卡默勒现象意识的幻觉主义分析

卡默勒的幻觉主义理论是现象意识分析中一种不同的声音。其幻觉主义理论认为:现象意识是一个幻觉；可基于相似性理论来解释现象意识的机制，指出现象意识就是外部物理性质经模块处理的结果，其处理过程遵循表象原则、接受喜好原则、配置原则和个例化原则；现象意识的幻觉元是解释现象意识为何强烈的问题。幻觉主义理论为现象意识的分析提供了一个新的思路，但也存在着如特殊心理模块等的理论缺陷。     

基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法

无人机拍摄的图像具有分辨率高、视野大以及目标小的特点，而现有的目标检测方法对小目标特征的提取能力不足。为此，首先采用以中心点表示目标的检测网络CenterNet，引入可变形双重注意力机制，以提高对小目标的特征表达能力；然后针对原始非极大值抑制难以处理嵌套型冗余框的问题，在冗余检测剔除过程中提出了广义非极大值抑制方法；最后引入LegoNet卷积单元，减少了卷积参数，实现了精度与速度的平衡。实验主要采用的验证数据集为VisDrone2019和UAV_OUC，UAV_OUC数据集相比于VisDrone2019，其图片具有更高的分辨率。相比于CenterNet，所提出的方法在数据集UAV_OUC和VisDrone2019上的检测精度大约分别提高了10%和2%。     

有界导出范畴的描述

利用预覆盖类描述Abel范畴A的有界导出范畴Db(A),并给出相应的应用.结果表明,模范畴的有界导出范畴可用Gorenstein平坦模和余挠对描述.     

余纯投射维数换环定理

设R是环,cpD(R)表示R的余纯投射维数.基于cpD(R)的性质,给出该维数的换环定理.     

基于正弦注意力表征网络的环境声音识别

将正弦注意力表征网络引入环境声音识别，首先提取梅尔频率倒谱系数（Melfrequency cepstral coefficient，MFCC）作为音频识别特征，使用门控循环单元提取MFCC每一帧的特征，根据正弦函数激活每一帧音频得分，并依照每一帧的音频得分为音频重新分配权重，从而将注意力集中在音频重点区域。最后结合全连接层和Softmax分类器对环境声音类别进行判别。实验在公开数据集Urban Sound 8K上验证并与其他模型对比，结果表明所提出模型效果最好，在数据集上的识别率高达93.5%。     

基于全局注意力的多级特征融合目标检测算法

针对小目标物体检测精度差的问题,同时不以牺牲速度为代价,本文提出了一种基于全局注意力的多级特征融合目标检测算法。算法首先由卷积神经网络生成多尺度的特征图,然后采用多级特征融合的方法,将浅层和深层特征图的语义信息相结合,提高特征图的表达能力,接着引入全局注意力模块,对特征图上下文信息进行建模,并捕获通道之间的依赖关系来选择性地增强重要的通道特征。此外,在多任务损失函数的基础上增加一项额外的惩罚项来平衡正负样本。最后经过分类回归、迭代训练和过滤重复边框得到最终检测模型。对所提算法在PASCAL VOC数据集上进行了训练和测试,结果表明该算法能有效地提升小目标物体检测效果,并较好地平衡了检测精度与速度之间的关系。     

基于Attention Bi-LSTM模型构建蛋白质诱饵序列库

利用计算机技术在海量质谱数据中鉴定蛋白质序列是蛋白质组学研究最基本且重要的任务之一，诱饵序列库构建的好坏是蛋白质鉴定质量控制成功的关键之一。发展了基于注意力机制-双向长短期记忆神经网络(Attention Bi-LSTM)的诱饵序列构建方法，整体研究基于编码-解码框架，采用双向长短期记忆神经网络在解决传统循环神经网络梯度消失问题的同时，可以捕获前向后向更多依赖信息对处理序列数据更加有优势；引入注意力机制提高模型对目标序列库和诱饵序列库相关程度的关注度；并与目前常用的随机和反转算法进行比较。结果显示，基于Attention Bi-LSTM模型构建的诱饵序列库能满足理想诱饵序列库的各项特征要求；在不同大小实验数据集以及谱图、肽段、蛋白3个层面对比分析，显示构建的诱饵序列库与其他方法比具有更好的灵敏性。因此，Attention Bi-LSTM是一种很有潜力的诱饵序列库构建方法。     

基于视觉关注模型与多尺度MSER的自然场景文本检测

自然场景中文本检测易受光照、复杂背景、多语言文字、字体及尺寸等因素影响，该文提出了一种基于Itti视觉关注模型与多尺度最大稳定极值区域（maximally stable extremalregion,MSER）结合的自然场景文本检测算法.首先利用改进的Itti视觉关注模型提取文本特征图，并采用不同结合策略得到各尺度文本显著图；然后结合多尺度的MSER区域得到3种文本候选区域.根据文字与生成文本框的几何规则合并文本候选区域得到文本行；最后利用随机森林分类器除去非文本区域得到最终文本区域.实验结果表明，该方法对于自然场景图像中的文本检测具有较高的精确度和一定的鲁棒性.     

联合自编码任务的多机制融合复述生成模型

基于神经网络编码–解码框架的复述生成模型存在两方面的问题: 1) 生成的复述句中存在实体词不准确、未登录词和词汇重复生成; 2) 复述平行语料的有限规模限制了编码器的语义学习能力。针对第一个问题, 本文提出在解码过程中融合注意力机制、复制机制和覆盖机制的多机制复述生成模型, 利用复制机制从原句复制词语来解决实体词和未登录词生成问题; 利用覆盖机制建模学习注意力机制历史决策信息来规避词汇重复生成。针对第二个问题, 基于多任务学习框架, 提出在复述生成任务中联合自编码任务, 两个任务共享一个编码器, 同时利用平行复述语料和原句子数据, 共同增强复述生成编码器的语义学习能力。在Quora复述数据集上的实验结果表明, 提出的联合自编码的多机制融合复述生成模型有效地解决了复述生成的问题, 并提高了复述句的生成质量。     

融合篇章表征的事件指代消解研究

事件指代消解任务比实体指代消解难度大, 主要原因为事件描述在非结构化文本中分布稀疏, 且不具备同指关系的单链占很大比例, 同时事件自身承载的语义信息比实体更加丰富。为了准确地抽取文本中的同指事件, 针对以上特点, 提出一种融合篇章表征的事件指代消解模型。该模型通过CRF有效地区分非事件句、单链以及同指链, 同时利用分层注意力机制捕捉句子级别和篇章级别的重要信息。在KBP2015和2016数据集上进行的事件指代消解实验验证了该模型的有效性, 在CoNLL评测标准下F1值达到43.07%。