摘要：近年来,深度学习在诸多任务上展现了优异的性能,其一般基于海量数据并采用有监督的学习方式,依赖于完整的数据标签信息.然而在现实应用场景中,收集大量标签往往成本高昂.因此,如何利用未经充分标注的数据进行学习成为了当下的主要挑战.二分类问题中的从正例和无标签(Positive-Unlabeled,PU)样本数据进行学习,简称PU学习,即为其一.当前主流的PU学习算法需要准确无误的类别先验知识,但实际上类别先验通常难以获得,需要估计.已有的类别先验估计算法则主要面向传统的机器学习分类器进行设计,无法直接运用在大规模数据集上,因而不利于发挥深度学习在大规模数据集上的优势.为克服以上问题,本文提出了一个基于无监督混合模型的迭代式深度PU学习与类别先验估计框架.它利用了深度神经网络对正例和负例给出的预测分数具有不同的分布这一特性,使用双高斯成分的混合模型近似拟合预测分数的混合分布.其中,各个高斯分量分别代表了正类和负类的条件概率分布,混合权重系数代表了类别先验.结合半监督学习中的平均教师和温度锐化技术,所提框架在类别先验未知以及数据缺失负例监督的条件下,估计类别先验的同时进行PU数据上的深度学习,二者相互促进.在基准数据集MNIST、Fashion-MNIST、CIFAR-10和实际应用数据集Alzheimer上的实验结果验证了所提框架的有效性,准确率分别为94.66%、95.16%、89.98%和73.20%,该结果不仅超越了现有基于类别先验估计的PU学习算法,更可与基于真实类别先验的最前沿算法相媲美.

摘要：目的 行为识别在人体交互、行为分析和监控等实际场景中具有广泛的应用。大部分基于骨架的行为识别方法利用空间和时间两个维度的信息才能获得好的效果。GCN(graph convolutional network)能够将空间和时间信息有效地结合起来,然而基于GCN的方法具有较高的计算复杂度,结合注意力模块和多流融合策略使整个训练过程具有更低的效率。目前大多数研究都专注于算法的性能,如何在保证精度的基础上减少算法的计算量是行为识别需要解决的关键性问题。对此,本文在轻量级Shift-GCN(shift graph convolutional network)的基础上,提出了整数倍稀疏网络IntSparse-GCN(integer sparse graph convolutional network)。方法 首先提出奇数列向上移动,偶数列向下移动,并将移出部分用0替代新的稀疏移位操作,并在此基础上,提出将网络每层的输入输出设置成关节点的整数倍,即整数倍稀疏网络IntSparse-GCN。然后对Shift-GCN中的mask掩膜函数进行研究分析,通过自动化遍历方式得到精度最高的优化参数。结果 消融实验表明,每次算法改进都能提高算法整体性能。在NTU RGB+D数据集的子集X-sub和X-view上,4流IntSparse-GCN+M-Sparse的Top-1精度分别为90.72%和96.57%。在Northwestern-UCLA数据集上,4流IntSparse-GCN+M-Sparse的Top-1精度达到96.77%,较原模型提高2.17%。相比代表性的其他算法,在不同数据集及4个流上的准确率均有提升,尤其在Northwestern-UCLA数据集上提升非常明显。结论 本文针对shift稀疏特征提出整数倍IntSparse-GCN网络,对Shift-GCN中的mask掩膜函数进行研究分析,并设计自动化遍历方式得到精度最高的优化参数,不但提高了精度,也为进一步的剪枝及量化提供了依据。

摘要：高考是综合评估人类知识和能力水平的标准化考试,与传统的自动问答任务相比其挑战性更高。该文面向我国高考试题历史部分,基于深度神经网络技术,构建了历史科目试题自动答题系统。在答题系统中融合知识的一个主要挑战是知识的上下文相关性:对于一个问题,在知识库存储的大量知识中,只有少数知识与回答该问题相关。针对这一挑战,该文设计了一种结合知识检索与机器阅读理解的知识融合自动答题系统。该系统利用知识检索的相关排序能力和机器阅读理解模型的知识定位能力,有效地发现问题相关的知识,从而增强自动答题的效果。实验结果显示,该系统可有效地作答高考历史科目试题。

摘要：为有效清除太空垃圾,模拟空间中对废弃卫星的回收过程,采用半物理实验技术对绳系收放装置进行地面试验考核,验证绳系收放控制系统的性能。半物理仿真是一种通过实物或物理模型与数学模型相结合进行仿真的技术,通过地面半物理仿真实验对空间任务进行先验,大大减少了空间实验的成本,可有效指导空间任务的设计与控制。首先,对绳系卫星拖拽过程进行动力学建模,明确了拖拽过程的任务目标,确立了绳系拖拽半物理系统的机械组成。其次,设计了全物理仿真单元为被动加载单元,卫星质量采用等效惯量转台模拟。然后,为模拟目标在绳系拖拽作用下的动力学状态,仿真加载单元由半物理仿真方式设计。最后,针对实际试验过程中存在的张力测量误差扰动,设计了基于模型预测控制的控制策略,为了对拖拽过程的张力和绳长精确控制,实验使用双闭环电机联合控制,通过模型预测控制的方式联合张力位置双电机仿真。结果表明,基于模型预测控制的张力误差精度为5%,从而验证了绳系收放控制系统对拖拽过程的控制有效性。

摘要：为解决当前比特稀疏架构的性能瓶颈,提出高能效比特稀疏加速器设计.首先提出一种激活值编码方法和相应的电路来提高卷积神经网络的比特稀疏度,结合比特串行电路实时跳过激活值的零值比特来加速神经网络的计算;然后提出一种列共享同步机制,以解决比特稀疏架构的同步问题,并在较小的面积和功耗开销下大幅提高比特稀疏架构的计算性能.在SMIC 40 nm工艺和1 GHz频率下,评估不同的比特稀疏架构在卷积神经网络上的能效.实验结果表明,与非稀疏加速器VAA和比特稀疏加速器LS-PRA相比,所提出的加速器AS-PRA分别提高了544%和179%的能效.

摘要：为减轻用户-商品交互数据稀疏和冷启动问题对协同过滤算法推荐效果的影响,许多研究者将知识图谱引入推荐系统.然而既往工作对协同知识图谱中关系的建模较为单一,表达能力较弱,不利于建模实体间的复杂关系以及学习用户和商品的嵌入.为克服这一问题,本文提出基于对偶四元数的协同知识图谱推荐模型(DQKGR),利用富有表达力的对偶四元数嵌入表示用户和商品,以有效建模实体和关系之间复杂的潜在依赖.在商品和用户的嵌入学习部分,本文设计了一个新的知识图谱嵌入模型(DQKGE),可基于莫比乌斯变换捕捉协同知识图谱中实体间多种复杂关系,并基于此设计偏好传播与聚合方法以利用知识图谱中的结构信息进行推荐.为验证所提DQKGR模型的有效性,在公开的Last-FM、MovieLens-20M和Book-Crossing数据集上进行大量实验,结果表明所提DQKGR模型推荐结果在多个评测指标上优于现有方法,可在平均意义上产生2.83%以上的性能提升.

摘要：针对当前使用图像特征的空间非合作目标立方星位姿估计算法存在鲁棒性差的问题,提出一种利用立方星顶点进行位姿估计的设计方案.基于双目视觉获取的灰度图像,采用HED(holistically-nested edge detection)网络结合二值化形态学处理方法以提高边缘提取的鲁棒性.检测出边缘图像中的多边形特征后,滤除重复和干扰的多边形,设计共边双框关键顶点判别算法判别立方星的关键顶点,实现了对立方星结构参数和位姿的估计.采用立方星模型进行实验验证,整体方法相比ICP(iterative closest point)精配准方法在30~70 cm探测距离内实现了最大4.4°、1.2 cm的偏差;边缘提取方法对目标结构参数判别准确率提升10%~40%,为非合作目标立方星的结构参数和位姿估计提供新技术路线.

摘要：天基高价值目标连续跟踪在态势预警、军事决策等方面有着广泛应用。目前基于遥感视频卫星的跟踪都是单星目标跟踪,由于低轨卫星过顶时间有限,因此难以进行连续跟踪。为了实现跨星接力跟踪,接力卫星在经过非连续时间的目标环境和观察视角变化后需要唯一地匹配出高价值目标,为此,采用卷积神经网络VGG19作为主干网络,提出一种基于深度特征的质量感知旋转舰船模板匹配算法。设计双级特征融合模块,通过融合不同深度的特征信息解决因舰船目标尺寸差异较大导致的匹配不准确问题;针对因环境变化导致的定位不准确问题,引入质量感知模板匹配模块;使用细粒度舰船角度定位模块,利用贝叶斯公式确定舰船方向信息,为跨星连续跟踪提供准确的模板。实验结果表明,该算法提高了舰船目标匹配准确率,相对于QATM、DDIS、SIFT方法,AUC分别提升了9.5、16.0和17.5个百分点,AP75分别提升了21.1、30.5和6.9个百分点,所提算法可以有效提高舰船模板匹配的精度,能够为实现卫星星座跨星连续跟踪提供技术支持。

摘要：近年来,图卷积网络(Graph Convolutional Network,GCN)凭借其简单的网络结构、在图上任务中展现出的优异性能,受到了学术界和工业界的广泛关注.然而GCN也存在着在浅层时信息传播范围过小、特征提取不充分的缺陷.针对这一问题,本研究提出附加特征图模型(Additional Feature Graph,AFG).AFG通过引入图的节点结构特征(度特征),对度相同的节点随机增加连边、缩短信息传播距离.AFG并不是独立的图神经网络模型,而是作为一种附加技术与GCN及其相关模型配合使用.实验显示,在Cora、Citeseer、Pubmed数据集上AFG能够对浅层主干模型实现显著性能增益,帮助主干模型性能超越了其他以提升模型特征提取能力、改善欠传播情况为目的进行设计的模型.本研究进一步分析了AFG与DropEdge——一种随机切断原始图连边的附加技术——的区别与联系,并通过实验证明附加特征图模型与DropEdge模型共同使用的可行性,以及两者间存在一定的互补性.结合使用两种附加技术可以实现更大的节点分类准确度增益.

摘要：随着自动驾驶汽车、机器人、无人机、虚拟现实和增强现实等应用的飞速发展,其核心技术同步定位和建图(SLAM)成为目前热门研究方向之一。ORB-SLAM系统作为典型的基于特征点法的SLAM系统,具有更好的鲁棒性和更高的计算效率,无论在系统优化层面还是底层硬件架构设计层面一直被广泛关注。然而目前学术界和工业界缺乏面向ORB-SLAM系统底层硬件架构设计的系统特征分析研究。本文从跟踪线程、地图构建线程和回环检测线程出发详细介绍ORB-SLAM系统,选取了ORB-SLAM2系统进行了性能分析实验,得到了ORB特征提取和块求解器2个热点函数,并分析了2个热点函数的执行特征。在Intel i5-6500和ARM Neoverse-N1处理器平台实验对比评估了2个热点函数的IPC、分支预测失效率、一级数据缓存读失效率、最后一级缓存失效率和最后一级缓存MPKI等特征,并总结了对体系结构设计的需求,为面向ORB-SLAM系统的底层硬件架构设计提供了指导性建议。