基于多模态深度神经网络的抓取检测方法

针对机器人抓取检测任务中对未知物体抓取检测精度低的问题,本文提出了一种多模态深度神经抓取检测模型。首先,在RGB和深度两个通道中引入残差模块以进一步提升网络的特征提取能力。接着,引入多模态特征融合模块进行特征融合。最终通过全连接层回归融合特征以得到最佳抓取检测结果。实验结果表明,在Cornell抓取数据集上,本文方法的图像拆分检测精度达到95.7%,对象拆分检测精度达到94.6%。此外,本文还通过消融实验证明了引入残差模块可以提高网络抓取检测性能。     

多模态协同在儿童口语交际教学中的本体价值

通过实证观察和文献分析,从新的视角探究儿童口语交际教学过程,发现多模态协同在儿童口语交际教学中具有本体价值。多模态协同具有类似于语言的三大元功能,能弥补语言本身的缺陷及儿童自身言语能力的不足,并通过模态互动提高交际的生动性、丰富性和效能度。多模态协同是儿童口语交际能力的重要构成,是儿童口语交际能力最有效的、最常见的习得方式,是儿童适应未来的需要。随着数字化信息时代的到来,单一的语言交际将更多地被多模态交际所取代。     

程度化的格值一阶逻辑及不确定性推理研究

1项目的研究意义人工智能的主要目标在于研究用机器来模仿和执行人脑的某些智力功能,并发展相关的理论和技术。人类主要的思维活动包括推理、判断和决策,这些思维活动反映了人脑所具有的某些智力功能,而这些智力功能大都包含着推理,因此人工智能研究的核心问题之一应该是使     

道德语言、规定语言和祈使句——黑尔对道德语言的分析

黑尔认为,伦理学的研究就是对道德语言的逻辑研究。道德语言是一种规定语言,其功能是指导我们的行为,所以道德语言的模糊歧义不仅会造成理论上的困惑,更会引起实践上的混乱。因此,道德语言的明晰十分重要。黑尔对道德语言的分析主要立足于对描述语言和规定语言的比较以及对道德判断和祈使句的比较。按照人们一般的思维模式,文章将从道德概念的分析开始,进而到道德判断,再到道德推理,介评黑尔对道德语言的分析。     

OWL DL的知识表示与推理研究

语义Web的逻辑基础是描述逻辑,其出现的目的就是为了解决机器和人对知识理解的问题,因此,可以在语义Web的基础上展开推理。传统的推理系统结合语义Web可以克服知识表示方面的缺点,并且有利于知识的共享。探讨了OWL DL作为知识表示形式的优点;通过实例验证了OWL DL关于描述逻辑的推理。     

融入单元格结构的多模态表格信息抽取方法

【目的】表格文档作为数据信息的主要载体,如何从海量表格中准确提取关键信息也是技术难点之一。【方法】现有的端到端方法和基于预训练模型的方法在训练过程中并未有效利用表格单元格的结构信息,影响了文本在模型中的向量表示,从而影响了最终的语义信息抽取精确率。故本文针对两类方法都存在的问题,提出了进一步利用单元格结构信息来改进OCR识别效果的端到端方法和增加单元格序列预测任务的预训练方法。【结果】实验结果表明,改进后的两种方法在表格语义信息抽取任务中取得了更好的效果,F1值分别提升了0.2046和0.0176。【结论】加强了单元格结构信息在表格中的重要性, 提高了表格语义信息抽取的精确率。     

基于UGC数据的旅游数据挖掘研究进展

随着互联网和社交媒体的蓬勃发展,用户生成内容(User Generated Content, UGC)数据逐渐成为旅游大数据的重要组成部分。UGC数据能够体现游客旅游行为,数据类型丰富、真实性强、噪声大。本文回顾了过去几年旅游UGC数据研究的发展,分别从文本、照片、多模态3种数据类型角度进行综述,总结了近年来旅游UGC数据挖掘研究取得的成果,并探讨了未来研究的方向。     

概率影响图变换的矩阵方法

影响图是近年发展起来的一种新的决策分析方法。仅含随机结点的影响图被称为概率影响图,它是建立概率模型和进行概率推理的有效工具。本文研究了概率影响图的关联矩阵表示和矩阵变换方法,并给出了完整的计算机实现方法。