面对多模态虚假新闻的检测挑战,文章提出一种融合知识图谱与基于Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers,BERT)的多模态虚假新闻检测模型。该模型先利用知识图谱深化对实体间关系的理解...面对多模态虚假新闻的检测挑战,文章提出一种融合知识图谱与基于Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers,BERT)的多模态虚假新闻检测模型。该模型先利用知识图谱深化对实体间关系的理解,然后借助BERT模型对文本内容进行深入分析,从而实现文本、图像及知识数据高效整合。多数据集实验结果显示,该模型在多模态新闻检测,特别是含图像与视频内容的新闻检测上,展现了显著的优势。这为虚假新闻的准确检测开辟了新途径。展开更多
为保障铁路运营安全,防范行人、家畜、野生动物等侵入铁路线路,提出基于深度学习的铁路异物侵入界限(简称:侵限)检测模型。针对铁路异物侵限的图像数据(简称:数据)集缺乏且难以采集的现实情况,通过多种途径自建铁路场景专用的异物侵限...为保障铁路运营安全,防范行人、家畜、野生动物等侵入铁路线路,提出基于深度学习的铁路异物侵入界限(简称:侵限)检测模型。针对铁路异物侵限的图像数据(简称:数据)集缺乏且难以采集的现实情况,通过多种途径自建铁路场景专用的异物侵限数据集,并引入多种数据增强技术,对数据集进行扩增,既增强了样本的多样性、又能有效避免训练阶段过拟合现象的发生;针对铁路场景的特殊性,对YOLO(You Only Look Once)v5深度学习模型结构进行一些适应性改进,将其作为铁路异物侵限检测模型,在自制数据集样本上进行训练和测试。测试结果表明,该模型的检测准确率达到88%以上,能够用于铁路现场对异物侵限的检测。展开更多
文摘面对多模态虚假新闻的检测挑战,文章提出一种融合知识图谱与基于Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers,BERT)的多模态虚假新闻检测模型。该模型先利用知识图谱深化对实体间关系的理解,然后借助BERT模型对文本内容进行深入分析,从而实现文本、图像及知识数据高效整合。多数据集实验结果显示,该模型在多模态新闻检测,特别是含图像与视频内容的新闻检测上,展现了显著的优势。这为虚假新闻的准确检测开辟了新途径。
文摘为保障铁路运营安全,防范行人、家畜、野生动物等侵入铁路线路,提出基于深度学习的铁路异物侵入界限(简称:侵限)检测模型。针对铁路异物侵限的图像数据(简称:数据)集缺乏且难以采集的现实情况,通过多种途径自建铁路场景专用的异物侵限数据集,并引入多种数据增强技术,对数据集进行扩增,既增强了样本的多样性、又能有效避免训练阶段过拟合现象的发生;针对铁路场景的特殊性,对YOLO(You Only Look Once)v5深度学习模型结构进行一些适应性改进,将其作为铁路异物侵限检测模型,在自制数据集样本上进行训练和测试。测试结果表明,该模型的检测准确率达到88%以上,能够用于铁路现场对异物侵限的检测。
基金Supported by the National Natural Science Foundation of China under Grant No.90104031 (国家自然科学基金) the National High-Tech Research and Development Plan of China under Grant No.2001AA112060 (国家高技术研究发展计划)
