PDF全文 (
)
HTML
(
)
可视化
收藏
大语言模型在深入理解法律、厘清法律条文与司法问题逻辑关联方面存在不足,导致其在司法问答领域的表现受到限制。针对该问题,提出了一种融合三段论推理和司法知识增强的问答方法。该方法首先引入法律条款作为外部知识库,以弥补大语言模型在司法领域知识的局限;其次通过司法三段论的思维逻辑构建思维链,增强大语言模型对于司法问题与法律条款之间内在逻辑联系的推理能力;最后大语言模型结合法律条款和司法三段论进行推理,生成更精准和更符合法律逻辑的回答。实验结果显示,提出的方法在司法考试选择题和司法咨询问答数据集上,相较于基线模型分别平均提高了10.1%和12.4%,进一步验证了有效性。
PDF全文 (
)
HTML
(
)
可视化
收藏
在决策议题变得愈加复杂的背景下,越来越多的决策制定者选择采用概率语言术语集(probabilistic linguistic term sets,PLTSs)来表达个人偏好,而非传统的精确数值方式。针对医疗服务问题的多属性三支决策(three-way decision,3WD)方法,首先提出了一种基于概率语言Jensen-Shannon(probabilistic linguistic Jensen-Shannon,PLJS)散度的指数相似性度量方法,克服了目前PLTSs中相似性度量的信息丢失问题;并创新性地引入了新型相似度公式,基于该相似度公式,利用得分函数计算各备选方案的优秀状态集,客观计算出了每个备选方案的条件概率。其次,结合得分函数构造了相对损失函数,这不仅有效融合了决策者心理偏好,而且更加精准地确定了各备选方案的期望损失。接着,依据所建立的决策规则,对备选方案进行排序,并将其划分为接受域、延迟域与拒绝域。最后,通过一个实际案例验证了该方法的有效性与可行性,并进一步通过参数敏感性分析评估关键参数变化对决策结果的影响,确保方法的稳定性与鲁棒性。
PDF全文 (
)
HTML
(
)
可视化
收藏
随着城市公交电气化的推进,电动公交的里程限制和充电需求使得行车计划设计和运营面临新的挑战,不合理的充电行为会加速电池退化,从而导致充电及电池折旧成本增加,续航里程缩减,影响正常公交运营。针对这一问题,考虑电池退化对电动公交运营的影响,兼顾能耗、分时电价和充电特性等多个因素,建立以包括车队运营成本和电池退化成本在内的总成本最小为目标的电动公交行车计划优化模型。针对单车场和多车场问题分别设计遗传算法与邻域搜索算法,以郑州公交线路为例检验模型及算法,并对比分析考虑电池退化成本的影响。结果表明:考虑电池退化的模型有效促进车队优化充放电行为,总充电时间下降10.34%,充电费用下降2.39%,说明电池退化成本的惩罚会导致最优解朝着充放电过程较少的解移动;对比不同充电模式,非线性充电的成本高于线性充电。在多车场跨线路的场景下,以21~36 km之间的三条线路为例,对电池容量进行敏感性分析:当电池容量增大时,充满电的车辆能执行的班次数增加,车队规模减小;由于车辆在白天高电价期间的充电需求下降,因此充电成本降低;同时,充放电次数减少也导致电池退化成本降低。
PDF全文 (
)
HTML
(
)
可视化
收藏
车道线检测作为自动驾驶和智能交通系统中的核心任务,需实现精准且实时的车道识别。尽管深度学习方法已广泛应用于车道线检测,但仍难以兼顾检测精度与推理速度。受RESA(recurrent feature-shift aggregator)模型启发,提出基于B-RESA的车道线检测模型,通过设计双向循环特征移位聚合器(bidirectional recurrent feature-shift aggregator,B-RESA),在特征图的垂直与水平方向构建双向循环移位操作,建立长距离空间依赖关系;同时引入方向感知权重(directional-aware weighting,DW)模块,实现动态特征融合,增强模型在复杂场景的适应性。在CULane和TuSimple数据集上分别进行了实验,对比实验结果表明,B-RESA模型在推理速度和检测精度方面均有明显提升。消融实验证明DW模块能够有效提升检测精度,B-RESA可以在保证检测精度的同时显著提高推理速度。
PDF全文 (
)
HTML
(
)
可视化
收藏
基于锚点的多视图聚类方法因能够显著降低时间复杂度而受到广泛关注。然而,随着数据规模的增大,锚点数量的增加会导致锚图的维度显著提升,使得后续的聚类策略仍然面临较高的时间开销。此外,大多数方法将多视图学习与聚类过程分离,导致多视图信息和聚类结果无法被联合优化,从而影响聚类性能。针对这些局限,提出一种基于一致低维嵌入的快速多视图聚类(CLE-FMC)算法,该算法集成多视图学习与聚类过程到一个统一框架。首先,将锚图分解为转移矩阵和低维嵌入矩阵。通过引入转移矩阵,使后续聚类主要转移到低维嵌入上进行,从而在一定程度上减轻锚点数量增大带来的额外开销。然后,设计了一种一步(one step)聚类方法,直接利用低维嵌入矩阵进行聚类来获得聚类标签。最后,通过该统一框架,实现了多视图学习和聚类划分的联合优化,同时提升了算法的运行效率。实验证明了所提算法在聚类性能上的优势。
PDF全文 (
)
HTML
(
)
可视化
收藏
可见光-红外行人重识别(VI-ReID)因面临显著的跨模态差异和类内差异而极具挑战性。当前主流方法主要通过对齐特征空间来学习模态共享表示,但过度侧重跨模态共性,弱化了可见光纹理、红外热辐射等模态专属特征及其身份判别特征的利用。为此,提出基于动态特征融合与特征感知的可见光-红外行人重识别框架(visible-infrared person re-identification via dynamic feature fusion and feature-awareness,DFFA),依托Transformer长距离建模优势,通过跨模态交叉注意力动态融合可见光局部纹理与红外全局热辐射特征,保留模态专属与共享特征互补性。设计多维度损失函数,模态融合对比损失分别关联可见光局部特征、红外全局特征与辅助表征,模态内一致性损失约束特征稳定性,全局分类损失增强身份判别力,三者协同优化特征交互与判别性。改进k-互近邻重排序算法并应用于跨模态场景,降低邻域模态偏差。实验在SYSU-MM01、RegDB和LLCM三个数据集上验证了方法有效性:在SYSU-MM01全搜索模式下Rank-1精度达76.35%、平均精度均值(mAP)达79.56%;在RegDB的VIS to IR模式下Rank-1精度达92.83%、mAP为88.68%;在LLCM复杂弱光场景中,VIS to IR模式Rank-1精度达68.2%、mAP为66.3%,IR to VIS模式Rank-1精度为56.5%、mAP为63.4%。结果充分证实了动态特征融合、多维度损失设计及改进重排序策略的协同有效性。
PDF全文 (
)
HTML
(
)
可视化
收藏
基于骨架的人体动作识别是计算机视觉领域的重要研究方向,在智能监控、人机交互等领域具有广泛应用。然而,现有多数方法不能在复杂场景下充分捕捉关键关节点和人体运动模式特征,并且在提取关节点特征时,可能会生成大量冗余特征。因此,提出了融合双注意力机制与空间重建卷积的人体动作识别方法,首先利用图卷积结构对骨架数据中同一帧的关节点和骨骼信息进行建模,捕捉关节点之间的空间关系,随后对特征图进行通道和空间注意力加权,使模型能够自适应地关注关键关节点和人体运动模式,增强特征表达能力;在此基础上,进一步将同一帧的关节整体建模,通过空间与通道重建卷积挖掘帧间的依赖关系,提升模型的时序建模能力。实验结果显示,提出的模型有效提升了基线模型语义引导网络(semantic-guided network,SGN)的特征提取能力和计算效率,在人体行为识别任务中取得了更高精度,特别是在复杂场景和长距离依赖关系的处理上表现尤为突出;在NTU RGB+D验证集上相较于其他方法具有显著优势,跨主题的准确度达到了89.2%,跨视角的准确度达到了95.8%,验证了模型的有效性和优越性。
PDF全文 (
)
HTML
(
)
可视化
收藏
无人机航拍图像目标检测对智慧城市和灾害监测具有重要意义,但存在特殊视角背景复杂、目标尺度差异大、小目标密集分布等问题。为此,提出了YOLOv8-Aerial模型,该模型对YOLOv8s的特征提取网络、特征融合网络和检测头3个关键部分进行了系统性优化,以提升航拍图像目标检测性能。在特征提取网络方面,设计了一种融合掩码单元注意力机制的C2f_MaskUnitAtt模块,以提升模型在复杂背景下的特征提取能力;在特征融合网络方面,提出了双向相邻层特征融合方法与超分辨率增强策略,以充分利用多尺度特征并解决小目标特征衰减问题;在检测头部分,引入局部特征增强模块,通过空洞卷积扩展感受野,进一步提高了小目标的检测精度。实验结果表明,与现有主流模型相比,YOLOv8-Aerial方法在公开无人机航拍数据集上均表现出更优的检测性能。
PDF全文 (
)
HTML
(
)
可视化
收藏
时间序列分类是数据挖掘和机器学习领域的重要研究方向,在诸多领域有着极为广泛的应用。但是,随着时间序列数据的规模和复杂性显著增加,如何高效捕捉数据中的时序依赖关系和特征交互成为时间序列分类任务的核心挑战。近年来,图神经网络开始用于不含显式图结构的时间序列数据,但在图结构构造与时序特性表征上仍存在不少局限。针对上述问题,提出了一种门控多尺度特征交互网络(gated multi-scale spatio-temporal graph convolutional network,GMS-STGCN),用于时间序列分类任务。GMS-STGCN通过将时间序列的多尺度特征与深度学习模型以及图神经网络相结合,利用图神经网络提取不同尺度、不同时隙特征之间相关性及差异性,并设计全新多尺度特征融合机制与渐进式门控传播机制,深度挖掘时隙时序特征,最后综合注意力机制完成特征提取。实验结果表明,GMS-STGCN在多个公开时间序列分类数据集上均取得了优异的性能,验证了其在特征交互建模、多尺度特征捕捉和动态特征依赖建模方面的有效性。
PDF全文 (
)
HTML
(
)
可视化
收藏
针对矿井复杂环境中低光照、强遮挡及小目标条件下安全帽检测性能不足的问题,提出一种基于改进YOLOv11n的检测模型MRP-YOLOv11n。首先,在主干网络中嵌入多尺度混合交叉模块(multi-scale hybrid cross block,MHCB),通过多尺度特征混合与交叉交互机制增强对遮挡安全帽的特征提取能力;其次,在特征融合网络中将C3k2模块替换为融合矩形自校准模块RCM的C3k2_RCM模块,利用矩形自校准机制在预测前对特征空间进行自适应校准,提升遮挡目标的分类与定位精度;最后,增加P2检测层,有效缓解远距离小尺寸安全帽的漏检问题。实验结果表明,相较于基线YOLOv11n模型,MRP-YOLOv11n模型的精确率P、召回率R、mAP@0.5及mAP@0.5:0.95分别提升了3.9%、4.0%、4.0%和4.4%,验证了改进模型能有效提升矿井遮挡场景下安全帽检测的准确性和鲁棒性,体现了其在矿井遮挡场景下的实用价值。