摘要:为了实现教室使用率和学生出勤情况的高效管理,推动教务管理的自动化进程,设计并实现了一种基于YOLOv8的端到端实时教室人数统计系统。此系统仅需利用教室内的普通摄像头,即可实现对教室人数的实时查询与可视化展示。为提升模型对特定教室环境的适应性,加入教室摄像头自制数据集ClassCount对YOLOv8模型进行微调。实验结果表明,加入ClassCount数据集进行训练后,模型在混合数据集上的表现显著提升,其中mAP@50提高了约7.7%,mAP@50~95提高了约6.8%,验证了模型在复杂教室环境中进行实时人数统计时的适应性和鲁棒性。
摘要:方面情感三元组提取(Aspect Sentiment Triplet Extraction,ASTE)是方面级情感分析领域的一项关键任务,目的是提取出句子中给定的方面词、观点词及对应的情感极性。传统的ASTE方法因未充分考虑语义信息和语法结构之间的交互作用,导致模型性能受限。针对这一问题,文章提出了一种基于语义增强的双编码器三元组提取方法。首先,使用基于BERT(Bidirectional Encoder Representation from Transformers)的基本编码器提取单词的上下文信息。其次,基于GloVe词向量和Amazon特定评论词典,使用由门控循环单元(Gate Recurrent Unit,GRU)网络和图卷积网络(Graph Convolutional Network,GCN)结合构建的特定编码器提取深层语义信息,在此过程中通过引入图注意力机制实现基本语义特征与深层语义特征的交互融合。最后,使用边界驱动表填充(Boundary-DrivenTable-Filling,BDTF)方法进行三元组提取。在4个公开的数据集上的实验验证表明,所提模型可以高效地捕获并利用句子的深层语义信息,实现较准确的方面情感三元组提取。
摘要:传统的中文命名实体识别技术在汽车领域的应用效果欠佳,特别是在处理实体之间存在大量的嵌套重叠、不连续和多元关系的这种复杂结构时,现有的模型实体识别性能不足。针对此问题,文章提出了基于多特征融合的汽车用户需求实体识别模型(Bert-Mulfeat-BiGRU-Att-CRF,BMBAC)。该模型的创新点在于融入了BERT(Bidirectional Encoder Representation from Transformers)模型和SKIP-GRAM模型,以及引入了改进的注意力机制算法,实现了多维度的特征提取和深度挖掘句子的语义信息。为验证模型效果,使用自主爬取并构建的数据集进行实验。通过对比实验,BMBAC模型的F1值为82.79%,展现出最优的识别性能,验证了该模型在汽车用户需求实体识别中的有效性,为汽车企业精准捕捉用户需求、推动产品创新提供了技术和方法。
摘要:特征选择的主要目的是缩减和精炼数据的特征集,使得生成的特征子集可以进一步提高模型的学习精度。针对特征选择这一特定问题,提出了一种二进制登山队优化算法BMTBO(Binary Mountaineering Team-BasedOptimization)。该算法属于二进制版本的群智能优化算法,并采用倒“S”形和“V”形数值空间转换函数,实现了在特征选择时,不仅可以降低特征维数,而且可以降低模型学习的误差率。为验证BMTBO算法的实际效果,在15个公共测试数据集上进行实验。实验结果显示,与现有方法相比,BMTBO算法的平均分类准确率最多可提升1百分点,证明所提出的算法在提高模型学习精度方面的可行性与有效性。
摘要:为了实现对水稻病害的精准检测,文章基于YOLOv8n模型(You Only Look Once version 8 nano)提出了一个全新的改进模型YOLO-Rice。该模型通过3项关键的技术创新,提升了对水稻叶片和稻穗病害的检测精度。首先模型在骨干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制;其次模型采用Gold-YOLO的GD(Gather-and-Distribute)机制,在模型的颈部进行特征融合;最后更换了传统的损失函数,采用WIoU作为新的损失函数。通过上述改进,YOLO-Rice模型在平均精度均值(mAP50%)上实现了3.4百分点的显著提升,最终达到了96.0%的准确率,充分证明了YOLO-Rice模型在水稻病害检测任务中的有效性。
摘要:为了提升不同环境中竹笋细粒度的自动化识别精度,提高生产管理效率,文章提出了一种基于YOLOv8的目标检测改进模型。该模型融合了BiFPN (Bidirectional Feature Pyramid Network),这一架构在图像目标检测和分割任务中表现出色,同时在C2f模块中添加DAT(Vision Transformer with Deformable Attention),引入了可变形注意力机制,进一步提升了模型的性能。实验结果表明,改进后的算法模型对春笋和冬笋识别的平均精度均值(Mean Average Precision,mAP)分别为81.4%和94.7%,相较于原有模型,分别提升了0.9百分点和3.9百分点。改进后的算法模型在竹笋细粒度识别方面展现出较高的精度,为未来竹笋产业的高度智能化提供了技术支撑。
摘要:针对ORB-SLAM3(Oriented Fast and Rotated Brief Simultaneous Localization and Mapping)在外界光照条件变化时算法检测的特征点数量急剧减少且分布过于集中的问题,文章提出一种基于改进自适应阈值及四叉树的ORB_SLAM3算法。该方法首先通过计算特征点周围像素灰度值与平均灰度值的方差获得环境对比度;其次通过对比度计算光照自适应阈值;最后通过优化四叉树方法管理特征点,使图像中特征点的分布更加均匀。实验结果显示,正常光照强度条件下的特征点数量增加了9.5%、特征点均匀度提高了88.3%;低光照强度条件下的特征点数量增加了30.4%、特征点均匀度提高了34.0%;高光照强度条件下的特征点数量增加了72.9%、特征点均匀度提高了37.8%。以上说明该改进算法在视觉导航中具有较高的应用价值。
摘要:在雾天环境下,针对难以捕捉车辆的特征导致车辆检测精度低的问题,提出一种基于YOLOv8改进的雾天环境下车辆检测算法———CSM-YOLOv8(Cross Scale Multi-YOLOv8)。首先,将C2f模块的第一个卷积替换为SA-Net模块,使其能够处理不同尺度的特征图。其次,引入SEAttention(Squeeze and Excitation Networks)注意力机制,通过自适应地学习特征通道之间的相关性,捕捉雾天环境下的车辆特征。最后,加入MHSA(Multi-Head Self-Attention)模块通过将注意力机制分解成多个头部并行计算。实验结果表明,CSM-YOLOv8的检测平均精度均值(mAP)提高了1.9百分点。由此可见,改进后的模型有效克服了雾天环境中车辆特征模糊导致检测精度低的问题,实现了对车辆的准确检测。
摘要:为解决现有的抽取方法在中文简历中抽取准确率低和抽取信息不全面的问题,提出了基于分区过滤网络的中文简历实体关系联合抽取模型。该模型首先使用Chinese-RoBERTa-wwm-ext预训练语言模型对输入序列进行预处理。其次结合多头自注意力机制和分区过滤网络的门控机制的结果,精确提取输入序列的特征,并将提取到的特征与全局表示拼接后进行多标签预测。在中文简历数据集上的实验结果表明,该模型的精确率、召回率和F1值分别为95.86%、97.02%和96.44%,这3项指标与之前最优的模型相比,分别提高了3.12百分点、2.83百分点和2.98百分点,证明了该模型能够有效地提升中文简历实体关系抽取的准确率。
摘要:针对双向快速扩展随机树(RRT-Connect)算法中采样随机性高、生成的路径冗余节点多等问题,提出了一种改进RRT-Connect算法。首先,通过目标偏置采样方法和目标引力导向策略,提升路径搜索效率,并根据地图复杂程度动态地调整步长。其次,采用基于节点重组的冗余节点删除,对生成的原始路径进行优化。最后,用3次B样条曲线对优化后的路径进行曲线平滑。仿真结果表明,相较于传统RRT-Connect算法,改进后的RRT-Connect算法的规划时间、路径长度分别缩短了29.17%、10.42%,证明所做改进有效地提升了路径规划的效率和质量。
摘要:针对Transformer知识表示模型中三元组语义和结构关联信息的缺失问题,提出了新的知识图谱表示框架CNAR。首先在Transformer的基础上设计了聚合局部邻居三元组技术,有效丰富了语义结构信息的多样性,并利用特征增强注意力设计权重,精准表征三元组的关联程度。此方法已成功应用到下游任务,并在4个数据集(包括自制机器人数据集ROBOT)上进行了验证。实验结果显示,在WN18RR和FB15K-237数据集上,该方法获得的MRR 指标较基线方法的平均水平分别提高了10.9百分点和17.1百分点,Hits@10指标分别提高了13.1百分点和保持平衡表现。此外,在UMLS和ROBOT数据集上,该方法的两个指标也达到或接近最优性能,证明了该方法的有效性和适用性。
摘要:针对茄子果实病虫害特征复杂、自然环境下检测精度低和检测模型较大等问题,提出一种基于改进YOLOv8的轻量化网络模型HCI-YOLO。该模型以YOLOv8作为基础框架,将特征增强网络替换为多级特征融合金字塔(High-level Screening-feature Fusion Pyramid Network)结构,减少了网络参数以及解决了应对尺度问题;在骨干网络中的第11层嵌入坐标注意力机制(Coordinate Attention),提升了模型的回归性能;使用Inner-SIoU损失函数替代原损失函数,提升了模型的检测精度。实验结果表明,HCI-YOLO 模型参数量和计算量相比于原始版本YOLOv8n分别降低了36.67百分点和14.81百分点,精确度和mAP@0.5分别提高了1.3百分点和2.1百分点。这证明HCI-YOLO在茄子果实病虫害检测方面取得了显著的性能提升。
摘要:为了降低跌倒所致并发症或伤亡的风险,使用深度学习方法中ResNet18(Residual Network 18)经典卷积结构对传感器时间序列数据进行处理,采用10折交叉验证探究滑动时间窗口和不同输入特征对模型跌倒检测性能的影响。实验结果表明,为MobiAct2.0、SisFall、Cogent Labs数据集选择适宜的窗口时,跌倒检测准确率均达到92%以上。此外,数据集获取差异对特定模型的分类性能具有显著影响。本研究证实,基于ResNet18的网络架构在传感器数据跌倒检测中具有一定的应用潜力,但对复杂跌倒场景的识别能力需探索更优的数据融合和特征处理方法以提升模型的检测性能。
摘要:为推动“校企政行”合作机制下产业学院的发展,拓展产业学院的职能,采用ISM(Interpretive StructuralModel)解释结构模型,系统分析“校企政行”合作机制下产业学院建设的影响因素,剖析各因素之间相互关系。研究结果表明,在影响产业学院建设的各种因素中,课程教材为表象层因素,行业需求为根本层因素,政策环境、校企合作机制、人才培养模式、信息化水平、师资力量、资金支持、管理机制、文化和价值观为中间层因素。基于分析结果,对产业学院建设提出针对性建议,旨在为产业学院建设提供理论基础和实践参考。