-
题名基于深度学习与文本计量的技术趋势分析
被引量：3
- 1
-
-
作者
韦入铭
陈若愚
李晗
刘旭红
-
机构
北京信息科技大学数据科学与情报分析研究所
北京信息科技大学网络文化与数字传播北京市重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2022年第S02期37-42,共6页
-
基金
北京信息科技大学勤信人才项目(2021)
促进高校分类发展-重点研究培育项目——适应智慧城市应用场景的本体深度信念网络模型构建研究(2121YJPY225)
+1 种基金
科研机构创新能力建设-数据科学与情报分析研究所
促进高校内涵发展——面向边缘计算的创新科研平台建设项目(2020KYNH105)
-
文摘
传统的技术趋势分析工作需要由经验丰富的从业者完成,涉及到大量的文献调研和分析,工作耗时耗力。针对上述问题,提出一种基于深度学习与文本计量的技术趋势分析模型,设计基于BERT_BiLSTM_CRF模型的领域文献命名实体识别算法,优化BERT的掩码机制。以集成电路领域的新闻和论文为数据集,开展BiLSTM_CRF、BERT_BiGRU_CRF等模型以及文中所提BERT_BiLSTM_CRF*模型的对比研究,研究命名实体识别技术在集成电路等领域的数据识别效果。相比于其他算法,文章所提的领域文献命名实体识别算法在F1值上达到了88.6%,奠定了技术趋势分析的基础。基于知识图谱易表达关联关系的特点,创新性提出知识图谱与文本计量技术结合的方法,并从不同角度以可视化的形式展示技术趋势分析效果,最终辅助从业者开展技术趋势智能分析工作。
-
关键词
命名实体识别
知识图谱
BERT_BiLSTM_CRF
文本计量
技术趋势分析
-
Keywords
Named entity recognition
Knowledge graph
BERT_BiLSTM_CRF
Text measurement
Technology trend analysis
-
分类号
TP391.1
[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]
-
-
题名基于边界框标注的弱监督显著性目标检测算法
被引量：5
- 2
-
-
作者
王强
黄小明
佟强
刘秀磊
-
机构
北京信息科技大学数据科学与情报分析研究所
北京材料基因工程高精尖创新中心(北京信息科技大学)
-
出处
《计算机应用》
CSCD
北大核心
2023年第6期1910-1918,共9页
-
基金
国家重点研发计划项目(2021YFB2600600)
北京信息科技大学校级基金资助项目(2121YJPY225,2020KYNH105)
+1 种基金
科研机构创新能力建设
北京市教委科研计划项目(KM202011232014)。
-
文摘
针对以往的弱监督显著性目标检测算法存在的显著目标定位不准确问题,提出一种基于边界框标注的弱监督显著目标检测算法。所提算法利用图像中所有目标的最小外接矩形框,即边界框,作为监督信息。首先基于边界框标注和GrabCut算法生成初始显著图;然后在此基础上设计了一个缺失修正模块,以得到优化后的显著图;最后结合传统方法和深度学习方法各自的优势,将优化后的显著图作为伪真值,通过神经网络学习一个显著性目标检测模型。在4个公开数据集上与6种无监督、4种弱监督的显著性检测算法进行比较的实验结果显示,所提算法在所有数据集上的最大F度量值(Max-F)和平均绝对误差(MAE)均明显优于对比算法:与同样基于边界框标注的弱监督方法SBB(Saliency Bounding Boxes)相比,所提算法的标注方法更简单,在ECSSD、DUTS-TE、HKU-IS、DUT-OMRON等4个数据集上进行实验,Max-F分别提高了1.82%、4.00%、1.27%和5.33%,MAE分别降低了13.89%、15.07%、8.77%和13.33%。可见,所提算法是一种具有良好检测性能的弱监督显著目标检测算法。
-
关键词
弱监督
边界框标注
显著图
伪真值
显著性目标检测
-
Keywords
weakly supervised
bounding box annotation
saliency map
pseudo ground-truth
salient object detection
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
