摘要：随着基层智慧型融媒体系统在各地的应用越来越广泛,为实现系统长期传播能力的预测,设计基于神经网络的基层智慧型融媒体系统传播能力预测方法。基于改进数据集结构设计高效用数据挖掘算法,实施基层智慧型融媒体系统结构、时间、文本、用户信息的挖掘。对于挖掘信息,设计异常事件检测模型对其实施数据异常事件检测,使用差分综合移动平均自回归模型实施单点噪声的修复。构建一种基于上下文依赖的动态图注意网络作为基层智慧型融媒体系统传播能力预测模型,由建模传播动态图模块、时—空依赖学习模块与预测模块构成,其输入为处理后的信息,输出信息为基层智慧型融媒体系统传播规模预测增量。实验结果表明,该方法预测用户列表精度整体较高,最高达到98.95%,预测用户列表召回率整体较高,最高达到97.24%。

摘要：尽管由于丢弃维度将3维(3D)形状投影到2维(2D)视图看似是不可逆的,但是从可视化到计算机辅助几何设计,各个垂直行业对3维重建技术的兴趣正迅速增长。传统基于物体深度图或者RGB图的3维重建算法虽然可以在一些方面达到令人满意的效果,但是它们仍然面临若干问题:(1)粗鲁的学习2D视图与3D形状之间的映射;(2)无法解决物体不同视角下外观差异所带来的的影响;(3)要求物体多个观察视角下的图像。该文提出一个端到端的视图感知3维(VA3D)重建网络解决了上述问题。具体而言,VA3D包含多邻近视图合成子网络和3D重建子网络。多邻近视图合成子网络基于物体源视图生成多个邻近视角图像,且引入自适应融合模块解决了视角转换过程中出现的模糊或扭曲等问题。3D重建子网络使用循环神经网络从合成的多视图序列中恢复物体3D形状。通过在ShapeNet数据集上大量定性和定量的实验表明,VA3D有效提升了基于单视图的3维重建结果。