摘要：结构脑网络(Structural brain network,SC)和功能脑网络(Functional brain network,FC)能从不同角度反映癫痫对大脑结构信息的改变。目前,融合两类脑网络信息进行癫痫的辅助诊断已成为领域内的重要研究之一。然而,常见的融合模型仅在单一粒度上融合两类脑网络信息,忽略了脑网络的多粒度属性。本文提出一种基于多模态多粒度融合网络(Multi-modal multi-grained fusion network,MMFN)的癫痫识别方法,从全局和局部两个粒度对多模态脑网络特征进行融合,充分利用两类脑网络信息。局部粒度上,设计了连接边特征融合和节点特征融合,用以重构两类脑网络的连接边层和节点层的特征图,使两个模态交互式地学习特征;全局粒度上,设计了多模态分解双线性池化模块,学习两类脑网络的联合表示。实验结果表明,相比主流方法,所提方法可以显著提高对癫痫识别的准确率,辅助医生进行癫痫诊断。

摘要：空气质量数据作为一种典型的时空数据,具有复杂的多尺度内在特性并存在突变的问题。针对现有空气质量预测方法在处理包含大量突变数据的空气质量预测任务时表现不佳的问题,提出一种面向空气质量预测的多粒度突变拟合网络(MACFN)。首先,针对空气质量数据在时间上的周期性,对输入数据进行了多粒度的特征提取。然后,采用图卷积网络与时间卷积网络分别提取空气质量数据的空间关联性与时间依赖性。最后,设计一个突变拟合网络自适应地学习数据中的突变部分,从而减小预测误差。所提网络在3个真实的空气质量数据集上进行了实验评估,与多尺度时空网络(MSSTN)相比,均方根误差(RMSE)分别下降约11.6%、6.3%和2.2%。实验结果表明,MACFN能有效捕捉复杂的时空关系,并在变化幅度较大、易发生突变的空气质量预测任务中有更好表现。

摘要：针对红外光和可见光图像之间巨大差异导致的跨模态行人重识别正确匹配图像异常困难的问题,提出一种多粒度特征学习的跨模态行人重识别网络(CM-MGN)。有效结合全局特征和不同粒度的局部特征,学习更具判别性的行人特征。为有效减小模型的计算复杂度和解决传统三元组损失中异常样本选取的问题,提出基于角距离的异质中心三元组损失(HCAT)。在RegDB和SYSU-MM01数据集上的实验结果表明,该方法的Rank-1精度分别达到了92.33%和62.83%,较其它方法取得了更优性能。

摘要：为丰富卷积神经网络下细粒度图像特征的表征信息,进一步扩大类间差异缩小类内差异,提出一种基于多种粒度图像训练的特征融合方式,挖掘图像的细化特征。通过逐渐改变输入图像的粒度值,构造一个包含多种粒度信息的网络模型;提取多粒度多尺度图像特征,与原始特征进行融合,完成最终的分类预测。无需引入其它辅助网络,在没有显著增加模型参数的情况下,融合不同粒度特征。实验结果表明,其分类准确度高于只包含单一粒度图像的训练结果,验证了该方法能有效丰富特征信息。

摘要：针对现有基于关键点的点云简化算法存在光滑表面过度简化的问题,提出一种多粒度、层级化的特征融合的点云简化方案。为平衡尖锐几何曲面和光滑曲面的简化程度,同时减少特征损失,依据特征分布将简化方案拆分成粗细粒度两大模块。在粗粒度模块中,设计了一种自适应变体素网格边长的方法,以提高简化过程中算法灵活性,并结合主成分分析法获取点云特征值,避免非关键点的干扰;在细粒度模块中,通过融合改进灰狼优化算法与k均值聚类,构建点云计算聚类模型,实现了点云聚类和二次精细化处理。最后,在公开数据集上对所设计的方案进行验证与分析,实验结果表明所提出的方案在误差性能方面明显好于随机采样法和曲率简化法。

摘要：利用类别的层次信息解决一个特征子集难区分所有类别的问题,同时将特征间的统计相关性引进谱特征选择解决单个特征区分力问题,据此提出基于多粒度特征关联的分层分类谱特征选择算法.该算法首先对样本按类别层次结构自下而上聚合粒化,形成多粒度分层任务集;然后对子任务中的特征空间利用谱图理论设计异类样本间的相似矩阵并构建目标函数迭代地排序出特征关联重要度.最后,在5个数据集上通过该算法与4种基于传统的及3种新颖的分层特征选择算法相比,文中算法具有有效性,尤其是获取少量的特征.

摘要：长大铁路隧道工程采用多工点并行同向或反向掘进等复杂施工组织策略,导致数字孪生三维模型时空分布稀疏、时空重叠度大,已有的时空索引针对连续均匀时空分布特征,难以满足时间、里程、语义多维度高效检索需要,制约了数字孪生应用的实时虚实互馈效率。为此,提出一种适用于铁路隧道数字孪生模型的多维度高效时空索引方法,设计了时间、里程、语义多维度关联的铁路隧道三维瓦片数据结构,建立了全局最优解约束的有向包围空间纠偏机制,实现了铁路隧道线路-瓦片-构件多粒度时空索引。利用典型长大铁路隧道孪生模型数据验证了所提方法的有效性,结果表明,所提方法在时间、里程、语义多维度混合检索时间平均值为135.44 ms,与现有典型时空索引对比,提升了三维空间单一维度与时间-里程混合维度的检索效率,可有效支撑铁路隧道数字孪生三维模型高效时空检索及高性能可视化分析等应用。

摘要：邻域多粒度粗糙集模型是粗糙集理论的重要研究分支。然而在大数据环境下,数据时刻处于动态更新之中,针对数值型信息系统对象动态变化的情形,本文提出一种邻域多粒度粗糙集模型的增量式更新算法。文中首先利用矩阵的方法表示了邻域多粒度粗糙集中邻域类与目标近似集之间的两种近似关系,分别称之为子集近似关系矩阵和交集近似关系矩阵,并通过这两种近似关系矩阵重构了邻域多粒度粗糙集模型;然后针对数值型信息系统对象增加和对象减少的情形,研究了这两种近似关系矩阵随对象变化时的增量式更新,理论分析证明了这种更新方法的高效性;最后基于近似关系矩阵的增量式更新设计出了邻域多粒度粗糙集模型的增量式更新算法。实验结果验证了所提出增量式算法的有效性和优越性。

摘要：多粒度粗糙集模型是一种有效的信息融合策略。利用该策略能从多个角度将多源信息进行融合,并转化成一致的信息表示。现有的大多数多粒度信息融合方法对每个知识粒度都采用相同的阈值,然而,众所周知,不同的信息源的来源和噪声都不尽相同,其对应的知识粒度的阈值也应不同。为此,首先在广义多粒度粗糙集中引入单参数决策理论粗糙集,提出了广义自适应多粒度粗糙集模型。然后,利用经典的融合策略设计了4种广义多粒度模型,所有模型都可以通过一个参数补偿系数ζ来自适应地获得知识粒度对应的阈值对,并讨论了这些模型的相关性质。最后,通过实验结果证明,所提模型在实际应用中灵活性更高,决策更为合理。

摘要：信息搜索行为是用户搜索意图的表征,是搜索过程的具象化体现,其粒度包含微观的搜索动作、中观的搜索方法及宏观的搜索策略,从多粒度角度系统性探析信息搜索行为研究有助于深入理解用户搜索过程及行为机理。本文阐述了多粒度信息搜索行为内涵及相应的类型识别研究,并从理论支持、研究过程两方面对相关文献进行梳理;在此基础上对未来研究趋势进行展望。研究发现,相关文献中理论支持研究集中于搜索过程和行为机理视角,研究过程分实验主题、实验对象、实验任务和研究方法。不同粒度搜索行为的研究范式既有区别也有共性,区别在于搜索动作研究多基于搜索过程理论模型,偏好在真实情境下用传统的问卷、访谈及日志法采集数据并基于开放式编码归纳单个动作类型;搜索方法和策略研究则聚焦于动作集合或方法序列,进一步利用认知理论模型阐释行为产生及变化的内在机理;多在模拟情境下基于传统法引入有声思维法、录屏法丰富数据采集类型,且更多运用统计分析法和机器学习技术分析数据。共性在于实验主题中影响因素研究均表现为用户认知及情境两方面且多探讨单一因素影响;实验对象以高校人员为主;实验任务设计多为复杂度较高的工作和生活任务。未来应契合移动互联网时代特征拓宽研究环境,进一步探索跨屏、跨应用等环境下多粒度信息搜索行为机理研究。