基于卷积神经网络和关键词策略的实体关系抽取方法*

针对传统的实体关系抽取方法在定义特征过程中费时且容易造成错误传播,及现有深度学习方法依靠单一词向量学习特征的不足,文中提出基于卷积神经网络和关键词策略的实体关系抽取方法.在原始词向量的基础上,通过基于句子级的关键词抽取算法(TP-ISP)获得类别关键词特征.类别关键词的加入提高类别区分度,同时弥补网络自动学习特征的不足.在网络训练阶段,采用分段最大池化策略,减少传统最大池化策略的信息丢失.实验表明,文中方法有利于提升实体关系抽取结果.     

多特征融合的图像质量评价方法

为了规避图像质量评价中的视觉特征和池化策略难以选取和解释的问题,在提取参考图像和失真图像的多种底层特征的基础上,采用机器学习的方法自动预测真实图像质量,提出多特征融合的图像质量评价方法.针对参考图像和失真图像分别提取相位一致性、梯度、视觉显著性、对比度特征,计算4种特征的相似度图,提取相似度图的均值和方差特征,最后采用支持向量回归评价文中方法.在LIVE、CSIQ、TID2008和TID2013图像库上的实验表明,文中方法的主客观一致性较好.     

Optimization and evaluation of the qPCR-based pooling strategy DEP-pooling in dairy production for the detection of Listeria monocytogenes

Diagnostic strategies to detect foodborne pathogens such as L. monocytogenes in food processing environments are cost and time consuming necessities to ensure safe food products. While two-step pooling diagnostic strategies incorporating PCR have been successfully introduced in recent years, such strategies to date have not been employed for food and hygiene monitoring. The objective of this study was to develop and evaluate the applicability of a cost-effective PCR pooling approach called direct enrichment PCR (DEP)-pooling based on an existing L. monocytogenes monitoring setup. The proposed pooling strategy is based on a first enrichment step, subsequent PCR-pooling and re-evaluation of PCR-positive pools with the VIDAS DUO. Overall, more than 3000 individual routine samples from a European cheese production facility were tested with the proposed DEP-pooling and compared in parallel with existing L. monocytogenes monitoring. In this approach equivalent results were obtained. Proposed DEP-pooling utilizes the advantages of both microbiological enrichment and PCR to identify negative samples faster in a cost efficient way with an overall cost reduction of ∼60% based on 1% positive samples.     

MSC Pool应用实例分析及部署建议

移动核心网技术不断发展，规模不断扩大，对网络稳定安全性提出了较高要求，池组化技术提供了较为完善的容灾备份解决办法。通过分析某运营商大省网络现状，从MSC POOL覆盖区域规划、NRI分配、容量规划等关键点出发，阐述并分析了该省MSC POOL应用实施的多个细节，特别针对该省省会城市多厂家并存的设备设置情况和2G/3G复杂覆盖现状，采用图表结合的方式进行MSC POOL规划思路详细描述，同时对MSC POOL在现网部署和实施过程等方面进行了经验总结和建议。     

基于改进U-Net网络的细小裂纹检测

针对复杂背景下细小裂纹图像检测难、噪声干扰多和裂纹宽度信息易丢失的问题,提出一种基于U-Net改进的方法。利用残差块解决网络退化,加入BN层改善梯度弥散,融入深度可分离卷积以及高尺度的转置卷积,实现特征信息由浅入深的传递;改进注意力机制,实现细节特征的优化;延伸U-Net特征向量长度,在底部加入由最大池化层、小尺度深度可分离卷积与上采样层构建的层融合模块,实现分辨率和感受野之间的平衡。实验结果表明,在客观标准下,改进的方法比U-Net的IoU的值提高0.1873,Recall的值提高了0.1127,Precision提高了0.1359,F1-score提高了0.0687,并且实验结果皆优于其他方法对于U-Net的改进,减少了伪分割现象,完成对细小裂纹分割,获得更加精细的裂纹宽度信息。     

改进SSD算法的道路小目标检测研究

在道路场景中,因小目标分辨率低且特征不明显,传统的目标检测算法难以确认其所属类别和位置信息,导致检测精度低、检测速度慢、漏检率高。提出一种改进SSD的道路小目标检测算法RFG_SSD。在SSD网络结构的主干部分和检测部分之间,通过引入改进的特征金字塔网络结构,融合浅层和深层感受野的特征信息,以获得小目标语义信息丰富的特征图。将深层特征提取网络ResNet 50作为改进网络的主干特征提取网络,提高整体网络的检测精度。为加快网络运算速度,基于检测层结构,利用全局平均池化层代替全连接层,减少网络参数量。实验结果表明,与SSD、VGG16+SFPN等算法相比,该算法能够有效提高小目标检测性能,且加快检测速度,其在BDD100K数据集上的平均精度和检测速度分别为98.05%和85.56 frame/s,小目标检测个数相较于SSD算法提高3倍多。     

改进YOLOv3网络结构的遮挡行人检测算法

针对YOLOv3算法在监控视频行人检测中对遮挡目标漏检率较高的问题,文中提出改进YOLOv3网络结构的遮挡行人检测算法.首先在网络全连接层引入空间金字塔池化网络,增强网络的多尺度特征融合能力.然后采用网络剪枝的方式,精简网络冗余结构,避免网络层数加深导致的退化和过拟合问题,同时减少参数量.在走廊行人数据集上进行多尺度训练,获得最优的权重模型.实验表明,文中方法在平均准确率和检测速度上都有所提升.     

基于深度神经网络的小儿肺炎诊断

利用深度神经网络对小儿肺炎图片进行识别分类,以提高诊断的准确性和自动性。本研究利用融合了注意力机制和残差机制的预训练模型DenseNet121对特征进行训练。对网络结构加入全局平均池化层和Dropout层以防止过拟合,采用交叉熵损失函数以避免学习速率降低及梯度弥散问题,利用迁移学习减少训练参数从而节省训练时间,同时对训练数据做了数据增强。该成果提高了小儿肺炎诊断的识别率。     

Delphi中分布式多层MIS系统执行效率的研究

分布式多层系统由客户端应用程序、应用服务器层、数据库服务器层构成.由于分布式多层应用系统其自身的结构特征及其运行环境,决定了它的执行效率将成为其设计中不可忽视的重点.本文总结了如何使用Delphi所提供的相关技术来提高分布式多层系统执行效率的几种方法.