基于深度学习的混合主题模型应用

在线社交网络的快速发展得益于主题模型的广泛应用.然而,目前几种典型的主题模型存在需要手动调参、语义连贯性不足、特征提取不充分和样本效率低等问题.对此,构建主题模型时利用深度学习技术来进行主题划分,以BiLSTMCNN模型框架为基础,并在主题特征提取进行主题划分阶段引入"作者-主题"模型进一步优化框架,从而提出了一种混合主题模型Hybrid-Topic Model (简称HTM).将LDA,CNN,BiLSTM-CNN和HTM这4种主题模型应用于2组不同场景的数据集,并对结果进行对比分析.分析表明,在主题分类效果和内容困惑度方面,HTM主题模型的效果明显优于现有模型.此外,该模型在样本使用效率和模型迁移学习能力方面也有出色的表现,为后期研究指明了方向.     

基于深度学习的车辆前方障碍物距离估测

随着科技进步，自动驾驶系统的应用在未来必形成一种趋势，而车辆与障碍物之间的距离估测是自动驾驶系统中一个非常重要的技术.为了达到距离估测的目的，目前开发的自动驾驶系统大都需要依靠各式各样的距离传感器，例如激光雷达、雷达及超音波等，这些传感器在距离量测上通常具有高精度，但同时也伴随着高昂价格，这使自动驾驶系统的推广及普及变得越来越困难.本文提出了一个结合语义分割与深度估测的深度神经网络模型，其包含有相同卷积层数的编码器与解码器网络，将本文所提之网络架构在KITTI及Cityscapes资料集上进行训练，并在最后结合语义分割与深度估测等方法进行距离估测，实验结果证实，本文所提方法具有可行性.