Abstract ：

针对用于位姿估计的RGB-D特征提取网络规模过于庞大的问题,提出一种轻量化改进XYZNet的RGB-D特征提取网络.首先设计一种轻量级子网络BaseNet以替换XYZNet中的ResNet18,使得网络规模显著下降的同时获得更强大的性能;然后基于深度可分离卷积设计一种多尺度卷积注意力子模块Rep-MSCA(re-parameterized multi-scale convolutional attention),加强BaseNet提取不同尺度上下文信息的能力,并约束模型的参数量;最后,为了以较小的参数代价提升XYZNet中PointNet的几何特征提取能力,设计一种残差多层感知器模块Rep-ResP(re-parameterized residual multi-layer perceptron).改进后的网 络浮点计算量与参数量分别 降低了60.8％和64.8％,推理速度加快了 21.2％,在主流数据集LineMOD与YCB-Video上分别取得了 0.5％与0.6％的精度提升.改进后的网络更适宜在硬件资源紧张的场景下部署.

Keyword ：

RGB-D 位姿估计 轻量级 特征提取 图像处理

Cite：

Copy from the list or Export to your reference management。

Abstract ：

路况检测是智能驾驶中的一项核心任务,其中包含限高检测任务.鉴于学术界中与限高检测相关的研究还不够成熟,文章对限高检测方法进行了研究,提出基于关键点和多帧图像特征融合的限高检测网络.将关键点思想引入限高检测任务,减少不必要的预测,提升检测效率;引入卷积门控循环单元(ConvGRU)对多帧图像进行建模,学习多帧图像之间的上下文关系,提升召回率,降低漏检率;提出空间细节特征(spatial particulars feature,SPF)模块,加强解码层的多尺度特征融合;引入坐标注意力机制,进一步关注目标检测区域,提升模型的查准率.实验结果表明:该网络不仅能够很好地完成限高检测任务,并且相比于BiSeNet、PINet、PSPNet等其他先进网络,能够更好地平衡查准率与召回率,拥有更高的F1值和较少的参数量;同时对于车道线检测任务,在精度与漏检率方面也表现优异,进一步证明了该网络的有效性.

Keyword ：

深度学习 注意力机制 限高检测 智能驾驶 关键点 多帧图像

Cite：

Copy from the list or Export to your reference management。

Abstract ：

近年来随着深度学习技术的不断发展,涌现出各种基于深度学习的语义分割算法,然而绝大部分分割算法都无法实现推理速度和语义分割精度的兼得.针对此问题,提出一种多通道深度加权聚合网络(MCDWA_Net)的实时语义分割框架.该方法首先引入多通道思想,构建一种3通道语义表征模型,3通道结构分别用于提取图像的3类互补语义信息:低级语义通道输出图像中物体的边缘、颜色、结构等局部特征;辅助语义通道提取介于低级语义和高级语义的过渡信息,并实现对高级语义通道的多层反馈;高级语义通道获取图像中上下文逻辑关系及类别语义信息.之后,设计一种3类语义特征加权聚合模块,用于输出更完整的全局语义描述.最后,引入一种增强训练机制,实现训练阶段的特征增强,进而改善训练速度.实验结果表明,所提出方法在复杂场景中进行语义分割不仅有较快的推理速度,且有很高的分割精度,能够实现语义分割速度与精度的均衡.

Keyword ：

深度学习 语义特征 语义分割 深度融合 上下文信息

Cite：

Copy from the list or Export to your reference management。

Abstract ：

随着科技的不断发展,自动驾驶技术越来越多地进入到人们的生活中.动态物体点云分割是其中十分关键的一项任务,它可以为地图构建、路径规划等任务提供前置帮助.本文提出一种基于编码器-解码器结构的激光雷达动态物体点云分割网络,使用自校正卷积替换上下文特征提取模块中的普通卷积,提升神经网络的特征学习能力;并在网络解码阶段加入通道注意力机制,提升网络对重要特征通道的关注学习程度,从而达成更好的分割效果.本文在SemanticKITTI MOS数据集上进行实验,实验结果表明,本文所提出的动态物体点云分割网络相比原有方法取得更优表现,交并比(IoU)达到72.1％.

Keyword ：

点云分割 自动驾驶 深度学习 激光雷达

Cite：

Copy from the list or Export to your reference management。

Abstract ：

脱机手写数学公式二维结构复杂,其中字符多变的尺度以及书写风格的变换不一都会增大手写数学公式识别的难度.文中提出了一个基于多尺度特征融合的互学习模型.首先,在编码阶段引入了多尺度特征融合的方式改进模型,以提升模型对公式中细粒度信息的提取能力以及加强对全局二维结构的语义信息理解;其次,引入了成对的手写体、打印体数据来进行互学习模型的训练,该模型包括解码器损失和上下文匹配损失,分别学习LaTeX语法以及手写体、打印体之间的语义不变性,提高模型对不同书写风格的鲁棒性,提升对公式整体信息的理解能力.在CROHME 2014/2016/2019数据集上进行实验验证,结果发现:引入多尺度特征融合机制后,表达式正确率分别达到55.25%、52.31%、53.72%;引入互学习机制后,表达式正确率分别达到55.43%、53.53%、53.79%;同时引入两种机制后,表达式正确率分别达到58.88%、55.10%、57.05%.经实验证明,文中提出的方法能够有效提取公式中不同尺度下的特征,并通过互学习机制克服手写风格不一、数据量少等问题.此外,在HME100K数据集上的实验结果也验证了文中提出模型的有效性.

Keyword ：

手写体 手写数学公式识别 语义不变性 打印体 脱机模式

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为了在缺乏大量肝血管标注信息的情况下增强肝血管结构分割,提出了局部-长距离-相邻信息融合模块,并将其嵌入U-Net的编码阶段,得到一种基于结构感知的肝血管分割网络.该模块有3个分支:提取特征图局部信息的残差卷积模块,利用自注意力机制提取特征图的全局信息的长距离提取模块,以及利用相邻切片补充上下文信息的相邻信息提取模块.通过将以上3个分支模块的输出特征图进行融合,可以有效提升网络的血管结构感知能力,缓解2D网络无法表征血管立体走向与3D网络训练数据不足的问题.分别在MICCAI十项全能数据集中的肝血管与肿瘤数据集和三甲医院收集标注的自采肝血管数据集上进行了广泛的对比实验.结果表明,与多种主流的分割算法相比,该算法取得了最优的血管分割性能.所提出的方法在MICCAI数据集上Dice值达到64.04％,在自采肝血管数据集上Dice值达到了72.07％.

Keyword ：

结构感知 深度学习 U型网络 语义分割 切片上下文融合 肝血管分割

Cite：

Copy from the list or Export to your reference management。

Abstract ：

零样本目标检测借助语义嵌入作为引导信息,将未见过的物体的视觉特征与类别语义嵌入映射到同一空间,根据其在映射空间的距离进行分类,但由于语义信息获取的单一性,视觉信息缺乏可靠表示,易混淆背景信息和未见过对象信息,使得视觉和语义之间很难无差别对齐.基于此,借助视觉上下文模块捕捉视觉特征的上下文信息,并通过语义优化模块对文本上下文和视觉上下文信息进行交互融合,增加视觉表达的多样化,使模型感知到前景的辨别性语义,从而有效地实现零样本目标检测.在MS-COCO的2个划分数据集上进行实验,在零样本目标检测和广义零样本目标检测的准确率和召回率上取得了提升,结果证明了所提方法的有效性.

Keyword ：

语义优化 上下文感知 零样本目标检测 多模态 目标检测

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于数据挖掘技术的以太坊庞氏骗局合约检测方法，首先在数据获取，根据数据集中的合约地址，获取每一个合约得字节码和交易记录；在特征提取阶段，将合约字节码反汇编为操作码序列，通过n‑gram算法提取合约操作码的上下文特征，同时根据合约交易记录提取合约的账户特征，将操作码特征和账户特征进行结合，作为模型的输入；接着在模型训练阶段，针对合约特征数据集存在的类不平衡问题，采用ADASYN算法对训练集进行过采样，然后使用性能较好的AdaBoost对数据集进行训练，实现对庞氏骗局智能合约的检测。实验证明，该模型的相关评测指标取得了显著的提升，可以有效的检测出以太坊上的庞氏骗局智能合约。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

一种融合序列关系的图像分类方法，属于计算机视觉领域。连续的序列图像显现的图像特征变化可能表现出一定的规律性，在实际应用对序列图像分类时也需要通过观察完整的序列变化来完成。现有的序列图像分类方法只关注单张的图像特征，忽略了图像序列之间的上下文关系，从而对序列图像的分类结果造成很大影响。本发明针对此问题，设计了一种融合序列上下文关系特征的图像分类方法，在关注单张图像特征信息的基础上，更针对性地关注序列图像的上下文信息，结合单张图像和序列关系两方面的信息得出最后的分类结果。我们提出的流程和解决方案具有全面学习序列图像信息的效果，比以往只独立考虑单张图像信息更加准确。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于社交网络和多粒度特征融合的活动推荐方法，用于基于活动的社交网络推荐系统中，帮助组织者找到想要参加活动的用户。首先，通过爬虫技术从网络中获取相关的活动数据。然后从用户历史参与或者感兴趣的活动中提取用户的兴趣偏好，利用非线性遗忘函数对用户不同时期交互的互动赋予不同的权值。同时，由于非活跃用户参与的事件较少，无法准确获取用户偏好。根据用户共同的行为数据构建用户社交网络，提取活动内容、活动上下文和用户社交关系三种特征。根据用户的不同活跃程度进行特征提取，融合多粒度特征权重来计算用户对事件的偏好；最后，使用矩阵分解模型对评分矩阵进行分解，计算用户对目标活动的偏好值进行活动推荐。

Cite：

Copy from the list or Export to your reference management。