检索结果-维普期刊中文期刊服务平台

视频识别深度学习网络综述被引量：9: 1; 作者钱文祥衣杨《计算机科学》 CSCD 北大核心 2022年第S02期341-350,共10页; 视频识别是计算机视觉领域中最重要的任务之一,受到了研究者的广泛关注。视频识别指从视频片段中提取特征,并依据特征识别视频动作。相比于静态图片,视频的各帧间存在较大的关联性。如何高效地使用来自时空等不同维度的特征信息准确地... 展开更多; 关键词视频识别改进的密集轨迹深度学习双流网络卷积神经网络深度自注意力网络; 在线阅读下载PDF 职称材料

DeepSeek模型分析及其在AI辅助蛋白质工程中的应用被引量：1: 2; 作者李明辰钟博子韬 +6 位作者余元玺姜帆张良谭扬虞慧群范贵生洪亮《合成生物学》北大核心 2025年第3期636-650,共15页; 2025年年初,杭州深度求索人工智能基础技术研究有限公司发布并开源了其自主研发的DeepSeek-R1对话大模型。该模型具备极低的推理成本和出色的思维链推理能力,在多种任务上能够媲美甚至超越闭源的GPT-4o和o1模型,引发了国际社会的高度关... 展开更多; 关键词大语言模型 AI蛋白质深度自注意力变换网络蛋白质语言模型深度学习; 在线阅读下载PDF 职称材料

基于结构感知混合编码模型的代码注释生成方法被引量：3: 3; 作者蔡瑞初张盛强许柏炎《计算机工程》 CAS CSCD 北大核心 2023年第2期61-69,共9页; 代码注释能够提高程序代码的可读性,从而提升软件开发效率并降低成本。现有的代码注释生成方法将程序代码的序列表示或者抽象语法树表示输入到不同结构的编码器网络,无法融合程序代码不同抽象形式的结构特性,导致生成的注释可读性较差... 展开更多; 关键词代码注释生成混合编码模型图注意力网络深度自注意力网络自然语言处理; 在线阅读下载PDF 职称材料

面向电网设备故障报告的半监督命名实体识别方法被引量：9: 4; 作者杨祎崔其会丁奕齐《计算机应用》 CSCD 北大核心 2021年第S02期41-47,共7页; 针对电网领域命名实体识别(NER)对人工标注的依赖问题,提出了一种面向电网设备故障报告的半监督命名实体识别方法 Semi-supervised PGTBC。首先使用基于多头自注意力机制的深度自注意力网络进行特征抽取,然后结合双向长短记忆神经网络(B... 展开更多; 关键词命名实体识别电网设备半监督学习多头自注意力机制深度自注意力网络双向长短记忆神经网络; 在线阅读下载PDF 职称材料

基于ViT的细粒度图像分类被引量：9: 5; 作者李佳盈蒋文婷 +1 位作者杨林罗铁坚《计算机工程与设计》北大核心 2023年第3期916-921,共6页; 为解决细粒度图像分类任务存在类内差异性和类间相似性大的问题,提出一种基于Vision Transformer(ViT)的细粒度图像分类方法。采取ViT作为特征编码网络,获取图像的全局特征表示;设计多级区域选择模块,捕捉细微的具有可判别性的层级化信... 展开更多; 关键词细粒度图像分类深度自注意力变换网络注意力机制中心损失卷积神经网络特征表示特征空间; 在线阅读下载PDF 职称材料

题名视频识别深度学习网络综述被引量：9: 1; 作者钱文祥衣杨; 机构中山大学计算机学院广州新华学院信息科学学院广东省大数据分析与处理重点实验室; 出处《计算机科学》 CSCD 北大核心 2022年第S02期341-350,共10页; 基金广州市科技计划项目(202002030273,202102080656) 广州新华学院重点学科项目(2020XZD02); 文摘视频识别是计算机视觉领域中最重要的任务之一,受到了研究者的广泛关注。视频识别指从视频片段中提取特征,并依据特征识别视频动作。相比于静态图片,视频的各帧间存在较大的关联性。如何高效地使用来自时空等不同维度的特征信息准确地识别视频,是当前研究的重点。以视频识别技术为研究对象,首先介绍了视频识别研究的背景信息及常用数据集。然后,详细地梳理了视频识别方法的演变过程;回顾了基于时空兴趣点、密集轨迹、改进的密集轨迹等传统的视频识别方法,以及近年来提出的可用于视频识别的深度学习网络框架。其中,分别介绍了基于2D卷积神经网络的视频识别框架、基于3D卷积神经网络的视频框架、伪3D卷积神经网络,以及基于Transformer结构的网络,介绍了这些框架的演变,并总结了它们的实现细节及特点;评测了各网络在不同视频识别数据集上的表现情况,分析了各网络的适用场景。最后,展望了视频识别网络框架未来的研究趋势。视频识别任务可以自动、高效地识别出视频所属的类别,基于深度学习的视频识别具有广泛的实用价值。; 关键词视频识别改进的密集轨迹深度学习双流网络卷积神经网络深度自注意力网络; Keywords Video recognition Improved dense trajectory Deep learning Two-stream network Convolutional neural network Deep self-attention network; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名DeepSeek模型分析及其在AI辅助蛋白质工程中的应用被引量：1: 2; 作者李明辰钟博子韬余元玺姜帆张良谭扬虞慧群范贵生洪亮; 机构上海交通大学张江高等研究院华东理工大学信息科学与工程学院; 出处《合成生物学》北大核心 2025年第3期636-650,共15页; 基金上海市2023年度“科技创新行动计划”计算生物学重点专项(23JS1400600)。; 文摘 2025年年初,杭州深度求索人工智能基础技术研究有限公司发布并开源了其自主研发的DeepSeek-R1对话大模型。该模型具备极低的推理成本和出色的思维链推理能力,在多种任务上能够媲美甚至超越闭源的GPT-4o和o1模型,引发了国际社会的高度关注。此外,DeepSeek模型在中文对话上的优异表现以及免费商用的策略,在国内引发了部署和使用的热潮,推动了人工智能技术的普惠与发展。本文围绕DeepSeek模型的架构设计、训练方法与推理机制进行系统性分析,探讨其核心技术在AI蛋白质研究中的迁移潜力与应用前景。DeepSeek模型融合了多项自主创新的前沿技术,包括多头潜在注意力机制、混合专家网络及其负载均衡、低精度训练等,显著降低了Transformer模型的训练和推理成本。尽管DeepSeek模型原生设计用于人类语言的理解与生成,但其优化技术对同样基于Transformer模型的蛋白质预训练语言模型具有重要的参考价值。借助DeepSeek所采用的关键技术,蛋白质语言模型在训练成本、推理成本等方面有望得到显著降低。; 关键词大语言模型 AI蛋白质深度自注意力变换网络蛋白质语言模型深度学习; Keywords large language models AI-assistant protein transformer protein language model deep learning; 分类号 Q816 [生物学—生物工程]; 在线阅读下载PDF 职称材料

题名基于结构感知混合编码模型的代码注释生成方法被引量：3: 3; 作者蔡瑞初张盛强许柏炎; 机构广东工业大学计算机学院; 出处《计算机工程》 CAS CSCD 北大核心 2023年第2期61-69,共9页; 基金国家自然科学基金(61876043) 国家优秀青年科学基金(62122022) 广州市科技计划项目(201902010058)。; 文摘代码注释能够提高程序代码的可读性,从而提升软件开发效率并降低成本。现有的代码注释生成方法将程序代码的序列表示或者抽象语法树表示输入到不同结构的编码器网络,无法融合程序代码不同抽象形式的结构特性,导致生成的注释可读性较差。构建一种结构感知的混合编码模型,同时考虑程序代码的序列表示和结构表示,通过序列编码层和图编码层分别捕获程序代码的序列信息和语法结构信息,并利用聚合编码过程将两类信息融合至解码器。设计一种结构感知的图注意力网络,通过将程序代码的语法结构的层次和类型信息嵌入图注意力网络的学习参数,有效提升了混合编码模型对程序代码的复杂语法结构的学习能力。实验结果表明,与SiT基准模型相比,混合编码模型在Python和Java数据集上的BLEU、ROUGE-L、METEOR得分分别提高了2.68%、1.47%、3.82%和2.51%、2.24%、3.55%,能生成更准确的代码注释。; 关键词代码注释生成混合编码模型图注意力网络深度自注意力网络自然语言处理; Keywords code comment generation hybrid encoding model graph attention network deep self-attention network natural language processing; 分类号 TP312 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名面向电网设备故障报告的半监督命名实体识别方法被引量：9: 4; 作者杨祎崔其会丁奕齐; 机构国网山东省电力公司电力科学研究院北京邮电大学计算机学院; 出处《计算机应用》 CSCD 北大核心 2021年第S02期41-47,共7页; 基金国网山东省电力公司科技项目(2020A-074)。; 文摘针对电网领域命名实体识别(NER)对人工标注的依赖问题,提出了一种面向电网设备故障报告的半监督命名实体识别方法 Semi-supervised PGTBC。首先使用基于多头自注意力机制的深度自注意力网络进行特征抽取,然后结合双向长短记忆神经网络(BiLSTM)和条件随机场模型(CRF)建立电网领域命名实体识别模型,最后基于半监督思想,引入基于深度自注意力网络的实体类别综合描述相似度计算,结合PGTBC的置信度作为半监督阈值筛选依据,减少对电网设备故障报告实体标注的依赖。数据集使用来源于1 256篇的电网故障报告的10 301条标注样本数和30 829条无标注样本数。在有标注电网领域数据上的实验结果表明,基于PGTBC模型的预测F1为96.43%,相对于传统的BiLSTM-CRF模型提高了7.09个百分点。在无标注样本上,半监督方法 Semi-supervised PGTBC取得了93.16%的F1,相对半监督CRF模型的F1提高了23.4个百分点,并对无标注样本进行了自动标注,识别出1 661条新实体,有效减少电网设备故障报告命名实体任务对人工标注的依赖。; 关键词命名实体识别电网设备半监督学习多头自注意力机制深度自注意力网络双向长短记忆神经网络; Keywords Named Entity Recognition(NER) power grid equipment semi-supervised learning multi-head selfattention mechanism deep self-attention network Bi-directional Long Short-Term Memory(BiLSTM)neural network; 分类号 TP391.1 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于ViT的细粒度图像分类被引量：9: 5; 作者李佳盈蒋文婷杨林罗铁坚; 机构北京信息科技大学自动化学院中国空间技术研究院通信与导航卫星总体部中国航天科工集团第二研究院七〇六所中国科学院大学计算机科学与技术学院; 出处《计算机工程与设计》北大核心 2023年第3期916-921,共6页; 文摘为解决细粒度图像分类任务存在类内差异性和类间相似性大的问题,提出一种基于Vision Transformer(ViT)的细粒度图像分类方法。采取ViT作为特征编码网络,获取图像的全局特征表示;设计多级区域选择模块,捕捉细微的具有可判别性的层级化信息;利用一个简单且有效的中心损失函数,缩短深层特征与相应类中心在特征空间中的距离。在图像级标签的监督下,实现端到端的训练。结果在CUB-200-2011、NABirds以及Stanford Cars数据集上分别达到90.1%、90.2%和93.7%的分类准确率,超越当前最优算法。; 关键词细粒度图像分类深度自注意力变换网络注意力机制中心损失卷积神经网络特征表示特征空间; Keywords fine-grained visual classification transformer attention mechanism metric learning convolutional neural network feature representation feature space; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	视频识别深度学习网络综述	钱文祥衣杨	《计算机科学》 CSCD 北大核心	2022	9	在线阅读下载PDF 职称材料
2	DeepSeek模型分析及其在AI辅助蛋白质工程中的应用	李明辰钟博子韬余元玺姜帆张良谭扬虞慧群范贵生洪亮	《合成生物学》北大核心	2025	1	在线阅读下载PDF 职称材料
3	基于结构感知混合编码模型的代码注释生成方法	蔡瑞初张盛强许柏炎	《计算机工程》 CAS CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
4	面向电网设备故障报告的半监督命名实体识别方法	杨祎崔其会丁奕齐	《计算机应用》 CSCD 北大核心	2021	9	在线阅读下载PDF 职称材料
5	基于ViT的细粒度图像分类	李佳盈蒋文婷杨林罗铁坚	《计算机工程与设计》北大核心	2023	9	在线阅读下载PDF 职称材料