基于改进型加性余弦间隔损失函数的深度学习人脸识别

为了实现监控场景下的人脸识别,采集了监控视频中500个人每人2张人脸图像构成SVF(Surveillance Video Faces) 测试集,包括500个正样本对499000个负样本对,提出一种改进型加性余弦间隔损失函数,对加性余弦间隔损失函数进行 改进,通过在特征与目标权重夹角的余弦值减去一个值,在特征与非目标权重夹角的余弦值加一个值,该值为 ０ ~ １ 之间的数,通过实验选取最佳值,达到减小类内距离,拉大类间距离的目的。实验结果表明,与Softmax损失函数、乘性角度间隔损失函,数及加性余弦间隔损失函数训练的人脸识别模型相比,该方法在监控场景测试集人脸识别准确率最高,为99.1%。     

基于强化学习的对抗预训练语言建模方法

在大规模无监督语料上的BERT、XLNet等预训练语言模型,通常采用基于交叉熵损失函数的语言建模任务进行训练。模型的评价标准则采用困惑度或者模型在其他下游自然语言处理任务中的性能指标,存在损失函数和评测指标不匹配等问题。为解决这些问题,该文提出一种结合强化学习的对抗预训练语言模型RL-XLNet(Reinforcement Learning-XLNet)。RL-XLNet采用对抗训练方式训练一个生成器,基于上下文预测选定词,并训练一个判别器判断生成器预测的词是否正确。通过对抗网络生成器和判别器的相互促进作用,强化生成器对语义的理解,提高模型的学习能力。由于在文本生成过程中存在采样过程,导致最终的损失无法直接进行回传,故提出采用强化学习的方式对生成器进行训练。基于通用语言理解评估基准(GLUE Benchmark)和斯坦福问答任务(SQuAD 1.1)的实验,结果表明,与现有BERT、XLNet方法相比,RL-XLNet模型在多项任务中的性能上表现出较明显的优势: 在GLUE的六个任务中排名第1,一个任务排名第2,一个任务排名第3。在SQuAD 1.1任务中F₁值排名第1。考虑到运算资源有限,基于小语料集的模型性能也达到了领域先进水平。     

信息处理类课程实践教学体系研究

本文针对目前信息处理类课程实践教学中存在的问题,提出了"三线一体"的思路来改善教学环节,即以"课时线"来合理安排实践项目课时;以"维度线"来循序渐进提升信号处理维度;以"难度线"由浅入深提高实践动手能力.教学实践表明,新的教学模式能激发学生的学习兴趣,增强学生的科技创新能力,有效地提高学生的就业竞争力.     

基于参数导引随机共振的数字水印算法

设计并实现了一个基于参数导引随机共振的DCT域数字图像水印算法。在嵌入方,将伪随机的水印序列上采样后与DCT交流系数相加得到嵌入水印的系数,在检测方,待检测图像的DCT交流系数当作随机共振信号处理器的惟一输入,通过调节随机共振信号处理器的参数实现水印的检测。仿真结果表明,算法在保证水印不可感知的前提下能抵抗包括加噪声污染、直方图均衡等信号处理攻击。     

智能大厦主控机音视频矩阵设计

给出了某智能大厦主控机中应用I2C总线以及I2C接口音视频矩阵芯片MAX4548来设计3路4×2音视频矩阵的具体方案,并对其软硬件设计作了详细说明。该方案具有功耗低,控制简单,占用系统资源少等优点,并已成功实现。     

相关序列及其性能比较研究

本文对包括巴克码,m序列族,高斯白噪声序列,混沌序列在内的几个相关序列的产生,相互关系进行了介绍,重点分析并比较了它们的相关性.相关序列在现代通信系统中扮演着重要的角色,而且有进一步加强的趋势好的自相关性将增强序列通信过程中的抗干扰能力;好的互相关性将有效的抑制码间干扰,这两者都有利于提高信号的检测率;而序列中码数的多少直接决定了码分多址通信系统的容量,因此本文的结果对通信系统的设计有实际的参考价值.     

基于MAX4548的3路4X2音视频矩阵设计

介绍了I2C总线以及I2C接口音视频矩阵芯片MAX4548的基本原理、3路4X2音视频矩阵的设计方案,具有功耗低,控制简单,占用系统资源少等优点并已成功实现。     

两种DCT交流系数分布模型的比较

针对离散余弦变换(DCT)系数分布模型类型存在的异议,研究并比较了拉普拉斯模型和广义高斯模型.对于给定的样本,利用最大似然法估计两种模型的参数,同时采用X2检验和KS检验对估计结果进行检验.检验时对样本数据进行了预处理,包括舍弃极少数严重偏离检验范围的奇异点和选取适当的样本划分精度.检验结果表明,广义高斯模型比拉普拉斯模型更准确地反映了DCT交流系数的分布.     

ImageJ软件在三维立体CT图像处理中的应用

通过使用ImageJ这款开放源代码的图像处理软件对一组人头部颅内的CT切片进行处理,着重介绍了ImageJ在三维CT图像处理中的应用。给出了ImageJ进行三维CT图像处理主要的操作方法和处理后的效果图,为更好地使用ImageJ对CT图像进行三维处理提供参考。通过先计算各个感兴趣区域的面积,再累加实现了三维模型体积的计算。如果进一步知道图像的物理分辨率及CT切片的物理间距,则可以计算出感兴趣目标真实体积。     

图神经网络应用于知识图谱推理的研究综述

知识推理（KR）作为知识图谱构建的一个重要环节,一直是该领域研究的焦点问题。随着知识图谱应用研究的不断深入和范围的不断扩大,将图神经网络（GNN）应用于知识推理的方法能够在获取知识图谱中实体、关系等语义信息的同时,充分考虑知识图谱的结构信息,使其具备更好的可解释性和更强的推理能力,因此近年来受到广泛关注。首先梳理了知识图谱和知识推理的基本知识及研究现状,简要介绍了基于逻辑规则、基于表示学习、基于神经网络和基于图神经网络的知识推理的优势与不足;其次全面总结了基于图神经网络的知识推理最新进展,将基于图神经网络的知识推理按照基于递归图神经网络（RecGNN）、卷积图神经网络（ConvGNN）、图自编码网络（GAE）和时空图神经网络（STGNN）的知识推理进行分类,对各类典型网络模型进行了介绍和对比分析;然后介绍了基于图神经网络的知识推理在医学、智能制造、军事、交通等领域的应用;最后提出了基于图神经网络的知识推理的未来研究方向,并对这个快速增长领域中的各方向研究进行了展望。