期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于BERT的多特征融合中文命名实体识别
1
作者 孙璐冰 康怡琳 +1 位作者 王俊 朱容波 《中南民族大学学报（自然科学版）》 CAS 2025年第1期68-74,共7页
针对中文命名实体识别往往需要引入外部知识获取深层语义信息,以及基于RNN结构的模型对空间特征提取效果不佳等问题,提出了基于BERT的多特征融合中文命名实体识别模型.通过BERT模型获取输入文本序列的深层次语义信息,利用MHSA模块和IDCN... 针对中文命名实体识别往往需要引入外部知识获取深层语义信息,以及基于RNN结构的模型对空间特征提取效果不佳等问题,提出了基于BERT的多特征融合中文命名实体识别模型.通过BERT模型获取输入文本序列的深层次语义信息,利用MHSA模块和IDCNN模块增强特征提取能力.前者利用相对位置编码和多头自注意力机制来捕获输入序列的隐藏特征,使模型能够考虑到字符间的距离方向信息;后者则可以对空间特征建模,获得输入序列的全局信息.通过将两个模块的输出特征进行连接,增强模型性能.实验结果表明:模型在MSRA、Resume和Weibo三个公共数据集上的F1值分别达到了95.12%、95.45%和66.14%,优于其它最新模型,验证了模型在中文命名实体识别上的有效性. 展开更多
关键词 自然语言处理 中文命名实体识别 BERT模型 迭代膨胀卷积神经网络 自注意力
下载PDF
基于改进STAM的语音端点检测算法
2
作者 吴荣波 周斌 胡波 《中南民族大学学报(自然科学版)》 2025年第3期384-392,共9页
在低信噪比的背景下,由于背景噪声干扰信号特征,存在语言端点检测误判和漏判的风险.现有的解决方法存在易受干扰、精度有限、鲁棒性差等问题.针对上述问题,对STAM进行优化,提出了一种改进的语音端点检测算法Inception-ResNet STAM(IR-ST... 在低信噪比的背景下,由于背景噪声干扰信号特征,存在语言端点检测误判和漏判的风险.现有的解决方法存在易受干扰、精度有限、鲁棒性差等问题.针对上述问题,对STAM进行优化,提出了一种改进的语音端点检测算法Inception-ResNet STAM(IR-STAM).该算法通过改用音频指纹(AFP)特征来取代传统的Log-Mel特征,实现了对音频信号更深层次的特征提取;对频率注意力模块的卷积方式进行改进,采用深度可分离卷积,有效降低了模型的参数量;加入Inception-ResNet模块,进一步增强了模型对不同尺度特征的捕捉和分析能力.实验结果表明:在TIMIT测试集上,IR-STAM相较于STAM,模型的参数量降低150 k,并且在不同信噪比环境下F1分数均提高了0.5以上. 展开更多
关键词 低信噪比 Inception-ResNet模块 音频指纹特征 语音端点检测
下载PDF
基于改进Yolo v8s-seg的船舶旋转角度检测方法
3
作者 丁秀清 周斌 胡波 《中南民族大学学报（自然科学版）》 CAS 2024年第2期209-216,共8页
水上收费站的智能控制船闸开关系统为了能够自动识别船闸内外船舶的动向,需要精准检测航道内船舶的旋转角度.传统的目标检测算法存在着精度有限、实时性差等问题.针对以上问题,在Yolo v8s-seg模型的基础上通过添加CA注意力机制,提出了... 水上收费站的智能控制船闸开关系统为了能够自动识别船闸内外船舶的动向,需要精准检测航道内船舶的旋转角度.传统的目标检测算法存在着精度有限、实时性差等问题.针对以上问题,在Yolo v8s-seg模型的基础上通过添加CA注意力机制,提出了检测船舶旋转角度的模型Yolo v8s-seg-boat.模型采用实例分割算法提取船舶的轮廓点,并据此判断船舶重心,最终计算出船舶的旋转角度.实验结果表明:该模型在水上收费站拍摄的船舶数据集上分割评价指标mAP相比于Yolo v8s-seg提升了1.8%,分割精确率达到了97.6%,获取的船舶旋转角度与实际角度误差小于Yolo v8s-seg模型. 展开更多
关键词 实例分割 旋转角度 注意力机制 重心
下载PDF
一种基于注意力与反注意力机制的视频超分辨率重建模型研究
4
作者 谢思宇 周斌 胡波 《中南民族大学学报（自然科学版）》 CAS 2024年第4期504-512,共9页
针对视频超分辨重建过程中出现的噪声放大、特征丢失等问题,在BasicVSR++模型的基础上提出了一种基于注意力与反注意力机制的传播模型来对视频进行超分辨率重建处理.模型将原有特征分解为传播特征与冗余特征.传播特征在传播网络中传递信... 针对视频超分辨重建过程中出现的噪声放大、特征丢失等问题,在BasicVSR++模型的基础上提出了一种基于注意力与反注意力机制的传播模型来对视频进行超分辨率重建处理.模型将原有特征分解为传播特征与冗余特征.传播特征在传播网络中传递信息,而冗余特征则在残差网络进行深度提取,最后PixelShuffle网络将得到的两部分特征进行融合和重建,得到了更好的超分辨率重建结果.在公开的REDS数据集中,评估指标PNSR(峰值信噪比)达到32.48dB,视频超分辨重建性能得到提升. 展开更多
关键词 视频超分辨重建 注意力与反注意力机制 传播网络
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部