摘要：针对现有高效超分辨率重建算法大多集中于减少参数量,缺乏对层次特征的关注,存在图像高维特征不能得到充分利用的问题,提出一种高效全局注意网络。该网络的主要思想是设计交叉自适应特征块对图像进行不同层次的深度特征提取,以改善图像高频细节信息缺失的问题。另外,构造了近邻像素重构块,将空间关联性和像素分析相结合,进一步促进边缘细节信息的重建。此外,还提出一种多阶段动态余弦热重启训练策略,通过动态调整学习率以避免模型过拟合,提高训练过程的稳定性并优化网络性能。大量实验结果表明,所提方法在Set5等5个基准数据集上相比于其他先进网络,峰值信噪比(PSNR)和结构相似性(SSIM)性能指标平均提高了0.51 dB和0.0078,参数量和浮点运算量(FLOPs)平均降低了332×10^(3)和70×10^(9)。综上,所提方法在拥有较低复杂度的同时,获得了更好的性能指标和视觉效果,实现了网络高效化。

摘要：累计局部离群因子(cumulative local outlier factor,C_LOF)算法能有效解决数据流中的概念漂移问题和克服离群点检测中的伪装问题,但在处理高维数据时,时间复杂度较高。为有效解决时间复杂度高的问题,提出一种基于投影索引近邻的累计局部离群因子(cumulative local outlier factor based projection indexed nearest neighbor,PINN_C_LOF)算法。使用滑动窗口维护活跃数据点,在新数据到达和旧数据过期时,引入投影索引近邻(projection indexed nearest neighbor,PINN)方法,增量更新窗口中受影响数据点的近邻。实验结果表明,PINN_C_LOF算法在检测高维流数据离群值时,在保持检测精确度的前提下,其时间复杂度较C_LOF算法明显降低。

摘要：文本分类是自然语言处理的基础任务之一。标注数据不足一直是限制藏文及其他少数民族语言自然语言处理技术发展的重要原因,传统的深度学习模型对标注数据的规模有较高的要求。为解决这个问题,该文在大规模预训练语言模型的基础上,利用提示学习实现低资源藏文文本分类,即使用不同的藏文预训练语言模型和提示模板开展藏文文本分类实验。实验结果表明,通过设计合理的提示模板等方式,提示学习能够在训练数据不足的情况下提升藏文文本分类的效果(48.3%),初步验证了提示学习在民族语言处理中的价值和潜力。但是,实验结果也反映出提示学习模型在处理部分类别时性能较差,且藏文预训练语言模型也有进一步提升空间。

摘要：近来的图像修复工作大多聚焦于如何提升修复质量,但并没有考虑在计算资源不足的平台如何运行.本文提出了一种结合组卷积与注意力机制的模块(LABGC)用于替换传统卷积,在此模块中利用深度可分离卷积实现了多层次图像修复工作,同时针对传统卷积处理过程中通道间信息流动性的问题提出了轮循通道注意力分配机制(C2AM),并将其应用于构建一个轻量级的图像修复网络(LRGAN).在整体网络的设计阶段使用了并行判别器结构保证图像生成的全局与局部的一致性.实验结果表明,在保证修复质量的情况下,本文提出的图像修复网络的推理时间与资源占用均远远小于同类方法.

摘要：唐卡作为热贡艺术重要表现形式之一,其结构复杂、颜色鲜艳、线条清晰、绘画精美,受到越来越多的人喜爱。在实际采集过程中,由于各个寺院灯光昏暗,在此条件下拍摄的图像常存在光照不均匀、噪声多、颜色失真、细节信息丢失等问题。因此提出了一种基于调色板的半交互式低照度唐卡图像增强方法:首先基于Retinex模型设计了一个卷积块注意力模块(CBAM)与U-Net相结合的低照度增强网络RCUNet,通过针对性设计损失函数,进行无监督迭代训练,对光照图、反射图和噪声图进行重构,并在得到最终分解结果后,对光照图、反射图进行调整,合成增强的结果。然后,采用改进的K-means算法,对增强后的图像提取主要颜色生成对应的调色板,通过修改调色板颜色进一步修正增强后图片的颜色。最后,与目前流行的几种低照度增强方法,在唐卡数据集上进行了定量、定性对比实验,实验结果表明该方法在NIQE,PIQE和PSNR 3个指标上取得了最好的结果。

摘要：为有效提高场景藏文文本检测性能,提出一种基于双注意力YOLOv5的场景藏文检测框架,简称为YOLOv5 Dual-attention。通过在YOLOv5模型上下采样层之间采用背景抑制模块,聚合多尺度的初始特征,抑制卷积特征中的背景干扰;在YOLOv5的颈部和检测头中间嵌入卷积注意力提高卷积提取特征的能力,使网络具有精确推断文本的能力。实验结果表明,在二分类MSTD500测试集上,改进后的模型YOLOv5x Dual-attention+α-IoU对单类藏文场景文本检测的F1达到了84.65%,比目前最好的同类检测结果高出12.65个百分点,有效降低了文本目标漏检和误检可能性。

摘要：为提高物联网数据质量,提出一种基于MARS模型和概率规划的多变量离群值检测方法。该方法能够将多个变量结合起来,通过一个模型检测离群值。创建一个多元自适应回归样条模型产生研究化的残差,将残差作为输入,采用概率规划方法,建立基于全贝叶斯推理的一般单变量离群点检测模型。实验结果表明,概率规划模型能检测出更准确的离群点,该模型提供了具有可信区间的概率分布。

摘要：该文通过详细分析La格的用法及特征,在研制La格(■)浅层语义标记规范的基础上,提出一种端到端的长短时记忆神经网络藏文La格浅层语义分析方法,该方法首先借鉴LSTM的设计思路,通过在LSTM的垂直方向上装置一个新颖的“门控高速连接”机制(Gated high-speed connection mechanism,GM),学习了输入句子的时序语义特征。GM包含对单元内部输入和输出的线性连接,使信息可以通畅地在不同层之间传播;然后使用Softmax计算每一时刻语义标签的局部归一化分布,以供输出层进行约束解码;最后使用维特比算法进行解码时通过强制执行该文设定的BIO和La格浅层语义标注约束,规范了输出语义标签之间的结构关系。虽然这个模型比较简单,不需要输入任何额外特征,但取得了理想的实验结果,在测试集上的藏文La格浅层语义分析准确率达到90.59%。

摘要：盘绣作为土族刺绣艺术的主体,具有鲜明的民族和地域特色。针对其传统手工制法存在工艺复杂且效率低,耗时长,质量参差不齐等问题,提出了一种基于L系统(L-System)的土族盘绣规则纹样图案快速生成方法。先分析土族盘绣的结构特征并归纳规律,基于L-System定义了指令符号集、相应的公理以及路径规则。然后提出并设计了规则纹样位置约束函数。最后用turtle控制指令根据约束函数按照路径规则对生成的纹样进行重组,实现土族盘绣图案的自动生成。实验评价采用图像信息熵对比以及专业、非专业人士评判打分的方法,结果表明上述方法所生成的图案能达到与原始绣片高度相似的效果,所提方法能快速自动生成土族盘绣图案,为艺人制作底稿节约了时间,提高了效率。

摘要：语料库是语音识别技术的基础资源,藏语语料中数字的规范对藏语语音识别准确率有极大的影响。文章通过分析藏语语料库中的数字文本,提出了一种藏语语音识别中数字文本的规范方法,能有效规范藏语语料中数字文本,为后续藏语语音库构建及语音识别工作奠定基础。该方法根据藏文数字文本的特征符号和上下文文本对藏文数字文本进行了分类,并对不同藏文数字文本类型设计了规范化规则及算法,经实验验证,对藏文数字文本规范的准确率达到了99.28%。