摘要：养殖环境中饲料投放、水流变化等刺激源导致鱼类声音分辨难,使行为识别准确率不高,为解决上述问题,提出基于Mel声谱图(Mel spectrogram)与改进SEResNet的鱼类行为识别模型TAP-SEResNet。首先针对鱼类行为声音频率波动大、特征差异小,造成特征提取难的问题,采用高分辨率、特征表示较好的Mel声谱图以捕捉鱼类声音的频谱特征。其次针对鱼类声音特征关键信息易丢失的难题,提出在SEResNet模型中融合时序聚合池化层(Temporal Aggregated Pooling,TAP),提取池化区域的最大值和平均值,保留鱼类行为更多细粒度声音特征,提高识别准确率。为验证所提模型的有效性,分别设计了消融试验和模型性能对比试验,试验结果显示:TAP-SEResNet相比SEResNet在不降低检测速度的条件下准确率提升了3.23%;相比PANNS-CNN14、ECAPA-TDNN及MFCC+ResNet等先进声音识别模型,TAP-SEResNet在准确率上分别提升了5.32%、2.80%和1.64%。所提模型有助于养殖过程中对鱼类行为实现精准监测,对精准养殖具有重要的推动作用。

摘要：针对复杂语境中存在多义词或上下文联系不强的实体,导致模型难以正确识别其关系的问题,提出一种基于BERT和联合解码的实体关系抽取模型。该模型首先采用BERT对实体进行语义编码,提取出实体的上下文信息;然后,利用自注意力机制标记出头实体,并对尾实体进行预测;最后,设计联合解码机制,结合实体语义信息和关系抽取任务进行联合解码。实验结果表明,与基准模型相比,所提模型在纽约时报(NYT)数据集和WebNLG数据集上的准确率和F1值均有所提高,能够有效地提高实体关系提取的准确性。