一种新的基于注意力机制的细粒度视频分析神经网络结构

针对包含细微差异动作的视频数据集,提出了一种用于分辨细粒度差异动作的深度神经网络.该网络结构由一个三维卷积(C3D)网络的轻量化变体和一个基于注意力机制的长短时记忆网络组成,优化了三维卷积网络的深度和注意力机制的权重惩罚项.实验结果表明:该网络可以有效地关注视频中的重要信息,在平均准确率和检测准确率上均有所提升.     

基于卷积神经网络的轿车车型精细识别方法

在复杂交通场景中,公安和交管部门对车型识别的实时性和精度提出了更高要求。针对当前假牌、套牌、无牌车辆处理占用大量警力、检索效率低下、非智能化等一系列问题,提出了一种基于GoogleNet深度卷积神经网络的车型精细识别方法,设计了合理的卷积神经网络滤波器大小和数目,优选了激活函数和车型识别分类器,构建了一个新的卷积神经网络轿车车型精细识别模型框架。实验结果表明,在车型精细识别测试中,所提出模型的识别率达到了97%,较原始GoogleNet模型有较大提升,而且,新模型有效地减少了训练参数的数量,降低了模型的存储空间。车型精细识别技术可应用于智能交通管理领域,具有重要的理论研究价值与实践意义。     

基于Xception的细粒度图像分类

细粒度图像分类是对传统图像分类的子类进行更加细致的划分,实现对物体更为精细的识别,它是计算机视觉领域的一个极具挑战的研究方向。通过对现有的细粒度图像分类算法和Xception模型的分析,提出将Xception模型应用于细粒度图像分类任务。用ImageNet分类的预训练模型参数作为卷积层的初始化,然后对图像进行缩放、数据类型转换、数值归一化处理,以及对分类器参数随机初始化,最后对网络进行微调。在公开的细粒度图像库CUB200-2011、Flower102和Stanford Dogs上进行实验验证,得到的平均分类正确率为71.0%、89.9%和91.4%。实验结果表明Xception模型在细粒度图像分类上有很好的泛化能力。由于不需要物体标注框和部位标注点等额外人工标注信息,Xception模型用在细粒度图像分类上具有较好的通用性和鲁棒性。     

基于Weibull模型的细粒尾矿粒径分布

尾矿细粒化是矿业发展趋势,细粒尾矿的粒径分布对尾矿宏观力学特性及坝体稳定性具有重要影响。采用筛分法和沉降法,对82个尾矿试样进行了颗分试验,建立了细粒尾矿粒径分布的Weibull函数模型。试验结果表明:细粒尾矿粒径呈"细多粗少"的分布规律,这种规律服从Weibull分布,可以用Weibull分布对粒径分布进行描述和外推预测;传统分形模型中假设每级粒度的破碎率为常数与实际情况不符,Weibull分布可以看作对分形模型误差的一种修正;在破碎过程中,粒径的概率密度分布会出现峰值,这个峰值不断向粒径小的方向偏移,最终形成"细多粗少"的分布特点。研究结果有助于磨矿工艺的改进,并可以为土工试验做出科学的级配方案提供参考。     

东营凹陷半深湖—深湖细粒沉积岩岩相类型及特征

通过岩心观察描述、薄片鉴定、X射线衍射分析、激光共聚焦显微镜分析等技术,以直观反映岩相间差异为原则,综合矿物成分、层理构造、有机质丰度、颜色以及其他混入物等因素,对东营凹陷沙三—沙四段半深湖—深湖细粒沉积岩进行岩相类型划分。结果表明:东营凹陷半深湖—深湖细粒沉积岩发育9种岩相类型,根据有机质含量对其中较发育的6种类型进一步细分为11个亚类;相对发育的富有机质纹层状灰岩、中有机质纹层状混合细粒岩、富有机质页状黏土岩、富有机质页状灰岩以及贫有机质块状混合细粒岩等5种岩相类型在宏观及微观特征、测井响应特征及发育环境等方面具有差异性;各岩相的平面分布特征反映了半深湖—深湖内部沉积环境的差异。     

基于AOP的细粒度RBAC模型的设计与实现

针对核心RBAC模型实现B/S企业应用时,没有根据操作特征细化权限控制粒度,缺乏针对细分数据的访问控制问题,提出了一种在操作维度上进行了扩充的细粒度RBAC模型,给出了模型的形式化描述;针对传统企业应用中权限认证逻辑横切业务逻辑的问题,阐述了基于AOP与注解的细粒度RBAC模型实现,模块化了权限认证逻辑,解除了业务逻辑与权限通用服务的耦合,提高了权限管理模块的复用性、可维护性与可扩展性.     

东营凹陷细粒沉积岩岩相组合特征

综合应用岩芯、薄片、全岩X射线衍射等资料,根据岩石组分、沉积构造、TOC和碳酸盐晶体结构等指标划分东营凹陷沙四上-沙三下亚段细粒沉积岩岩相,该段主要发育富有机质纹层状隐晶泥质灰岩、富有机质纹层状微晶泥质灰岩、富有机质纹层状灰质泥岩、富有机质层状泥质灰岩、富有机质层状灰质泥岩、富有机质块状灰质泥岩、含有机质层状灰质泥岩和含有机质层状膏质泥岩相等8种岩相。结合地球化学元素资料恢复的古气候、古盐度、古水深及古水体的氧化还原性和古物源等指标恢复细粒沉积岩的沉积环境,进而明确不同沉积环境细粒沉积岩岩相组合特征及成因。在此基础上,建立了东营凹陷沙四上-沙三下亚段细粒沉积岩的沉积模式。该成果对陆相页岩油勘探有重要指导作用。     

基于注意机制和循环卷积神经网络的细粒度图像分类算法

细粒度图像分类是计算机视觉中非常热的研究方向.由于同一个大物种的子类别之间具有相似的外观,相似的颜色,所以差别非常细微.因此,细粒度图像分类非常具有挑战性.为了解决这个挑战,该文提出一种基于注意机制的循环卷积神经网络用于细粒度图像分类.首先,根据注意机制循环提取一幅图像中的显著性物体区域;然后,对原始图像和每次提取的显著性区域分别进行分类;最后,融合分类层得分,进行最终分类.在非常有挑战性的公共数据集CUB-200-2011,Stanford Dogs和Stanford Cars上进行实验,与比较先进的实验方法进行比较,实验结果表明该文提出的方法非常有效.     

基于细粒度实体分类的对比研究

细粒度实体分类是一项多类别多标签任务,能协助广泛的下游任务(关系抽取、共指消解、问答 系统等)提高工作效率、优化准确率,已成为自然语言处理领域的一个研究热点。针对传统的细粒度实体分类方法人工标注大型语料库难度大,准确率偏低等问题,研究人员提出了基于神经网络的细粒度实体分类方 法,不仅能够解决人工标注费时费力的问题,而且可以提高分类的准确率。然而现有的神经网络模型大多需 要远程监督的参与,在此过程中会引入噪声标签等问题,通过噪声标签处理方法能够有效抑制噪声标签对分类结果的影响,进一步提升分类性能。 在相同评测数据集下,根据相同评价指标对比各类细粒度实体分类方 法的性能,可以发现在细粒度实体分类领域中采用 BiLSTM 处理实体指称上下文,并通过注意力机制提取更为重要的特征,有助于提高细粒度实体分类方法的准确率、Macro F1值和 Micro F1值。     

cMonitor: VMI-based fine-grained monitoring mechanism in cloud

For the lack of detailed semantic in prior works, a transparent fine-grained monitoring technique （cMonitor） is pro- posed. Deployed outside the virtual machines, the cMonitor util- izes the elevated privileges of the virtual machine monitor to monitor the network connection, the processes and the relationship between them in protected systems by reconstructing fine-grained system semantics. These semantics contain process states and corresponding network connection. Experimental results show that cMonitor not only can be rapidly deployed in realistic cloud, but also can effectively and universally obtain these fine-grained semantics to assist detection of some advanced network attack. Meanwhile, the network performance overhead is about 3%, which is acceptable.