检索范围:
排序: 展示方式:
EDVAM:用于虚拟博物馆视觉注意建模的三维眼动数据集 Research Article
周赟湛1,冯天2,帅世辉3,厉向东4,孙凌云5,杜本麟2
《信息与电子工程前沿(英文)》 2022年 第23卷 第1期 页码 101-112 doi: 10.1631/FITEE.2000318
NGAT:基于广度和深度探索注意力机制的半监督图表示学习 Research Articles
胡荐苛,张引
《信息与电子工程前沿(英文)》 2022年 第23卷 第3期 页码 409-421 doi: 10.1631/FITEE.2000657
关键词: 图学习;半监督学习;节点分类;注意力机制
深度学习中的视觉可解释性 Review
Quan-shi ZHANG, Song-chun ZHU
《信息与电子工程前沿(英文)》 2018年 第19卷 第1期 页码 27-39 doi: 10.1631/FITEE.1700808
关键词: 人工智能;深度学习;可解释性模型
基于人工智能技术的儿童ADHD辅助诊断系统 Research
张雁翼1,孔鸣2,赵天琦2,洪文琛2,谢迪3,王春茂3,杨荣旺1,李荣1,朱强2
《信息与电子工程前沿(英文)》 2021年 第22卷 第3期 页码 400-414 doi: 10.1631/FITEE.1900729
基于频域深度学习的混凝土桥面裂缝实时检测 Article
Qianyun Zhang,Kaveh Barri,Saeed K. Babanajad,Amir H. Alavi
《工程(英文)》 2021年 第7卷 第12期 页码 1786-1796 doi: 10.1016/j.eng.2020.07.026
本文提出了一种基于视觉的混凝土桥面裂缝检测方法,该检测方法将一维卷积神经网络(1D-CNN)与长短期记忆(LSTM)方法集成在图像频域。为了提高训练效率,在预处理阶段,图像首先会被转换到频域,然后使用扁平化的频率数据对算法进行校准。LSTM则被用来提高针对长序列数据开发的网络的性能。所开发模型的训练、验证与测试数据的准确率分别为99.05%、98.9%和99.25%。随后,本文进一步提出了一个运行框架,以便在未来将经过训练的模型应用于大尺寸图像。与现有的深度学习方法相比,本文所提出的1D-CNN-LSTM算法在准确度与计算时间等方面均有卓越的表现。可以预见,1D-CNN-LSTM算法的快速运行使其在实时裂缝检测领域必将大有可为。
徐雪松,宋东明,张谞,许满武,刘凤玉
《中国工程科学》 2009年 第11卷 第2期 页码 82-87
为了提高高维数据集合离群数据挖掘效率,提出了一种基于流形学习的离群点检测算法。局部线性嵌入( locally linear embedding, LLE)算法是流形学习中有效的非线性降维方法,它的优势在于只定义唯一的 参数,即邻域数。根据LLE算法的思想寻找样本数据的内在嵌入分布,并通过邻域数选取和降维后数据点之 间的距离调整,提高了数据集中离群点发现效率,同时利用离群点权值判别式进行权值数据判定,根据权值 的大小标识出数据集中的离群点,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一 条新的途径。
基于深度Q学习网络与新训练算法的服务机器人主动物品检测模型 Research Article
刘少鹏,田国会,崔永成,邵旭阳
《信息与电子工程前沿(英文)》 2022年 第23卷 第11期 页码 1673-1683 doi: 10.1631/FITEE.2200109
本文研究了主动物品检测(AOD)问题。AOD是服务机器人在家庭环境中完成服务任务的重要组成部分,通过适当的移动动作引导机器人接近目标物品。目前基于强化学习的AOD模型存在训练效率低和测试精度差的问题。因此,本文提出一种基于深度Q学习网络的AOD模型,并设计了一种新的模型训练算法。本文所提方法在AOD数据集上进行了充分的对比实验和消融实验。实验结果表明所提方法优于其他同类方法,所设计的训练算法比原始训练算法更高效。
基于注意机制编码解码模型的答案选择方法 Article
Yuan-ping NIE, Yi HAN, Jiu-ming HUANG, Bo JIAO, Ai-ping LI
《信息与电子工程前沿(英文)》 2017年 第18卷 第4期 页码 535-544 doi: 10.1631/FITEE.1601232
关键词: 问答技术、答案选择、注意机制、深度学习
基于场景自适应概念学习的无监督目标检测 Research Articles
浦世亮1,赵暐1,陈伟杰1,杨世才1,谢迪1,潘云鹤2
《信息与电子工程前沿(英文)》 2021年 第22卷 第5期 页码 615-766 doi: 10.1631/FITEE.2000567
微阵列数据集的特征选择技术:综合评述、分类和未来方向 Review
Kulanthaivel BALAKRISHNAN, Ramasamy DHANALAKSHMI
《信息与电子工程前沿(英文)》 2022年 第23卷 第10期 页码 1451-1478 doi: 10.1631/FITEE.2100569
为获得最佳结果,从微阵列数据集中检索相关特征已成为特征选择(FS)技术的研究热点。本综述旨在全面阐述各种最新特征选择技术,同时介绍了基于微阵列数据集的处理多类分类问题的技术以及提高学习算法性能的不同方法。我们试图理解和解决数据集不平衡问题,以证实研究人员在微阵列数据集上的工作。同时提供了一个案例说明该方法的实施过程,该方法使用3个微阵列癌症数据集评估一些包装方法和混合方法的分类精度和收敛能力,以确认最优特征子集。
关键词: 特征选择;高维;学习技术;微阵列数据集
面向视觉概念构建的三维形状空间学习:挑战与研究进展 Perspective
童欣
《信息与电子工程前沿(英文)》 2022年 第23卷 第9期 页码 1290-1297 doi: 10.1631/FITEE.2200318
深度学习在医学超声图像分析中的应用综述 Review
刘盛锋, 王毅, 杨鑫, 雷柏英, 刘立, 李享, 倪东, 汪天富
《工程(英文)》 2019年 第5卷 第2期 页码 261-275 doi: 10.1016/j.eng.2018.11.020
基于众包标签数据深度学习的命名实体消歧算法 Article
Le-kui ZHOU,Si-liang TANG,Jun XIAO,Fei WU,Yue-ting ZHUANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第1期 页码 97-106 doi: 10.1631/FITEE.1601835
关键词: 命名实体消歧;众包计算;深度学习
工作经验对空中交通管制员眼动行为的影响 Article
王艳军, 王丽伟, 林思远, 丛玮, 薛建飞, Washington Ochieng
《工程(英文)》 2021年 第7卷 第4期 页码 488-494 doi: 10.1016/j.eng.2020.11.006
眼动是信息搜索行为的一个重要指标,它提供了对决策至关重要的认知策略的洞察力。学者们提出了各种基于眼动的方法来捕捉人类在复杂环境中处理信息的能力。本文对不同工作经验水平的空中交通管制员的眼动测量指标进行了比较研究。研究了两种通常研究的眼动行为:注视和扫视,以及注视熵。通过比较相关指标的统计特性,发现工作经验对眼动模式有显著影响。在合格和新手管制员之间,注视和扫视都不同,前者能够采用更有效的搜索策略。这些发现不仅有助于提高管制员培训的质量,而且有助于理解人类在执行复杂任务时使用的信息搜索机制。
标题 作者 时间 类型 操作
2020年计算机视觉、图像与深度学习国际学术会议(CVIDL 2020)
2020年05月15日
会议信息