基于高阶阈值算子与张量全变分的前景检测

基于鲁棒主成分分析（RPCA）的方法有一个潜在的假设，即场景中移动物体的像素是稀疏离群值，其往往忽略了物体的时间和空间结构，导致这些方法在动态背景、遮挡、光照变化等场景下检测效果降低。针对这一问题，提出了一种基于张量鲁棒主成分分析（TRPCA）的张量非凸稀疏模型。首先，利用三种常见收缩算子的优点，引入了二阶广义收缩阈值算子（GSTO），探索适用于高阶张量数据的高阶广义阈值收缩算子（HoGSTO），进而提升背景建模的鲁棒性；然后，为了表征视频前景中移动目标像素之间的相关性，在视频前景建模的过程中，利用张量全变分正则化（TTV）增强前景的时空连续性；接着，通过自适应l1范数对视频中的动态成分建模，避免了对前景建模产生干扰。多个视频帧的实验结果表明，该方法在移动目标检测任务中优于现有的方法，能够更好地分离前景和背景。     

融合多跳关系路径信息的关系推理方法

针对目前知识图谱（KG）中存在大量关系的缺失,以及在进行关系推理时没有充分考虑两实体间多跳路径中隐含信息的问题,提出了一种融合多跳关系路径信息的关系推理方法。首先,对于给定的候选关系和两个实体,利用卷积运算将连接两个实体的多跳关系路径编码到低维空间里并提取信息;其次,利用双向长短时记忆（BiLSTM）网络建模以生成关系路径表示向量,并利用注意力机制将其与候选关系表示向量进行组合;最后,采用多步推理方式找到匹配程度最高的关系作为推理结果并判断其精确率。与目前常用的路径排序算法（PRA）、神经网络模型Path-RNN以及强化学习模型MINERVA相比,在使用大型知识图谱数据集NELL995进行实验时,所提算法的平均精确率均值（MAP）分别提高了1.96、8.6和1.6个百分点;在使用小型知识图谱数据集Kinship进行实验时,所提方法的MAP比PRA、MINERVA分别提高了21.3、13和12.1个百分点。实验结果表明,所提算法能更加准确地推理出实体间的关系链接。