博是目前一种十分流行的分享信息、表达观点的社交网络.在新浪微博的服务中,用户可以给自己标注不同类型的标签,来表示他们的属性和兴趣.这些用户标注的标签在个性化推荐以及信息检索领域中扮演着重要的角色.传统的社会标签推荐,主要集中于用户针对在线实体的标注行为,例如网页、图片以及视频等等,这些研究大部分都是基于标注行为的历史信息.为了更好的理解微博用户标签的语义信息，提出了标签关联模型((Tag Correspondence Model)，来根据用户的上下文信息识别标签之间复杂的关联信息。一个标签的对应元素，是指在上下文中，与该标签语义相关的独一无二的元素。将微博用户的上下文信息划分成不同的类型，例如发布的微博信息，用户的个人资料，以及邻居用户等等。根据已经标注标签的用户数据，标签关联模型TCM可以自动的学习出不同类型的信息与用户标签之间的关联关系。根据学习到的关联关系，可以对标签的含义进行直观的解释。同时，对于没有标注标签的用户，该模型可以根据用户的上下文信息自动的推荐标签。在新浪微博真实数据集上的实验证明，该方法可以有效的识别出能够表示标签语义信息的关联关系，同时也能够对未标注标签的用户进行有效的标签推荐。

摘要： 云计算的兴起,将Web服务的应用推上了更为广阔的平台,云服务通常被设计成Web服务,云服务化日趋得到关注.在云计算范型下,为解决云服务的语义信息更新、扩充困难,确保服务质量和按需的资源使用以及能高效地检索、管理云服务,论文结合水利领域业务,提出并实现了一个云服务库来管理各类基于水利业务的云服务,其中采用本体、元数据技术描述云服务的刻面及属性,开发了刻面动态生成机制便于增加新的刻面,进而扩展云服务的语义信息.当前,该云服务库已在多个项目中应用,展现了良好的应用效果.

摘要： 不确定描述逻辑知识库扩展了传统的描述逻辑知识库,在不确定描述逻辑关键性问题中,有一大类问题是关于求解公理的概率上限和下限.本文在蚁群算法的基础上,基于不确定描述逻辑领域的特征,提出了一种基于语义信息的蚁群算法,进而将其应用于求解上述的极值问题,并讨论其关键性参数的取值。最后,通过一个医学本体案例,验证了本文提出的基于语义信息的蚁群算法的有效性。

摘要： 本文基于档案检索历史的回溯与总结,通过对档案检索的现状进行调研考查,梳理档案检索技术在不同阶段的应用和表现,着重分析优点、缺点及与信息技术发展的密切联系,对档案检索的发展状况进行总结,并结合当前数字档案资源建设的形势,通过对其进行分析找出差距和不足.

摘要： 本文基于档案检索历史的回溯与总结,通过对档案检索的现状进行调研考查,梳理档案检索技术在不同阶段的应用和表现,着重分析优点、缺点及与信息技术发展的密切联系,对档案检索的发展状况进行总结,并结合当前数字档案资源建设的形势,通过对其进行分析找出差距和不足.

摘要： 提供一种语义信息生成方法及装置，其中，取得包含自然语言的第一文本数据和第二本数据的第一文本语料库，第一文本数据包含第一单词，第二文本数据包含应与第一单词区别语义的第二单词、且第二单词分布与第一单词分布相似；取得包含第三文本数据的第二文本语料库，第三文本数据包含与第一单词和第二单词中的一方相同的第三单词、且关于第三单词的第三单词分布与第一单词分布类似；基于第一文本语料库和第二文本语料库中的单词串排列，对第一单词分配表示第一单词的语义的第一向量，对第二单词分配表示第二单词的语义的第二向量；将第一向量和第一单词相关联地存储，将在向量空间中与第一向量相距预定以上的距离的第二向量和第二单词相关联地存储。

摘要： 本发明公开了一种基于语义信息提取的室内语义地图更新方法与系统包括：向所有移动端发布众包任务；等待任意移动端执行众包任务，并接收其任务结果；对任务结果进行预处理，获得公共关键帧序列；从公共关键帧序列中提取精确文本序列；根据公共关键帧序列与精确文本序列更新室内语义地图。本发明能够鼓励移动端执行众包任务，并以较低的成本更新室内语义地图与文本语义信息。

摘要： 本发明适用于人工智能、指挥决策技术领域，提供一种指挥决策数字信息录入和语义信息识别方法及装置，所述方法包括：接收输入的计划指令、预警方案指令和大屏切换指令；根据输入的指令选择相应业务逻辑；对业务逻辑数据分别进行标准化编码，当接收到更改指令编码时对修改内容进行定位；如果是语音修改，则获取计划/预警方案的语音数据，并转化为文本，分别进行语义识别；当接收到语义识别结果的确认指令信息，相应完成计划/预警方案的修改；如果是数字修改，则相应完成大屏切换。本发明形成了一种处理数字、语音信息混合输入的指令处理方法，平衡了语义信息的识别精度与效率，在指挥决策系统处理混合信息输入中具有有效的增益效果。

摘要： 提供一种语义信息生成方法及装置，其中，取得包含自然语言的第一文本数据和第二本数据的第一文本语料库，第一文本数据包含第一单词，第二文本数据包含应与第一单词区别语义的第二单词、且第二单词分布与第一单词分布相似；取得包含第三文本数据的第二文本语料库，第三文本数据包含与第一单词和第二单词中的一方相同的第三单词、且关于第三单词的第三单词分布与第一单词分布类似；基于第一文本语料库和第二文本语料库中的单词串排列，对第一单词分配表示第一单词的语义的第一向量，对第二单词分配表示第二单词的语义的第二向量；将第一向量和第一单词相关联地存储，将在向量空间中与第一向量相距预定以上的距离的第二向量和第二单词相关联地存储。

摘要： 本发明属于视觉SLAM领域，提出了一种基于先验语义地图结构信息和语义信息的视觉定位算法。本发明通过一种融合先验语义地图语义信息和结构信息的混合约束，将先验语义地图因子引入到视觉定位中。随后，利用视觉路标与先验语义地图之间的数据关联，使用期望最大化算法同时优化数据关联和相机位姿，提高视觉定位的精度和鲁棒性。该算法能够有效限制视觉里程计的漂移误差并提高视觉定位精度，以服务于导航等应用场景。在满足实时性的要求下，取得了较高的定位精度。

摘要： 本发明公开了语义信息表示方法、语义编码器、解码器和语义通信框架，属于语义通信领域。本发明在传统的语义通信架构基础上，在语义编码器中增加语义比较器，在语义解码器增加语义推理器。所述语义通信架构不在发送方对语义信息进行直接编码，而是训练一个语义比较器，该语义比较器能够区分出发送方的专家推理路径，语义推理器通过和语义比较器对抗式训练，学习到语义发送方专家推理路径的推理机制，最后直接能对接收到的信息进行解码恢复出语义信息，解决了对隐式语义信息中的语义推理机制难以编码的问题，并且能够实现语义信息的解码。

摘要： 本发明公开了一种基于多感受野上下文语义信息的图像语义分割方法，包括步骤一、将输入图像通过卷积操作转换成像素矩阵；二、采用不同扩张率的扩张卷积将同一个像素矩阵转换为多个具有多感受野上下文语义信息的特征图；三、具有多感受野上下文语义信息的特征图分别通过不同子网中的转换器编码器进行特征提取和下采样处理，得到多个具有不同感受野的下采样特征图；四、下采样特征图通过解码器进行逐步上采样处理，得到相同尺寸和维度的特征图，并生成最终的特征融合图；五、特征融合图通过卷积神经网络完成图像分割的预测。本发明能够有效应用在图像语义分割中，不会丢失深层的低分辨率特征和细粒度特征，消耗内存小，效果显著，便于推广。

摘要： 本发明公开了一种基于语义信息提取的室内语义地图更新方法与系统包括：向所有移动端发布众包任务；等待任意移动端执行众包任务，并接收其任务结果；对任务结果进行预处理，获得公共关键帧序列；从公共关键帧序列中提取精确文本序列；根据公共关键帧序列与精确文本序列更新室内语义地图。本发明能够鼓励移动端执行众包任务，并以较低的成本更新室内语义地图与文本语义信息。

摘要： 本发明公开了信息奇异值分解重构与语义信息误差矩阵验证系统，包括奇异值的矩阵建模与分解：将SVD(奇异值分解)应用于信号处理，将一维时间序列信号构造成二维空间矩阵形式；通过对于分量矩阵选取的选取，极大地地提升了消噪效果，且提高了特征提取结构的准确性，不仅避免了分量矩阵太少而致使信号失真的情况，而且避免了选取过多导致的噪声残留较多的情况，分量矩阵的选取实际上也就是奇异值的选取，通过选取合适的分量矩阵，使得从分量矩阵中恢复后的信号信噪比增大，因为在实际情况中不可能将噪声完全消除，或多或少还残留有噪声带来的误差，因此，本申请极大地提高了信噪比，即达到了极大地降低噪声影响的效果。

摘要： 本发明提供了一种基于视觉语义信息和时空信息的行人重识别方法，包括：收集目标场景中的行人图像并制作训练集，获得用于人体特征提取的骨干神经网路；标注行人图像的人体ID、时间信息和空间信息，获取时空概率分布曲线集；在检测集中选取待测行人图像输入骨干神经网络后获取人体特征向量后获得第一相似度概率值；找到时空概率分布曲线，并读取第二相似度概率值；获得两张待测行人图像中的行人相似度值，与相似度预设值的比较结果判断两张待测行人图像中的行人是否为同一行人。本发明解决了现有技术中行人重识别技术的应用时，仅利用视觉语义信息的比对进行行人重识别存在一定的局限性，会出现误判的可能而影响识别精度的问题。