【摘 要】
：
事件检测(ED)是信息抽取领域中最重要的任务之一，旨在识别文本中特定事件类型的实例。现有的事件检测方法通常采用邻接矩阵来表示句法依存关系，但是邻接矩阵往往需要借助图卷积网络（GCN）进行编码来获取句法信息，由此增加了模型的复杂度。为此，提出了融合句法信息的无触发词事件检测方法。通过将依赖父词及其上下文转换为位置标记向量，并在模型源端以无参数的方式融入依赖子词的单词嵌入来加强上下文的语义表征，而不需
论文部分内容阅读
事件检测(ED)是信息抽取领域中最重要的任务之一，旨在识别文本中特定事件类型的实例。现有的事件检测方法通常采用邻接矩阵来表示句法依存关系，但是邻接矩阵往往需要借助图卷积网络（GCN）进行编码来获取句法信息，由此增加了模型的复杂度。为此，提出了融合句法信息的无触发词事件检测方法。通过将依赖父词及其上下文转换为位置标记向量，并在模型源端以无参数的方式融入依赖子词的单词嵌入来加强上下文的语义表征，而不需要经过GCN网络进行编码；此外,针对触发词的标注费时费力，设计了基于多头注意力机制的类型感知器，其可以对
其他文献
步态识别系统在生物识别领域显示出巨大的潜力，然而步态识别的准确性很容易受到视角的影响。为解决这一问题，提出的方法基于循环生成对抗网络(Cycle Generative Adversarial Network:Cycle-GAN)的网络结构，结合新的特征提取模块以及多重损失函数，提出了一种用于跨视角步态识别的网络模型TCC-GAN (Two-channel Cycle Consistency Gen
将光子计数技术与单像素成像技术结合的单光子压缩成像方法，具有成本低，超高灵敏度的特点，但采用传统压缩重建算法重建时间长。基于深度学习的压缩重建网络不仅避免了迭代运算耗时长的问题，实现了快速重建，而且可获得更好的重建质量。最近用于单像素成像的深度学习压缩重建网络主要基于光探测器工作在模拟方式，采用无噪声或带有加性高斯白噪声的系统仿真数据进行训练。而单光子压缩成像系统噪声主要来源于光强闪烁和光量子效应
针对多目标运动轨迹预测过程中由于检测精度和实时性不足，造成部分目标位置信息丢失和预测准确度不高问题，提出基于改进卡尔曼滤波的多目标轨迹运动轨迹预测算法(MMTP)。MMTP算法在目标检测阶段使用YOLO v4检测器提升目标检测的准确率和速度。在目标匹配阶段采用KM匹配算法，将当前检测框的检测目标与上一时刻预测的预测框的目标进行数据关联，从而增强目标关联的准确性，避免目标遮挡、目标交错和漂移造成的目
在对特征辨识度低的点云进行配准的过程中，传统的基于局部特征提取和匹配的方法通常精度不高，而基于全局特征匹配的方法精度和效率也难以保证。针对这一问题，提出一种改进的局部特征配准方法。在初步配准阶段，设计了一种基于法向量投影协方差分析的关键点提取方法，结合快速特征直方图(FPFH)对关键点进行特征描述，定义多重匹配条件对特征点进行筛选，最后将对应点的最近距离之和作为优化目标进行粗匹配；在精配准阶段，采
植被遥感信息提取是进行植被覆盖遥感调查和动态监测的基础和关键环节，对于区域生态环境保护与可持续发展具有重要意义。为此，从先验知识法、专家知识和相关辅助信息法、植被物候特征提取法、多源遥感数据融合法、机器学习法和其他方法6个方面，回顾国内外植被遥感信息提取方法的研究进展，指出现阶段研究面临的主要问题与挑战，并提出未来发展趋势。研究表明，植被遥感信息提取方法众多，研究成果丰富，不同方法具有各自的应用优
针对现有模型采用同步人工优化深度学习网络，忽略了网络学习的负面信息，导致大量冗余参数甚至过拟合，影响计数准确性的问题，提出了基于三列卷积神经网络的参数异步更新算法。首先将单帧图像输入网络，经过三列卷积分别提取不同尺度特征，通过列之间的交互信息学习每两列特征图的关联性，接着根据优化的交互信息及更新的损失函数异步更新每列参数直至模型收敛，最后采用动态卡尔曼滤波将每列输出密度图进行深度融合，并对融合的密
由于卷积神经网络(CNNs)大都侧重于全局特征学习，忽略了包含更多细节的局部特征信息，使得室内场景识别的准确率难以提高。针对这一问题，提出了基于改进全局-局部注意网络(GLANet)的室内场景识别方法。首先，利用GLANet捕捉场景图像的全局特征和局部特征，增加图像特征中的细节信息；然后，在局部网络中引入Nonlocal注意力模块，通过注意力图和特征图的卷积来进一步保留图像的细节特征，最后融合网络
针对光学成像设备景深有限、图像部分失焦的问题，提出一种基于非下剪切波变换(NSST)的改进双通道脉冲神经耦合网络(PCNN)融合算法。首先，该算法采用Lab颜色空间分割RGB图像的亮度分量和色度分量间的关联性得到亮度和色度通道子图；然后，亮度通道子图使用NSST重构，色度通道子图使用能量匹配融合；针对融合时阈值设置和点火量化产生的误差，提出改进双通道PCNN模型融合，并结合对比敏感度函数(CSF)
为了提高自动驾驶汽车环境感知的性能，增强单目相机对障碍物三维和边界信息的感知能力，提出了一种基于地面先验的3D目标检测算法。基于优化的中心网络(CenterNet)模型，以DLA(deep layer aggregation)为主干网络，增加目标3D边沿框中心点冗余信息预测。根据自动驾驶场景的地面先验信息，结合针孔相机模型，获取目标3D中心深度信息，以优化深度网络学习效果。使用KITTI 3D数据
长链非编码RNA(lncRNA)中的小开放阅读框(sORFs)能够编码长度不超过100个氨基酸的短肽。针对短肽预测研究中lncRNA中s ORFs特征不鲜明且高可信度数据尚不充分的问题，提出一种基于表示学习的深度森林模型。首先，使用常规lncRNA特征提取方法对s ORFs进行编码；其次，通过自动编码器进行表示学习获得更加有效的特征表示；最后，训练深度森林模型实现对lncRNA编码短肽的预测。实验