摘 要:传统的兴趣点检测方法在实际应用中常常会产生大量响应较弱、稳定性不足的关键点,这些弱关键点容易受噪声、视角变化及光照变化的影响,导致后续匹配和重建任务的性能下降。为此,提出了深度学习框架下的双网络一致性筛选方法用于兴趣点检测。该方法结合了两个独立的兴趣点检测网络,利用双检测器之间的共识机制,仅保留同时被两个网络检测到的关键点,以此抑制弱关键点的影响。实验结果表明,所提检测框架在 HPatches 数据集上的平均匹配精度(MMA)为 88%,整体性能优于对比的主流算法。
✉ gj_njau@163.com; 2843720058@qq.com; GJTyq965@163.com; shaomzz@163.com 摘 要:随着城市化加速与车辆数量激增,室内停车场车位检测的准确性与实时性成为智能管理的关键挑战。传统视觉方法在光照不均、遮挡及远距离目标易失真等复杂场景下表现不佳。提出改进型目标检测模型 ADM-YOLOv8,在 YOLOv8 的基础上引入 AD
20733838@qq.com; lijianjsj@sust.edu.cn; 447561195@qq.com 摘 要:甲骨文作为中国最早的成熟文字系统,其科学分期断代对历史学与语言文字学研究至关重要。传统专家分类方法存在效率低、主观性强及难以应对大规模数据等问题。因此,提出一种深度学习方法,通过融合“组别-时期-贞人”甲骨学元数据实现甲骨文组别的智能分类。构建了含24个组别、2488
2228086460@qq.com; 2895537135@qq.com; liuyan@sgmtu.edu.cn; 3121470431@qq.com; zzj@sgmtu.edu.cn 摘 要:多媒体技术、计算机技术以及互联网的快速发展为远程教育的发展提供了技术支持。探索远程教育的发展现状以及热点前沿,以期为后来的研究者提供有效参考。检索 WoS(Web of Science)核心
摘 要:为解决传统餐饮推荐服务中个性化不足、情境感知能力有限、传统推荐方法知识融合有限等问题,提出一种基于 Transformer 架构的融合检索增强生成的多源感知智慧餐饮推荐算法。该算法引入分层动态秩 LoRA (Low-Rank Adaptation) 微调方法,根据 Transformer 各层语义功能差异,自适应地调整低秩矩阵容量,显著提高了模型参数利用效率与微调灵活性;同时,构建场景多源感知与检索增强信息的上下文融合机制,通过构建显式场景提示词并结合外部知识库进行上下文融合,增强算法对复杂餐饮场景的理解与个性化推荐能力。实验结果表明,算法在训练阶段收敛速度快且 loss 和梯度范数均能有效降低并保持稳定。消融实验结果验证了分层动态秩 LoRA 和检索增强生成策略分别以及联合使用时的有效性,尤其在两种策略联合使用时,F1 分数与余弦相似度分别提升至 0.522 和 0.908,推荐质量显著增强。该算法在推荐准确性高、情境适配能力强、参数开销低和训练效率高等方面表现突出,具备良好的可扩展性和实际应用价值,为智慧餐饮推荐系统的智能化发展提供了一种高效、精准的解决方案。
摘 要:精准电力负荷预测对电网调度和能源管理具有重要指导意义。针对负荷数据复杂的非线性、多尺度周期性和随机波动特性,以及单一模型难以有效捕捉全部动态的局限,提出融合 STL、长短期记忆 LSTM 与 Transformer 模型的基于时序分解与双分支神经网络混合模型(STL-LSTM-Transformer Network, STL-LTNet)。模型首先利用 STL 将原始负荷序列解耦,随后设计双分支架构中 LSTM 分支捕捉残差中的短期随机波动,Transformer 分支则负责建立长期依赖关系。最后通过交叉注意力机制动态融合双分支特征。实验结果表明,所提模型的均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)分别为 0.003 4、0.058 3 和 0.046 5,相较于传统模型具有更高的电力负荷预测精度。
摘 要:针对从深度学习角度探究杂乱背景下多小目标运动检测与追踪易于导致小目标误检和漏检的问题,探讨基于蜻蜓视觉神经响应特性的前馈视觉神经网络及多小目标检测与追踪模型。模型设计中:基于蜻蜓视觉信息处理机制建立反映视觉场景变化状态的前馈视觉神经网络;借助输出的运动能量矩阵提取小目标的运动特征;利用多特征融合方法获取小目标的细节特征信息;使用匈牙利算法获取小目标及其运动轨迹。由此,获得计算成本低、无需模型训练、小目标追踪准确率高、结构简单的前馈蜻蜓视觉多小目标运动追踪模型与算法。对比实验结果表明,相较于相关视觉神经网络及深度学习,所提模型能降低复杂场景下小目标易误检和漏检的问题。
617199546@qq.com; 1012925836@qq.com; chzy@163.com; wangjj@126.com; duxy98@163.com 摘 要:随着组合导航系统应用环境的复杂及多样性日益增加,Kalman 滤波器的稳定性和发散性问题日趋明显。根据现有的 Sage-Husa 自适应滤波技术和强跟踪 Kalman 滤波方法,提出了一种改进的自适应滤波算法。通过建
摘 要:台风是沿海地区影响最严重的自然灾害之一,准确预测风速极值对防灾减灾至关重要。采用自编码器进行异常值检测,识别数据中的极端值,基于最大熵原理拟合较大异常值分布,并分别与经典的GEV分布和Gumbel分布进行对比,进一步提取分位点进行区间估计。结果表明,最大熵分布在相同置信水平下表现最佳,区间覆盖率达到94.3%,相比GEV分布提高了27.2个百分点,且置信区间长度缩小了88.2%,同时,最大熵分布优于Gumbel分布,展现出良好的鲁棒性与推广价值,为极端风速建模提供了新的思路。
摘 要:在石油勘探开发中,油田站场常因设备限制和操作技术影响采集到异常数据,导致数据解释偏差。针对此问题,提出一种基于局部密度改进孤立森林的异常数据检测方法。通过计算数据局部密度改进孤立森林的结构与算法,融入局部密度信息以提升对低密度区域局部异常点的识别能力,并进行了性能与鲁棒性对比验证实验,验证了改进孤立森林方法与其他机器学习方法相比的优越性,为油田场站异常数据检测提供新思路。
摘 要:针对番茄成熟度检测中环境复杂导致检测难度大,传统目标检测模型参数多,计算量大的问题,提出基于YOLOv11n的轻量化番茄成熟度检测模型MSD-YOLOv11n。在主干网络中,设计双层主干网络MultiBackbone-HD,融合HGNetV2特征提取能力与深度可分离卷积的轻量化特性,通过多尺度门控注意力机制(MSGA)连接双主干增强特征融合效率;在颈部网络中引入Slim-neck结构,通过GSConv和VovGSCSP模块替换标准卷积;在头部网络中,加入高效检测头Detect-Efficient,集成轻量级卷积与分布焦点损失。实验结果表明,在分级良好的番茄成熟度数据集上,MSD-YOLOv11n模型对比原模型在参数量(Parameters)和浮点运算(GFLOPs)上分别减少48.96%、65.63%,且精确率(Precision)、召回率(Recall)、平均精度(mAP@50)、FPS分别达到了89.5%、85.4%、91.7%、286.78 frame/s,优于Faster-RCNN、YOLOv10n、YOLOv8n等常见目标检测模型。MSD-YOLOv11n模型既保持高检测精度,又实现参数量和计算量显著降低。
摘 要:金融机构 IT 基础设施的稳定运行是保障业务连续性和信息安全的重要基础,而运营数据中的异常往往是系统故障或潜在风险的早期信号。针对金融运营数据呈现出的高维、多源、强时间依赖性以及异常样本稀缺等特点,提出了一种基于分层混合策略的无监督时间序列异常检测感知框架。基于 CHANDOLA 等提出的经典异常检测理论,对点异常、情境异常和集合异常进行了形式化定义。方法采用 3 阶段分层检测:阶段 1 利用 K 近邻 (KNN) 进行快速全局筛选;阶段 2 基于(门控循环单元 GRU)自编码器模型对时间序列上下文进行建模;阶段 3 通过加权融合机制与动态阈值策略实现最终异常判定。实验在包含 4981 个时间点、15 维特征、异常比例约 0.7% 的运营数据集上进行。结果表明,KNN+GRU 在 GPU 环境下取得 AUC-ROC(Area Under Receiver Operating Characteristic Curve)为 0.8376、F1 值为 0.1711,综合性能优于 IForest+CNN-LSTM 对比方法。进一步地,给出基于 OpenTelemetry 的工程化实现方案,为金融系统智能运维提供了可落地的技术路径。
摘 要:针对点云数据高维、稀疏、非结构化的特性及现有处理方法面临的规模与结构复杂度挑战,提出一种稀疏结构感知的无监督三维点云表示学习方法。该方法融合几何形状与特征点显著信息学习高语义结构点,引入对比学习与三元正则化机制优化特征学习与结构点生成,在三维点云形状分类、语义分割任务中验证了方法的高效性与稳定性。
927874145@qq.com; 1553722802@qq.com; zhangjw@nuist.edu.cn; 529110275@qq.com 摘 要:针对传统的雷云识别与追踪聚类算法大多依赖人工设定参数且在雷电临近预测中雷云的运动通常被简化为线性轨迹的问题,提出了多密度自适应 DBSCAN(Density-Based Spatial Clustering of Applicat
摘 要:为了应对方面情感分析任务中标注数据稀缺的问题,提出了一种基于大语言模型数据增强与监督对比学习的联合训练方法。该方法首先利用大语言模型生成多样化的标注样本,以此扩展训练语料规模;随后通过构建正负样本对引入监督对比学习;最后结合多指令提示微调策略进一步提升方法的稳定性和泛化性。在两个常用的基准数据集上的实验结果表明,所提方法的总体准确率分别达到了90.98%和85.89%,优于其他基线模型,证实了该方案的有效性。