基于矩阵分解和注意力多任务学习的客服投诉工单分类

投诉工单自动分类是通信运营商客服数字化、智能化发展的要求。客服投诉工单的类别有多层,每一层有多个标签,层级之间有所关联,属于典型的层次多标签文本分类问题,现有解决方法大多数基于分类器同时处理所有的分类标签,或者对每一层级分别使用多个分类器进行处理,忽略了层次结构之间的依赖。提出了一种基于矩阵分解和注意力的多任务学习的方法(MF-AMLA),处理层次多标签文本分类任务。在通信运营商客服场景真实投诉工单分类数据下,与该场景常用的机器学习算法和深度学习算法的Top1F1值相比分别最大提高了21.1%和5.7%。已在某移动运营商客服系统上线,模型输出的正确率97%以上,对客服坐席单位时间的处理效率提升22.1%。     

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。     

基于DeeplabV3+网络的高分遥感影像分类

针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception＿65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception＿65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。     

电信运营商网络投诉工单智能语义稽核技术

本文基于自然语言处理、语义相似度和实体识别等算法,构建了面向网络投诉工单的智能语义自动稽核系统,挖掘回单中自然语言的命名实体、事件和关系,通过特征提取、模型构建、语义泛化、匹配度计算等环节,输出质检所需的语义关键信息,实现对网络投诉工单传统质检方法的智能化提升。同时,设计和实施了一种投诉工单专家规则泛化词构建方法,实现对有限专家规则特征词的补充,提升语义质检的泛化性能。通过与传统关键字匹配算法进行比较,本方法在识别精准度方面效果更优,有效降低运营商投诉工单重派率,提升了客户满意度。     

基于注意力机制的单视图三维重建

利用深度学习的方法进行单视图三维重建时,网络中的外部辅助结构大幅提高了其重建效果,但也增加了网络的参数量和运算量。对此,在编码器中减少卷积层数量,并设计注意力模块。在注意力模块中,利用大核注意力为图像空间信息分配不同的权重。此外,利用向量融合保持空洞卷积过程中的空间信息关系。在重建过程中,编码器通过卷积层和注意力模块交替提取图像特征后,将编码向量直接输入到解码器,在解码器中上采样并输出重建模型,实现无需外部辅助结构的重建。在ShapeNet数据集上的对比实验表明网络在较低的模型参数量和运算量下具有更好的三维重建效果。     

基于自编码器的多脉冲位置调制实现

针对应用于可见光通信的多脉冲位置调制(MPPM)方式的性能优化问题,提出了一种基于自编码器模型的MPPM传输设计方案.该方案分别利用全连接网络(DNN)和卷积神经网络(CNN)搭建自编码器模型,编码器端通过采用多阶段训练策略和自定义损失函数调控,实现了 MPPM信源符号的生成;解码器端通过全连接层或一维卷积层构建的网络...     

基于残差神经网络的道路提取算法研究

针对遥感图像道路提取信息丢失问题,提出了一种基于残差神经网络的道路提取算法。首先构建编码器 解码器网络,结合预编码器以及空洞卷积模块进行训练,提取更多的语义信息;其次并联设计的空洞卷积模块加在编码器 解码器结构的中间部分,它可以对不同感受野的特征图进行特征提取;最后编码器 解码器之间采用跳连的方式进行多尺度的特征融合,学习更多低维和高维的特征。实验结果表明,在Massachusetts道路数据集上,该方法相比其他算法在Preci sion、Recall和F1 score性能指标上分别有11%、0.3%和7.4%的提升;同时在Accuracy指标上也达到了97.9%,相比于其他算法,该算法有一定的应用价值。     

基于人工神经网络算法的运营商客户投诉智能分类问题研究

云计算、物联网和5G业务的逐步开展, 运营商的竞争态势日益加剧,在服务内容、服务方式、服务质量、经营管理和服务意识面临严峻挑战。为提升客户满意度,降低投诉量,本文从运营商客户投诉工单和录音数据入手,利用人工智能、机器学习等手段,开展投诉服务请求的归类分析,进一步通过人工神经网络算法对投诉工单文本进行挖掘和优化,对工单进行智能分类,全面构建“精准化管理”,推进服务体系的“智慧运营”。     

基于BiGRU-Capsule的多标签文本分类

传统的文本分类一般采用单标签形式,但现实生活中多标签文本比单标签文本具有更广泛的应用场景.本文提出一种BiGRU-Capsule模型的多标签文本分类方法,该方法首先通过嵌入层将输入的文本序列转化为向量表示;然后通过BiGRU和Capsule提取文本特征;最后使用sigmoid分类器进行分类.为确保数据量足够,利用今日头条2018新闻标题多标签语料数据集进行实验,将胶囊网络模型作为对比模型进行多标签文本分类实验与分析.实验结果表明:本文模型的多标签文本分类效果得到有效提升.     

基于新型编-解码网络斜拉桥拉索表面的缺陷检测

针对人工目测斜拉桥拉索表面缺陷劳动强度大、准确度低,常规图像处理和卷积神经网络速度慢,无法满足实时检测等问题,构建了新型编-解码网络检测拉索表面缺陷。采用优化的MobileNetV2作为编码器,减少网络参数、加快训练速度;解码器借鉴UNet思想,融合金字塔池化(pyramid pooling, PSP)模块加强特征提取;利用跳跃链接级联编码器和解码器,有效融合深浅层特征信息;通过PASCAL VOC数据集预训练得到新型编-解码网络权值,利用孔洞、缝隙、损伤等常见缺陷数据集训练网络获得最终网络参数。实验结果表明：新型编-解码网络鲁棒性强,均像素精度、均交并比和单张图片处理时间分别达到89.88%、79.25%和41.34 ms,明显优于PSPNet、UNet、DFANet等主流检测方法,满足斜拉桥拉索表面缺陷检测的精度和速度要求。     

结合HarDNet和反向注意力的息肉分割方法

针对结肠息肉的形状、大小、颜色和纹理多样性，息肉与背景相似及结肠镜图像的对比度低等影响分割效果的问题，提出了一种结合HarDNet和反向注意力的U型结构的结肠息肉图像分割网络。所提模型以U型的编码器解码器结构为基础架构：首先，编码器采用HarDNet68为主干网络提取特征，以提升推理速度和计算效率；其次，解码器采用3个反向注意力模块进行边界特征的融合和细化；最后，在编码器和解码器之间通过感受野模块实现多尺度信息的融合，为解码器提供更为详细的边缘信息。该模型编码器和解码器之间的迭代交互机制能够有效地校正预测结果中矛盾冲突的区域，达到提高分割精度的目的。实验结果表明，与现有的方法相比，所提方法在提高分割精度的同时，具有良好的实时性和泛化能力。研究成果可以为结肠息肉的早期筛查提供可靠的依据。     

结合信息感知与多尺度特征的红外与可见光图像融合

现有的基于深度学习图像融合算法无法同时满足融合效果与运算效率,且在建模过程中大部分采用基于单一尺度的融合策略,无法很好地提取源图像中上下文信息。为此本文提出了一种基于信息感知与多尺度特征结合的端到端图像融合网络。该网络由编码器、融合策略和解码器组成。具体来说,通过编码器提取红外与可见光图像的多尺度特征,并设计特征增强融合模块来融合多个尺度的不同模态特征,最后设计了一个轻量级的解码器将不同尺度的低级细节与高级语义信息结合起来。此外,利用源图像的信息熵构造一个信息感知损失函数来指导融合网络的训练,从而生成具有丰富信息的融合图像。在TNO、MSRS数据集上对提出的融合框架进行了评估实验。结果表明：与现有的融合方法相比,该网络具有较高计算效率;同时在主观视觉评估和客观指标评价上都优于其它方法。     

结合特征融合与物理校正的水下图像增强方法

为解决由于光的吸收和散射现象导致拍摄的水下图像呈现出严重色偏，对比度低等质量问题，本文提出轻量级特征融合网络和多颜色模型校正相结合的水下图像增强方法。首先使用自构建块代替卷积层的编码器和解码器结构的特征融合网络对水下图像色偏进行校正，网络中改进的特征融合模块降低全连接层对图像空间结构的破坏，保护空间特征，减少模块的参数量。同时改进的注意力模块并行池化计算提取特征图纹理细节且保护背景信息。然后使用多颜色模型校正模块根据像素之间关系进行校正，进一步减少色偏，提高对比度和亮度。实验结果表明，与最新的图像增强方法对比，在有参考图像数据集上，本文方法的NRMSE、PSNR和SSIM评价指标的平均值分别比第二名提升了9.3%、3.7%和2.3%。在无参考图像数据集上，本文方法的UCIQE、IE和NIQE评价指标的平均值比第二名提升了6.0%、2.9%和4.5%。综合主观感知和客观评价，本文方法能校正水下图像色偏，提升对比度和亮度，提高图像质量。     

融合多尺度特征和语义信息的单目深度估计

针对目前的无监督学习方法在单目图像深度估计中存在深度估计不准确、边缘模糊的问题,提出了一种融合多尺度特征信息和语义信息的无监督单目深度估计网络.该网络不仅引入了从编码器到解码器的跳层连接来实现不同尺度特征的提取和融合,还在编码器和解码器之间引入多个空洞卷积并行的语义层来增加感受野,使得结果更加准确.最后在KITTI数据...     

栈式自编码器特征表达能力研究

以深度学习中的自编码器为基础,堆积稀疏自编码形成深度网络,以贪心算法逐层训练实现特征层的层抽象映射,监督训练Softmax分类器,然后使用BP(反向传播)算法优化权值,构建SAE(栈式自编码器),并重点对其特征表达能力进行探究。第一,以单层自编码器作为特征表达的基础模块,探究自编码器中隐藏层节点数对特征表达能力影响;第二,重点探究对于多层自编码器的理解,堆积自编码器是否是一个好的获取理想特征表达的途径,主要评估多层自编码器对于特征表达的准确性和稳定性影响。基于MNIST(美国国家标准与技术研究所数据库)数据集的实验与PCA(主成分分析)、LLE(局部线性嵌入)、BP算法特征表达能力进行对比分析,验证栈式自编码器特征表达能力的有效性。     

基于深度学习的工单智能检测探讨

随着通信业不断发展，网络规模逐渐增加，网络集中优化派单已成为网络维护的常态，随之而来的工单审核日益繁重。以运营商网络优化集中化系统中派发工单为例，开展工单质量检查，通过训练无线分词、增加无线专有名词、采用HMM模式识别新增词的方式形成无线专业语料库，并根据此库进行原因分析、处理过程描述两个字段的分词，在判断过程中除检测关键词外，引入Word2Vec算法，增加相近语义检测，增大判断的准确性。经验证，该方法准确率较好，能有效提升工作效率，具有较高推广性。     

基于空间转换网络的端到端车牌检测与识别

在复杂场景中,许多现有的车牌检测和识别方面 的研究方法存在数据集单一且有限、算法复杂等问题。因此提出了一个端到端的统一网络: 残差-空间变换-连接时序分类融合的 车辆号牌检测识别网络(LPDR-RSCNet)。该网络结合残差神经网络、空间变压器网络和连 接主义者时间分类,联合训练检测和识别模块,以减少中间错误积累。通过在残差神经网络 提取特征过程中引入空间变换网络,使特征提取器具有平移不变性、旋转不变性和缩放不变 性;在分类器引入连接时序分类,可以自动识别图片标签和特征之间的关系。同时,还可以 适应可变长度序列的识别。在中国城市停车场数据集(CCPD)上进行了比较实验,CCPD是一 个大规模、多样的中文车牌数据集。实验证明LPDR-RSCNet模型在实际应用中可实现98.8％ 的识别精度和34 fps的速度,并且相较于YOLO9000、Faster-RCNN、SSD300, 具有更好的检测准确度,可满足智能交通系统中对移动车辆实时车牌检测和识别的要求。     

基于DTSVMs-BNT协同训练的双偏振气象雷达降水粒子分类方法

本文提出了一种基于决策树支持向量机-贝叶斯网络协同训练的双偏振气象雷达降水粒子分类方法.该方法首先使用有标签的数据初步训练得到贝叶斯网络和决策树支持向量机两种分类器.然后取出部分无标签的数据,通过两个分类器得到类别的预测结果,计算该部分预测结果的置信度,将预测结果满足阈值的无标签数据放入到有标签数据集中.使用更新后的有...     

基于深度学习的RGBD图像协同显著目标检测

本文旨在研究一种基于深度学习的RGBD图像协同显著目标检测模型。首先,本文构建了多分支的编码器结构,有效地提取RGBD图像的深层卷积特征;然后,使用多模态特征融合模块充分融合来自编码器的深层特征;最后,通过基于残差基本块的解码器来预测得到显著性图。此外,本文以深层次监督的方式对整个网络进行约束优化。在两个公开数据集上的测试结果表明,所提模型在预测精度上优于当前6种主流模型,这其中我们的显著性图呈现出更精确的边缘细节。      

高可靠性信道反馈自编码器系统设计

为了充分利用信道反馈编码系统中反馈信息,提出了一种针对带有反馈信道的高可靠性自编码器系统设计方案.该方案通过在发送端引入反馈解码器模块,将编码与反馈信息的提取分成两部分进行,利用端到端的学习方式使发送端和接收端寻找到适合信道的编码和解码算法.针对反馈解码器模块,给出了基于卷积神经网络和双向门控循环单元的两种实现方案.此...