基于多特征标签相关性学习的图像自动标注

在网络真实环境下的图像数据集上的大规模语义标注是一个研究难点.提出了一种基于多特征标签相关性学习的图像语义标注方法,针对真实环境下大规模图像集合进行自动标注.首先提取图像多种视觉特征,采用多标记学习方法在特定特征空间完成标注词相关性学习,得到每幅图像的单特征标注词相关度;然后采用一种动态阈值确定方法估计单个特征和标注词的相关度阈值;最终采用一种无监督组合方法融合多种特征标和标注词的相关性生成图像语义标签.通过互联网数据集上的测试表明了方法的有效性.     

层级标注系统及基于层级标签的分众分类生成算法研究

社会标注系统作为一种新的信息与知识组织的方式近年来得到了广泛的应用.但现行主流的基于扁平标签的标注系统存在标签规模扩大后有效性显著降低的问题,特别是这类系统环境下生成的分众分类在结构和语义上出现很多问题.对此,本文提出层级标签的思路,以克服扁平标签体系导致的问题.相应地设计一个基于层级标签的分众分类生成方法,解决层级标签带来的语义冲突问题.     

基于超网络的社会化标注行为

构建了以标签为节点、以标注活动为超边的社会化标注行为超网络,定义了超度、超度分布、余平均超度和超度条件概率等刻画社会化标注超网络性质的指标,结合Delicious数据进行了实证分析,实证结果表明:(1)用户会不断地使用新标签来进行资源标注;(2)利用新标签标注资源的同时通常会与大众化标签共同进行标注;(3)用户一般会同时使用多个个性化标签和一个或少量大众化标签对资源进行标注。     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

社会标注系统幂律特性分析

为全面了解社会标注行为,帮助用户多样化、个性化地使用资源,首先归纳总结标签增长、标签使用与重用以及标签网络等方面的幂律特性。然后,分析幂律特性的形成原因,并使用拓扑势方法进行描述。最后,讨论幂律特性在标签可视化、自动标注、推荐系统和兴趣挖掘等方面的应用,并提出个性化推荐模型。幂律特性分析可以提高信息的个性化、完善社会标注系统的设计。     

基于主题标签的在线社区话题发现

面对海量的互联网信息,如何快速有效地提取到用户关心的话题成为网络信息处理的一项基本任务。话题发现实质是无指导的聚类研究,本文引入主题标签概念,针对在线社区数据,提出了主题标签的话题发现算法。该算法以词项为粒度,基于词项的权重和上下文信息获取论坛帖子线索文档的核心词汇,作为文档的主题标签,在向量空间模型的基础上结合主题标签间的相似性进行相关话题的聚类。该方法的提出,一方面获得的主题词项不仅准确,而且具有较强的语义关联性,有效的避免了向量空间模型中容易丢失特征词间语义信息的缺陷;另一方面,与潜在语义模型相比,本文在向量空间模型基础上的话题发现具有更高的效率和更好的聚类质量。     

基于用户兴趣变化和社会化标注信息的协同过滤推荐方法

随着Web 2.0技术的发展和推广,社会化标注系统为用户提供了有效表达自我和抒发感情的机会。针对社会化标签的特征,本文提出了一种考虑用户兴趣变化和用户标注信息的协同过滤推荐方法。首先,基于用户的历史记录信息构建了用户原始数据模型;然后将基于艾宾浩斯遗忘曲线的遗忘函数引入原始数据模型构建了用户兴趣模型,其中,利用融合时间权重的文本挖掘技术TF-IDF建立了基于项目类别标签的用户兴趣模型,综合标注标签加权频数和用户评分构建了基于标注标签的用户兴趣模型,融合时间权重和项目评分构建了基于评分的用户兴趣模型;进一步,基于用户兴趣模型并利用余弦相似性以及改进的Pcarson相关系数可计算融合用户评分和标签的用户兴趣相似度,根据用户兴趣相似度可为目标用户构建近邻集合从而生成推荐。实验结果表明,本文所提方法可以较好的考虑到用户的兴趣变化以及用户对标注标签的偏好,并通过对比实验证实该方法比传统的协同过滤方法推荐质量更高。     

融合零样本学习和小样本学习的弱监督学习方法综述

深度学习模型严重依赖于大量人工标注的数据，使得其在数据缺乏的特殊领域内应用严重受限。面对数据缺乏等现实挑战，很多学者针对数据依赖小的弱监督学习方法开展研究，出现了小样本学习、零样本学习等典型研究方向。对此，本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习，包括问题定义、当前主流方法以及实验设计方案，并对典型模型的分类性能进行对比。然后，给出零-小样本学习的问题描述，总结研究现状和实验设计，并对比典型方法的性能。最后，基于当前研究中出现的问题对未来研究方向进行展望，包括多种弱监督学习方法的融合与理论基础的探究，以及在其他领域的应用。     

融合零样本学习和小样本学习的弱监督学习方法综述

深度学习模型严重依赖于大量人工标注的数据，使得其在数据缺乏的特殊领域内应用严重受限。面对数据缺乏等现实挑战，很多学者针对数据依赖小的弱监督学习方法开展研究，出现了小样本学习、零样本学习等典型研究方向。对此，本文主要介绍了弱监督学习方法条件下的小样本学习和零样本学习，包括问题定义、当前主流方法以及实验设计方案，并对典型模型的分类性能进行对比。然后，给出零-小样本学习的问题描述，总结研究现状和实验设计，并对比典型方法的性能。最后，基于当前研究中出现的问题对未来研究方向进行展望，包括多种弱监督学习方法的融合与理论基础的探究，以及在其他领域的应用。     

复杂三维场景的语义环境模型研究

提出了一种基于几何模型的复杂三维场景语义环境模型生成方法.主要研究复杂三维场景几何模型可行面采样点的语义信息抽取方法,基于采样点生成场景高度图.根据三维场景中障碍物几何模型的位置关系,设计了“类括号匹配算法”,确定场景高度图中哪些是可行路径点.在此基础上,构造了复杂三维场景的语义路径图,实现了复杂虚拟场景中障碍物语义的抽取及运动语义的匹配.初始场景高度图、确定路径点后的场景高度图及场景语义路径图构成了复杂三维场景的语义环境模型,模型构建过程中充分考虑了虚拟角色的个性化特点(如身高、步长和运动行为偏好等).该模型增强了虚拟角色感知环境的能力,能够自动识别运动路径上的各种障碍物语义,实现了场景中虚拟角色运动匹配的自动化和运动行为的多样性.     

基于HPal信息熵融合的三维模型检索方法

为了弥补单种特征提取算法描述模型特征的不足,提出基于HPal信息熵的三维模型多特征动态融合检索算法。针对给定的查询模型,利用各特征集上的检索结果列表动态计算各特征相对应的HPal信息熵,基于HPal信息熵确定融合权值,然后通过距离加权计算模型之间的相似度。与融合中最好单特征集相比,该方法的检索准确率明显提高,并且实验结果也表明该方法比其他3种流行的算法更为有效地提高了检索效果。     

基于能量算子的三维空间实体LOD建模方法

为解决当前多层次细节(LOD)建模方法没有将简化和细分相统一,而造成细节层次模型特征表现不够丰富问题.将能量算子用于三维空间实体模型简化与细分,提出了基于能量算子的三维空间实体LOD建模方法.该方法主要包括3个步骤:模型能量算子计算、基于能量算子的模型简化和细分.实验表明,该方法能够生成细节层次较为丰富的模型,并具有良...     

基于Radon变换的三维模型检索算法

三维模型特征提取过程中如何减少三维模型信息丢失及提高检索效率是基于函数变换三维模型检索技术中有待解决的关键问题.利用球面上经纬线的交点对三维模型表面采样,在采样点处定义含有模型表面法向量和面积信息的三维模型表示函数,将模型函数进行Radon变换,使用Radon变换后的函数值进行特征匹配,提高了检索性能.     

基于集对势的扩充粗糙集模型

针对已有扩充粗糙集模型处理不完备信息系统的局限性,在已有扩充模型的基础上,基于集对分析理论中集对势的概念定义了一种新的对象之间的分类关系,称为集对势容差关系,并由此给出一种新的粗糙集扩充模型.从局部角度,分析说明该模型的分类性能优于已有方法.同时选用UCI数据库中的数据集进行测试,通过实验表明该模型的整体分类性能也优于已有方法.因此更加适合大型不完备信息系统的处理.     

基于子块的三维模型检索算法

针对三维模型检索性能较低的问题,提出一种基于子块的三维模型检索算法。首先,对经过预处理的模型进行骨架提取,并记录每个骨架点相应的几何和拓扑结构信息;然后,将骨架划分成多个子块,为每个子块定义一个权值因子;最后,通过比较子块的相似度来计算模型整体的相似度。实验表明,该算法可以得到较好的检索性能。     

复杂产品三维模型轻量化服务构建技术

提出了一种复杂产品三维模型轻量化服务构建方法。采用一种改进模型数据导出与空间索引生成方法,能够在模型轻量化过程中保留复杂产品模型装配树与标注信息;设计并实现了基于面片密度的自适应面片简化算法,能够在满足误差要求的条件下对几何模型面片进行自适应简化;并通过采用一种具有较高的压缩比和压缩效率的模型数据压缩算法,减小复杂产品模型的存储空间占用。设计并实现一种模型轻量化服务的B/S部署架构,能够借助高性能计算资源,提高多用户并发场景下复杂产品模型轻量化效率。     

三维裂纹扩展仿真

提出了一个基于有限元方法的自动三维裂纹扩展仿真系统模型。利用有限元计算的结果来自动更新裂纹前沿的尺寸和几何形状,并使用节点移动法来模拟裂纹的扩展过程。在扩展过程中将物体分成全局模型和局部模型,并仅对局部模型进行网格重划分,从而减少计算量。实验结果表明,本系统能够模拟沿任意路径的三维裂纹扩展过程。     

基于体积分布特征匹配的三维实体网格模型检索

在分析三维网格数据结构的基础上,提出一种基于特定轴向上体积分布特征的三维网格模型检索方法。该方法首先运用主元分析法确定模型的主轴方向,并将模型旋转至特定势态,再以一组等距的平行平面从三个主轴方向对模型进行剖分处理,并计算相应截面多边形的面积,进而得到模型沿不同轴向的体积分布数据,该数据描述了三维模型的几何特征。通过对模型体积分布特征数据进行建库和匹配,可计算出任意两个模型的相似性度量,从而实现了三维网格模型的数据库检索。实验表明,该方法程序运行稳定、快速,可以处理具有任意几何和拓扑复杂性的实体模型。     

代价敏感的客户流失预测半监督集成模型研究

客户流失预测是企业客户关系管理的重要内容.在现实的很多客户流失预测建模过程中,由于数据类别的高度不平衡现象的存在,使得模型的分类性能低下,不能很好地进行分类预测.同时由于现实情况中只有少量有类别标签的样本,更多的是无类别标签数据的存在,造成了大量有用信息的浪费.为了解决以上两个问题,本研究将元代价敏感学习,半监督学习和Bagging集成等技术结合,提出了代价敏感的客户流失预测半监督集成模型(semi-supervised ensemble based on metacost,SSEM).该模型主要包括三个阶段:1)用Metacost方法修改初始有标签训练集L的类别标签,得到新的训练集Lm,并将其随机的分为模型训练集Ltr和模型验证集Va;2)使用Va挑选分类精度最高的三个基分类器,并用其选择性标记无类别标签U中的样本,并将它们添加到Ltr中;3)用新的模型训练集Ltr训练N个基本分类模型,并对测试集样本进行分类,进一步将分类结果进行集成.在两个客户流失预测数据集上进行实证分析,将SSEM模型与常用的监督式集成模型以及半监督式集成模型相比,结果表明,SSEM具有更好的客户流失预测性能.     

因素状态值为语言标度的变权综合决策方法

综合采用语言值2元组方法和拓展语言值论域的方法建立一种新的纯语言值二元组常权综合决策模型,进一步,在拓展语言值论域与实数集[0,1]之间定义两个转换函数,由此引入语言值效用向量等概念． 借助语言值效用向量、实数型变权向量和实数型状态变权向量导出语言值变权向量及状态变权向量,据此建立相应的语言值变权公式和变权综合决策模型．最后给出一个群决策的应用实例．