单幅图像超分辨率是近几十年来计算机视觉领域的一个重要研究课题,基于深度学习的超分辨率重建算法已经取得突破性进展,但当大多数算法应用到真实场景中的图像时效果会大大降低,出现严重模糊、振铃效应等。在此背景下越来越多研究人员...单幅图像超分辨率是近几十年来计算机视觉领域的一个重要研究课题,基于深度学习的超分辨率重建算法已经取得突破性进展,但当大多数算法应用到真实场景中的图像时效果会大大降低,出现严重模糊、振铃效应等。在此背景下越来越多研究人员致力于研究真实场景下的图像超分辨率算法(real-world single image super-resolution,RSISR)。聚焦于真实场景下图像超分辨率重建算法,介绍了常用公共图像数据集和图像评估指标,从基于外部数据集SR方法和基于内部数据集SR方法两大方向分析对比了各种方法的特点、性能和不足。讨论了RSISR存在的困难和挑战,并对未来的发展趋势进行了思考与展望。展开更多
为提高新能源汽车领域术语抽取准确率,面向新能源汽车专利文本提出一种领域术语抽取模型。传统的领域术语抽取方法过度依赖人工定义特征和领域知识,无法自动挖掘隐含特征,其识别性能过度依赖所选特征的质量。从深度学习的角度出发,提出...为提高新能源汽车领域术语抽取准确率,面向新能源汽车专利文本提出一种领域术语抽取模型。传统的领域术语抽取方法过度依赖人工定义特征和领域知识,无法自动挖掘隐含特征,其识别性能过度依赖所选特征的质量。从深度学习的角度出发,提出了一种基于attention的双向长短时记忆网络(bidirectional long short-term memory,BLSTM)与条件随机场(conditional random fields,CRF)相结合的领域术语抽取模型(BLSTM_attention_CRF模型),并使用基于词典与规则相结合的方法对结果进行校正,准确率可达到86%以上,方法切实可行。展开更多
文摘单幅图像超分辨率是近几十年来计算机视觉领域的一个重要研究课题,基于深度学习的超分辨率重建算法已经取得突破性进展,但当大多数算法应用到真实场景中的图像时效果会大大降低,出现严重模糊、振铃效应等。在此背景下越来越多研究人员致力于研究真实场景下的图像超分辨率算法(real-world single image super-resolution,RSISR)。聚焦于真实场景下图像超分辨率重建算法,介绍了常用公共图像数据集和图像评估指标,从基于外部数据集SR方法和基于内部数据集SR方法两大方向分析对比了各种方法的特点、性能和不足。讨论了RSISR存在的困难和挑战,并对未来的发展趋势进行了思考与展望。
文摘为提高新能源汽车领域术语抽取准确率,面向新能源汽车专利文本提出一种领域术语抽取模型。传统的领域术语抽取方法过度依赖人工定义特征和领域知识,无法自动挖掘隐含特征,其识别性能过度依赖所选特征的质量。从深度学习的角度出发,提出了一种基于attention的双向长短时记忆网络(bidirectional long short-term memory,BLSTM)与条件随机场(conditional random fields,CRF)相结合的领域术语抽取模型(BLSTM_attention_CRF模型),并使用基于词典与规则相结合的方法对结果进行校正,准确率可达到86%以上,方法切实可行。
