针对在基于深度学习技术的特征提取网络中,深层次的卷积神经网络提取的特征缺乏低级语义信息的问题,该文提出了语义增强的多视立体视觉方法。首先,提出了一种ConvLSTM(Convolutional Long Short-Term Memory)语义聚合网络,通过使用ConvL...针对在基于深度学习技术的特征提取网络中,深层次的卷积神经网络提取的特征缺乏低级语义信息的问题,该文提出了语义增强的多视立体视觉方法。首先,提出了一种ConvLSTM(Convolutional Long Short-Term Memory)语义聚合网络,通过使用ConvLSTM网络结构,对多个卷积层提取的特征图进行预测,得到融合每层语义信息的特征图,有助于在空间上层层抽取图像的高级特征时,利用长短期记忆神经网络结构的记忆功能来增强高层特征图中的低级语义信息,提高了弱纹理区域的重建效果,提高了3D重建的鲁棒性和完整性;其次,提出了一种可见性网络,在灰度图的基础上,通过突出特征图上可见区域的特征,加深了可见区域在特征图中的影响,有助于提高三维重建效果;最后,提取图像的纹理信息,并进入ConvLSTM语义聚合网络提取深层次特征,提高了弱纹理区域的重建效果。与主流的多视立体视觉重建方法相比,重建效果较好。展开更多
下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值...下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值,也未有效提取和融合时空-类别信息的特征。为了解决上述问题,提出了一种融合人群移动轨迹和时空-类别的下一个兴趣点推荐模型(GGCN-STC)。依据用户的移动轨迹构建区域轨迹图,提出了门控图卷积神经网络对共同移动轨迹进行建模;将签到序列中的时空-类别信息进行多维度的特征融合;利用自注意力机制捕获用户偏好,为用户提供更准确的POI推荐。在两个真实数据集上进行实验比较与分析,结果表明该模型优于其他模型。展开更多
文摘针对在基于深度学习技术的特征提取网络中,深层次的卷积神经网络提取的特征缺乏低级语义信息的问题,该文提出了语义增强的多视立体视觉方法。首先,提出了一种ConvLSTM(Convolutional Long Short-Term Memory)语义聚合网络,通过使用ConvLSTM网络结构,对多个卷积层提取的特征图进行预测,得到融合每层语义信息的特征图,有助于在空间上层层抽取图像的高级特征时,利用长短期记忆神经网络结构的记忆功能来增强高层特征图中的低级语义信息,提高了弱纹理区域的重建效果,提高了3D重建的鲁棒性和完整性;其次,提出了一种可见性网络,在灰度图的基础上,通过突出特征图上可见区域的特征,加深了可见区域在特征图中的影响,有助于提高三维重建效果;最后,提取图像的纹理信息,并进入ConvLSTM语义聚合网络提取深层次特征,提高了弱纹理区域的重建效果。与主流的多视立体视觉重建方法相比,重建效果较好。
文摘下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值,也未有效提取和融合时空-类别信息的特征。为了解决上述问题,提出了一种融合人群移动轨迹和时空-类别的下一个兴趣点推荐模型(GGCN-STC)。依据用户的移动轨迹构建区域轨迹图,提出了门控图卷积神经网络对共同移动轨迹进行建模;将签到序列中的时空-类别信息进行多维度的特征融合;利用自注意力机制捕获用户偏好,为用户提供更准确的POI推荐。在两个真实数据集上进行实验比较与分析,结果表明该模型优于其他模型。
