摘要：为了提高语义分割精度,解决模型在不同数据域上泛化性差的问题,提出基于深度信息的无监督领域自适应语义分割方法.首先,深度感知自适应框架通过捕捉深度信息和语义信息的内在联系,减小不同域之间的差异;然后,设计了一个轻量级深度估计网络来提供深度信息,通过跨任务交互策略融合深度和语义信息,并在深度感知空间对齐源域和目标域的分布差距;最后,提出基于深度信息的域内自适应策略弥合目标域内部的分布差异,将目标域分为子源域和子目标域,并缩小子源域和子目标域分布差距.实验结果表明,所提方法在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任务上的平均交并比分别为46.7%和73.3%,与同类方法相比,该方法在语义分割和深度估计精度上均有显著提升.

摘要：针对三维传感器(如LiDAR、深度相机)获取的点云往往残缺不全,需要进行补全处理,而单模态方法存在的补全结果细节不丰富、结构不完整等问题,提出一种融合图像信息的跨模态Transformer点云补全算法.首先采用点云分支和图像分支分别提取点云特征和图像特征,其中,点云分支采用PoinTr为骨干网络,图像分支采用7层卷积;然后通过特征融合模块融合点云特征和图像特征,由粗到精地生成全分辨率的点云.在ShapeNet-ViPC数据集上进行实验的结果表明,所提算法的可视化结果优于单模态点云补全方法和目前仅有的跨模态点云补全方法ViPC,且在大部分测试类别上的CD-L_(2)量化指标优于ViPC;平均CD-L_(2)为2.74,比ViPC低17%.为了便于研究人员评估和使用,文中算法可通过https://***/Starak-x/ImPoinTr开源获取.

摘要：作为机器学习的一个新兴领域,多源部分域适应(MSPDA)问题由于其源域自身的复杂性、领域之间的差异性以及目标域自身的无监督性,给相关研究带来了挑战,以致目前鲜有相关工作被提出.在该场景下,多个源域中的无关类样本在域适应过程中会造成较大的累积误差和负迁移.此外,现有多源域适应方法大多未考虑不同源域对目标域任务的贡献度不同.因此,提出基于自适应权重的多源部分域适应方法(AW-MSPDA).首先,构建了多样性特征提取器以有效利用源域的先验知识;同时,设计了多层次分布对齐策略从不同层面消除了分布差异,促进了正迁移;此外,为量化不同源域贡献度以及过滤源域无关类样本,利用相似性度量以及伪标签加权方式构建自适应权重;最后,通过大量实验验证了所提出AW-MSPDA算法的泛化性以及优越性.

摘要：由于目标视频中存在目标小、距离远等影响检测效果的因素,对小目标的捕捉难度较大,提出一种面向小目标的多空间层次安全帽佩戴检测算法,该算法将在Yolov5s的网络模型基础上进行个性化改进。设计一种多空间注意力模块,从不同角度考虑空间特征的效果并加以融合,加强显著性特征的空间位置关系;融合多空间尺度的特征,同时结合特征提取过程中的多种特征,适应对不同空间层次目标的捕捉,提高对小目标的检测能力;利用数据增强提高数据集的泛用性,使训练目标适应更多样的情景;优化损失函数,增强回归能力,提高训练效果。实验结果表明,所提算法的平均准确率达到91.5%,明显地减少了漏检情况。除此之外,将其部署到实际施工现场,展现了出对小目标优越的检测性能,具有极大的应用价值。

摘要：在群组推荐中庞大且稀疏的数据往往容易忽视用户群组及项目之间的复杂依赖关系,因此融合不同用户偏好行为嵌入,使用户对群组依赖关系的表现更直观,同时为了在对比中增强视图效果,以获得更准确的推荐结果的目的,提出了一个面向超图的可解释性对比元路径群组推荐框架。通过聚合用户项目群组之间的依赖关系,构建元路径表现实体之间的不同类型交互,以促进实体的相似性,更准确地从数据中获取用户的组内、组外交互;通过将可解释性模型与对比学习相结合的技术,以提高模型的可解释性和性能;通过解释引导增强操作在模型框架上生成的正负视图上结合自监督对比学习,来解决上述问题。在真实数据集上进行实验,验证了所提出方法的有效性。

摘要：针对大多数学业预警方法忽略了学生社交行为对于学业的影响,且存在数据不平衡问题和长尾分布问题,提出一种基于虚拟节点策略的自监督对比学业预警模型(SCEW)。通过图神经网络对学生成绩、学生社交行为进行融合得到联合图嵌入;利用虚拟节点策略缓解数据不平衡问题的影响;基于自更新策略,采用节点级对比学习将自监督学习集成到网络的训练中,缓解长尾分布问题的影响。在真实数据集上的实验结果表明,SCEW模型的性能优于现有的主流方法。

摘要：为了在数据密集型工作流下有效降低缓存碎片整理开销并提高缓存命中率,提出一种持久性分布式文件系统客户端缓存DFS-Cache(Distributed File System Cache)。DFS-Cache基于非易失性内存(NVM)设计实现,能够保证数据的持久性和崩溃一致性,并大幅减少冷启动时间。DFS-Cache包括基于虚拟内存重映射的缓存碎片整理机制和基于生存时间(TTL)的缓存空间管理策略。前者基于NVM可被内存控制器直接寻址的特性,动态修改虚拟地址和物理地址之间的映射关系,实现零拷贝的内存碎片整理;后者是一种冷热分离的分组管理策略,借助重映射的缓存碎片整理机制,提升缓存空间的管理效率。实验采用真实的Intel傲腾持久性内存设备,对比商用的分布式文件系统MooseFS和GlusterFS,采用Fio和Filebench等标准测试程序,DFS-Cache最高能提升5.73倍和1.89倍的系统吞吐量。

摘要：为了保障数值程序的准确与高效,浮点程序自动优化成为了近年来学术界关注的一项新兴技术.该技术的核心思想是将经典的数值分析理论总结成程序转换规则,并利用规则将浮点程序以计算过程更为稳定的算法进行自动重写,从而使数值程序稳定高效且易于维护.然而,现有浮点程序自动优化方法的优化效率是其主要瓶颈.随着越来越多的数值程序转换规则被发现与总结,自动优化框架的规则库会越来越大,传统优化方法在规则库中遍历所有优化规则的过程也变得越来越困难.本文提出了一种经验库制导的浮点程序优化加速策略,该策略基于浮点误差成因的相似性原理,将已成功优化浮点程序对应的符号与结构特征抽取出来,并以散列的方式将优化该程序涉及到的规则序列保存在一个优化经验库中.当新的浮点数值程序需要进行自动优化时,本文算法首先计算其符号结构特征与经验库中各记录的相似度.符号结构相似度较高的记录所对应的规则序列会被优先用于浮点程序重写,从而得到优化程序.随着优化程序的增多,经验库的规模会逐渐增大,经验库的散列化分区存储设计保证了其检索与匹配效率.在浮点程序优化基准用例集FPBench和开源物理引擎OpenRelativity上的实验表明,在优化后浮点程序精度与传统方法类似的前提下,本文的加速策略能使平均优化速度相对于传统浮点程序优化方法提升6.04倍,显著提高了浮点数值程序自动优化技术的可用性.

摘要：领域驱动设计作为一种应对领域复杂性的软件开发方法,近年来得到了广泛应用.作为其中的关键步骤,领域建模仍然面临着领域模型与程序设计之间松散的逻辑关系带来的种种问题.为了应对此问题,基于模型驱动的逆向工程,提出了一种面向领域驱动设计的代码到模型的转换方法,以更好地支持领域建模,并实现了自动化工具原型.该方法能够实时抽象出程序设计对应的领域模型,一方面有助于通过对比程序设计与领域模型的分歧来避免设计偏离模型,另一方面减少了知识消化过程中对代码实现细节的依赖,从而促进了程序设计对建模过程的反馈.案例研究部分将该方法应用于实际软件项目,结果充分表明了其有效性.

摘要：随着互联网人工智能技术的飞速发展,学习用户特征并精准投放广告能够显著提升广告的点击率(Click-Through-Rate,CTR)与转化率(Conversion Rate,CVR).人群智能定向是解决广告投放问题中极其重要的一环,其业界主流方法是使用转化用户和非转化用户训练基于用户特征的判断其是否会成为转化用户的分类模型.这个分类器的优劣依赖广告的实际转化人群规模,规模越大,越能准确判断.但在实际应用中通常面临某些广告转化人群不足的问题,本文利用在学术与工业场景占据重要研究地位的基于内容的检索技术来扩充相似广告集合,从而扩充对应转化人群.现有的单模态检索方案只关注于单个模态的特征(文本/图像),忽视了不同模态间的内在共有联系,使得挖掘出的广告特征不全且包含大量噪声,最终导致相似广告的检索结果质量不高,从而导致相似转化人群的扩充质量低下.而近年来兴起的跨模态检索方案主要关注以文搜图或以图搜文,并且没有考虑到通用目标检测器并不适用于特定领域图像数据这一事实.为解决这些问题,本文提出一种以广告分类为基本训练目标的多模态商品广告特征融合建模方法,以提升相似广告检索的效果.具体来说,本文使用Transformer模型提取文本语义特征,使用目标检测YOLO模型挖掘图像中细粒度的视觉特征,并结合文本注意力机制识别图像中与商品相关的目标,以降低无关目标给广告特征带来的噪声影响.同时,本文提出了一种多模态融合注意力机制,以高效融合广告文本和图像特征.该模型命名为ToTYEmb(Text oriented Transformer-Yolo fusion Embedding).另外,本文还提出了一种算法框架,将相似广告扩充、转化人群扩充加入到现有的人群智能定向工作流中.实验结果表明,较多个基线模型,本文方案有效提升了相似商品广告的检索质量,避免了很多由单模态信息带来的错误.同时离线人群定向更新实验表明本文提出的利用相似广告扩充转化人群确实能在很大程度上优化现有的人群智能定向算法.