全球定位、移動通信技術迅速發展的背景下涌現出了海量的時空軌跡數據,這些數據是對移動對象在時空環境下的移動模式和行為特征的真實寫照,蘊含了豐富的信息,這些信息對于城市規劃、交通管理、服務推薦、位置預測等領域具有重要的應用價值,而這些過程通常需要通過對時空軌跡數據進行序列模式挖掘才能得以實現。時空軌跡序列模式挖掘旨在從時空軌跡數據集中找出頻繁出現的序列模式,挖掘時空數據中隱藏的信息,例如: 位置模式(頻繁軌跡、熱點區域)、活動周期模式、語義行為模式。綜述近來年時空軌跡序列模式挖掘的研究進展,先介紹時空軌跡序列的數據特點及應用,再描述時空軌跡模式的挖掘過程:從基于時空軌跡序列來挖掘位置模式、周期模式、語義模式三個方面來介紹該領域的研究情況,最后闡述現有時空軌跡序列模式挖掘方法存在的問題,展望其未來的發展趨勢。
付費5元查看完整內容
相關內容
對話系統作為人機交互的重要方式，有著廣泛的應用前景。現有的對話系統專注于解決語義一致性和內容豐富性等問題，對于提高人機交互以及產生人機共鳴方向的研究關注度不高。如何讓生成的語句在具有語義相關性的基礎上更自然地與用戶交流是當前對話系統面臨的主要問題之一。首先對對話系統進行了整體情況的概括。接著介紹了情感對話系統中的對話情緒感知和情感對話生成兩大任務，并分別調研歸納了相關方法。對話情緒感知任務大致分為基于上下文和基于用戶信息兩類方法。情感對話生成的方法包括規則匹配算法、指定情感回復的生成模型和不指定情感回復的生成模型，并從情緒數據類別和模型方法等方面進行了對比分析。然后總結整理了兩大任務下數據集的特點和鏈接便于后續的研究，并歸納了當前情感對話系統中不同的評估方法。最后對情感對話系統的工作進行了總結和展望。
付費5元查看完整內容
摘要: 人臉親子關系驗證即通過給定的不同人的兩幅人臉圖像判斷其是否具有親子關系, 是計算機視覺和機器學習領域中一個重要的研究問題, 在丟失兒童尋找、社會媒體分析、圖像自動標注等領域具有廣泛的應用價值. 隨著人臉親子關系驗證問題受到越來越多的關注, 其在多個方面都得到了相應的發展, 本文對人臉親子關系驗證方法做了綜述整理. 首先, 簡要介紹了人臉親子關系驗證在近十年的研究現狀, 隨后對問題進行了定義并討論其面臨的挑戰. 接下來, 匯總了常用的親子數據庫, 對數據庫屬性做了詳細的總結和對比. 然后, 對人臉親子關系驗證方法進行了分類總結、對比, 以及不同方法的性能表現. 最后, 展望了人臉親子關系驗證今后可能的研究方向.
付費5元查看完整內容
面對人工標注大量樣本費時費力，一些稀有類別樣本難于獲取等問題，零樣本圖像分類成為計算機視覺領域的一個研究熱點。首先，對零樣本學習，包括直推式零樣本學習和歸納式零樣本學習進行了簡單介紹；其次，重點介紹了基于空間嵌入零樣本圖像分類方法和基于生成模型零樣本圖像分類方法以及它們的子類方法，并對這些方法的機制、優缺點和適用場景等進行了分析和總結；然后，簡單介紹了零樣本圖像分類常用數據集和評估方法，并對典型零樣本圖像分類方法進行了性能比較；接著，指出了現有零樣本圖像分類中存在的領域漂移、樞紐點和語義鴻溝等問題及相應的解決思路；最后，對零樣本圖像分類未來發展趨勢和研究熱點，如判別性區域的準確定位、生成高質量不可見類視覺特征、廣義零樣本圖像分類等進行了探討。
付費5元查看完整內容
許多自然場景圖像中都包含著豐富的文本,他們對于場景理解有著重要的作用。隨著移動互聯網技術的飛速發展,許多新的應用場景都需要利用這些文本信息,例如招牌識別和自動駕駛等。因此,自然場景文本的分析與處理也越來越成為計算機視覺領域的研究熱點之一,該任務主要包括文本檢測與識別。傳統的文本檢測和識別方法依賴于人工設計的特征和規則,且模型設計復雜、效率低、泛化性能差。近年來隨著深度學習的發展,自然場景文本檢測、自然場景文本識別以及端到端的自然場景文本檢測與識別都取得了突破性的進展,其性能和效率都得到了顯著提高。本文介紹了該領域相關的研究背景,對近幾年基于深度學習的自然場景文本檢測、識別以及端到端自然場景文本檢測與識別的方法進行整理分類、歸納和總結,闡述了各類方法的基本思想和優缺點。并針對隸屬于不同類別下的方法,進一步論述和分析這些主要模型的算法流程、適用場景和他們的技術發展路線。此外還列舉說明了一些主流公開數據集,并對比了各個模型方法在代表性數據集上的性能情況。最后本文總結了目前不同場景數據下的自然場景文本檢測、識別以及端到端自然場景文本檢測與識別算法的局限性以及未來的挑戰和發展趨勢。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=2023&journal_id=jig
付費5元查看完整內容
摘要： 當前,以網絡數據為代表的跨媒體數據呈現爆炸式增長的趨勢,呈現出了跨模態、跨數據源的復雜關聯及動態演化特性,跨媒體分析與推理技術針對多模態信息理解、交互、內容管理等需求,通過構建跨模態、跨平臺的語義貫通與統一表征機制,進一步實現分析和推理以及對復雜認知目標的不斷逼近,建立語義層級的邏輯推理機制,最終實現跨媒體類人智能推理。文中對跨媒體分析推理技術的研究背景和發展歷史進行概述,歸納總結視覺-語言關聯等任務的關鍵技術,并對研究應用進行舉例。基于已有結論,分析目前跨媒體分析領域所面臨的關鍵問題,最后探討未來的發展趨勢。
付費5元查看完整內容
對流體圖像序列進行運動分析一直是流體力學、醫學和計算機視覺等領域的重要研究課題。從圖像對中提取的密集精確的速度矢量場能夠為許多領域提供有價值的信息，基于光流法的流體運動估計技術因其獨特的優勢成為一個有前途的方向。光流法可以獲得具有較高分辨率的密集速度矢量場，在小尺度精細結構的測量上有所改進，彌補了基于相關分析法的粒子圖像測速技術的不足。此外，光流方法還可以方便的引入各種物理約束，獲得較為符合流體運動特性的運動估計結果。為了全面反映基于光流法的流體運動估計算法的研究進展，本文在廣泛調研相關文獻的基礎上，對國內外具有代表性的論文進行了系統闡述。首先介紹了光流法的基本原理，然后將現有算法按照要解決的突出問題進行分類：結合流體力學知識的能量最小化函數，提高對光照變化的魯棒性，大位移估計和消除異常值。對每類方法，從問題解決過程的角度予以介紹，分析了各類突出問題中現有算法的特點和局限性。最后，總結分析了流體運動估計技術當前面臨的問題和挑戰，并對未來基于光流法的運動估計算法的研究方向和研究重點進行了展望。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210209&flag=1
付費5元查看完整內容
多元時間序列的因果關系分析是數據挖掘領域的研究熱點. 時間序列數據包含著與時間動態有關的、未知的、有價值的信息, 因此若能挖掘出這些知識進而對時間序列未來趨勢進行預測或干預, 具有重要的現實意義. 為此, 本文綜述了多元時間序列因果關系分析的研究進展、應用與展望. 首先, 本文歸納了主要的因果分析方法, 包括Granger因果關系分析、基于信息理論的因果分析和基于狀態空間的因果分析; 然后, 總結了不同方法的優缺點、適用范圍和發展方向, 并概述了其在不同領域的典型應用; 最后, 討論了多元時間序列因果分析方法待解決的問題和未來研究趨勢.
時間序列是指現實世界中的某個觀測變量, 按照其發生的時間先后順序排列的一組數字序列. 時間序列可以分為一元時間序列和多元時間序列, 多元時間序列是指多個一元時間序列的組合, 可以認為是一次采樣中可以獲得不同來源的多個觀測變量. 多元時間序列廣泛存在于自然[1]、醫學[2]、社會[3]、工業[4]等各個領域的復雜系統中, 多個變量之間具有復雜的關聯關系, 相互影響作用不明確. 隨著數據采集和存儲技術的發展, 時間序列數據的維度和規模不斷增加, 為建立準確的預測模型增加了難度. 同時, 隨著數據維度的增加, 出現了大量冗余和無關變量, 容易掩蓋重要變量的作用, 對模型的建立產生負面的影響[5]. 時間序列數據挖掘[6-7]是當前研究的熱門問題, 研究如何有效地從多元時間序列中挖掘潛在的有用信息、構建預測模型, 能夠為自然、醫學、社會、工業等領域的控制、決策與調控提供理論指導, 具有十分重要的現實意義[8]. 因此, 本文主要研究多元時間序列的分析手段, 解釋未知系統的動力學特性與運行規律, 從而為建立更加精確的系統模型奠定基礎.
在多變量系統中, 通過分析可觀測變量之間的相關關系, 可以找出對建模貢獻度大的相關變量, 從而推斷出系統的運行機理. 目前, 多元時間序列相關性分析主要集中于統計學手段, 例如Pearson相關系數、秩相關系數、典型相關分析[9]、互信息[10]、最大信息系數[11]、灰色關聯分析[12]、Copula分析[13]等. 這些方法能夠有效處理線性或非線性相關關系, 其分析結果具有對稱性. 然而, 多個變量之間不僅存在直接相互作用, 還存在以中間變量為橋梁的間接相互作用, 并且影響關系通常具有非對稱性. 傳統的相關性分析方法難以處理間接關系、非對稱影響關系, 在實際應用中受到很大限制.
隨著系統復雜度的增加, 相關性分析難以滿足建模需求, 因果關系分析方法得到廣泛關注[14]. 因果關系是一個系統(因)與另一個系統(果)之間的作用關系, 其中第1個系統是第2個系統的原因, 第２個系統依賴于第1個系統. 1969年, Granger[15]首次提出了一種評價二變量時間序列之間是否存在相互作用的因果關系分析方法, 即Granger因果關系分析方法. 該方法基于系統的可預測性, 基本思想是: 對于兩個時間序列, 如果一個時間序列未來時刻的預測誤差, 能夠通過引入另一個時間序列的歷史信息而減小, 則稱第2個時間序列對第1個時間序列具有因果影響. 由于傳統的Granger因果分析建立在線性模型的基礎上, 僅對二元時間序列進行分析, 在提出之后出現了大量改進模型[16]. Granger因果分析方法具有很強的可解釋性, 但是此類方法只能給出定性分析結果, 并且對于高維時間序列容易產生虛假因果現象. 基于信息測度的因果分析是一類非參數方法, 包括轉移熵、條件熵、條件互信息等, 這類方法通過建立評價函數, 能夠定量分析因果關系的強弱[17]. 此外, 基于狀態空間的因果模型[18]、貝葉斯網絡等模型[19-20], 同樣用于分析各種類型的因果關系. 因此, 針對多變量系統的建模要求, 合理利用因果分析方法的優勢, 研究系統各個變量之間的驅動響應關系, 進而推斷系統內部結構和運行機理, 是當前研究的熱點問題[21].
綜上所述, 相比于常規的相關性分析方法, 因果分析方法能夠分析出具有方向性的直接因果關系, 更加適用于多變量系統的分析與建模. 本文針對多元時間序列因果關系分析的幾類典型方法進行綜述, 包括Granger因果關系分析、基于信息理論的因果分析和基于狀態空間的因果分析, 并結合當前流行的機器學習方法、不同領域時間序列建模的需求等, 討論因果分析方法的實際應用和未來發展趨勢.
付費5元查看完整內容
數據融合是最大程度發揮大數據價值的關鍵，深度學習是挖掘數據深層特征信息的技術利器，基于深度學習的數據融合能夠充分挖掘大數據潛在價值，從新的深度和廣度拓展對世界的探索和認識。本文綜述了近幾年基于深度學習的數據融合方法的相關文獻，以此了解深度學習在數據融合中應用所具有的優勢。首先，分類闡述常見的數據融合方法，同時指出這些方法的優點和不足；接著，從基于深度學習特征提取的數據融合方法、基于深度學習融合的數據融合方法、基于深度學習全過程的數據融合方法三個方面對基于深度學習的數據融合方法進行分析，并做了對比研究與總結；最后，總結全文，討論了深度學習在數據融合中應用的難點和未來需要進一步研究的問題。
付費5元查看完整內容
我們生活在一個由大量不同模態內容構建而成的多媒體世界中，不同模態信息之間具有高度的相關性和互補性，多模態表征學習的主要目的就是挖掘出不同模態之間的共性和特性，產生出可以表示多模態信息的隱含向量.該文章主要介紹了目前應用較廣的視覺語言表征的相應研究工作，包括傳統的基于相似性模型的研究方法和目前主流的基于語言模型的預訓練的方法.目前比較好的思路和解決方案是將視覺特征語義化然后與文本特征通過一個強大的特征抽取器產生出表征，其中Transformer[1]作為主要的特征抽取器被應用表征學習的各類任務中.文章分別從研究背景、不同研究方法的劃分、測評方法、未來發展趨勢等幾個不同角度進行闡述.
//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6125&flag=1
付費5元查看完整內容
時空序列預測
·
隨著數據采集技術的進步,帶有地理位置信息的時空數據迅速增長,迫切需要探索有效的時空數據建模方法。時空序列預測是時空數據建模的基礎方法之一,它廣泛應用于很多領域。目前缺乏對它進行綜述的中文文獻,因而對這些方法進行歸納和總結具有重要的研究意義。針對時空序列預測問題進行了研究,首先回顧了其應用背景和發展歷程,介紹了它的相關定義及特點。然后按其類別介紹了傳統的時空序列預測方法、基于傳統機器學習的時空序列預測方法和基于深度學習的時空序列預測方法,并分析了這些方法的應用范圍和優缺點。最后對時空序列預測未來的研究方向進行了梳理和展望,為研究者們進一步深入研究時空序列預測問題奠定了理論基礎。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191