一种基于本体的句子相似度计算方法

提出了一种基于树结构本体的句子相似度计算方法。利用本体概念与句子中关键词之间建立的语义索引,构建句子与本体间的直接和间接语义联系,据此提取描述句子的语义向量,从而计算句子间的语义相似度。应用微软研究院的意译语料库(MSRP)对本方法进行了验证,结果表明:与相关的计算方法相比,本方法在不完备附加信息应用前提下获得了较好的准确率和召回率。     

基于多模态融合的城市道路场景视频描述模型研究

城市道路视频描述存在仅考虑视觉信息而忽视了同样重要的音频信息的问题,多模态融合算法是解决此问题的方案之一。针对现有基于Transformer的多模态融合算法都存在着模态之间融合性能低、计算复杂度高的问题,为了提高多模态信息之间的交互性,提出了一种新的基于Transformer的视频描述模型多模态注意力瓶颈视频描述（multimodal attention bottleneck for video captioning,MABVC）。首先使用预训练好的I3D和VGGish网络提取视频的视觉和音频特征并将提取好的特征输入到Transformer模型当中,然后解码器部分分别训练两个模态的信息再进行多模态的融合,最后将解码器输出的结果经过处理生成人们可以理解的文本描述。在通用数据集MSR-VTT、MSVD和自建数据集BUUISE上进行对比实验,通过评价指标对模型进行验证。实验结果表明,基于多模态注意力融合的视频描述模型在各个指标上都有明显提升。该模型在交通场景数据集上依旧能够取得良好的效果,在智能驾驶行业具有很大的应用前景。     

关于JS—1型翻斗车配重的讨论

国内目前批量生产的JS-1型翻斗车是一种不同于其他车辆的工程运输车辆,其最大特点是前轮驱动后轮转向。前轮驱动车辆与后轮驱动车辆在空载爬坡时,桥荷分配的变化对其爬坡能力的影响是不同的,前轮驱动不利于空载爬坡,后轮驱动有利于空载爬坡。汽车因多采用后轮驱动,故整车性能参数对空载爬坡度没有提出要求。翻斗车作为一种主要在工地路面使用的小型机动车辆,受其自身结构限制和现场的实际工况要求,必须对空载爬坡性能有所要求。部颁标准JJ18-83(新标准GB9464·2-88)规定一吨级翻斗车空载爬坡度必须达到21%(12°)以上。 JS-1型翻斗车是六十年代生产定型的产品,最初设计时选用卧式柴油机皮带传动,受其     

基于Libra R-CNN改进的交通标志检测算法

随着人工智能领域的快速发展,深度学习在无人驾驶领域中的应用逐渐成熟,但是其中交通标志检测任务作为难点问题仍有很大的改进空间。城市道路下的交通标志检测具有环境复杂、小目标多、目标种类多且数量不平衡的特点,针对这些问题,提出基于Libra R-CNN进行改进的方案。Libra R-CNN目标检测网络是基于平衡提出的,能够较好应对目标种类多及数量不平衡问题,在Libra R-CNN网络的锚框提取样本阶段,使用GA-RPN生成锚框,从而在训练期间产生更精确、更多样化的样本,减少背景影响和小目标不好定位的问题,提高检测准确率。该方法通过试验验证了有效性。试验是在MS COCO 2017和交通标志数据集上进行的。改进后的Libra R-CNN的mAP提高了超2.7个百分点。试验结果表明,改进后的网络相比原有的目标检测网络性能有了显著提升。     

基于内容的视频分层语义联想模型

提出一种视频的分层语义联想模型,构造三个层次的信息：概念层次树,场景网络和语义对象网络。利用概念层次树来适应不同的应用环境,场景网络表示视频的时间信息,而语义对象及其关系用来表示视频镜头的内容,通过分属不同镜头的语义对象的关系来表示镜头间的语义相关度。该模型采用基于时间和语义关系的检索方法,搜索结果是收敛的。     

基于递归特征金字塔的UPSNet全景分割应用研究

在学习研究全景分割方法UPSNet时，发现其骨干网络所提取的特征对子网络的分割结果起到了至关重要的影响。针对UPSNet全景分割算法所提取的特征不能更好地适用于语义分割和实例分割子网络的问题，对其进行改进，将递归特征金字塔网络结构融合到原网络中，提出基于递归特征金字塔的UPSNet全景分割改进算法。该结构将骨干网络提取的特征通过递归的方式二次反馈到骨干网络中，使其再训练得到更好的特征提供给子网络，提升了模型的鲁棒性，从而提升了原网络的性能。将改进的算法在Cityscapes数据集及自行标注的全景分割数据集上与UPSNet及其他优秀的全景分割网络进行了实验对比，结果证明，评价指标PQ(Panoptic Quality)有了较大的提升，改进后的网络更加适用于智能驾驶场景。     

无锚框目标检测模型特征任务不对齐研究

通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素，模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差巨大的问题，也就是任务特征不对齐的问题。但是通用的目标检测后处理办法，仅以分类分数作为非极大抑制过程的标准，带来了大量回归质量较差、但置信度很高的检测结果。对现代化的无锚框网络展开不对齐问题的研究分析，将问题进一步拆解为尺度层级上的不对齐和空间位置上的不对齐。提出了参数量代价最小的解决方案：使用可变形卷积模块对检测模型头部网络的感受野进行微调，使用考虑样本点对齐效果的标签分配机制进行对齐样本点的挖掘，创新性地解决了上述两个子问题。进一步的详细实验和对比分析证明了该工作的有效性和实用性，以及对不同特征提取骨干网络的鲁棒性。