多模态的对话情绪识别(Emotion Recognition in Conversation,ERC)是构建情感对话系统的关键。近年来,基于图的融合方法在会话中动态聚合多模态上下文特征,提高了模型在多模态对话情绪识别方面的性能。然而,这些方法都没有充分保留和利...多模态的对话情绪识别(Emotion Recognition in Conversation,ERC)是构建情感对话系统的关键。近年来,基于图的融合方法在会话中动态聚合多模态上下文特征,提高了模型在多模态对话情绪识别方面的性能。然而,这些方法都没有充分保留和利用输入数据中的有价值的信息。具体地说,它们都没有保留从输入到融合结果的任务相关信息,并且忽略了标签本身蕴含的信息。为了解决上述问题,该文提出了一种基于互信息最大化和对比损失的多模态对话情绪识别模型(Multimodal ERC with Mutual Information Maximization and Contrastive Loss,MMIC)。模型通过在输入级和融合级上分级最大化模态之间的互信息(Mutual Information),使任务相关信息在融合过程中得以保存,从而生成更丰富的多模态表示。该文还在基于图的动态融合网络中引入了监督对比学习(Supervised Contrastive Learning),通过充分利用标签蕴含的信息,使不同情绪相互排斥,增强了模型识别相似情绪的能力。在两个英文和一个中文的公共数据集上的大量实验证明了该文所提出模型的有效性和优越性。此外,在所提出模型上进行的案例探究有效地证实了模型可以有效保留任务相关信息,更好地区分出相似的情绪。消融实验和可视化结果证明了模型中每个模块的有效性。展开更多
哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型...哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。展开更多
为探索不同机械化栽植方式对华南双季稻区的适应性及其影响机理,2011-2014年连续4 a在广东省肇庆市和江门市,以钵体苗人工手插为对照,安排了钵体毯状苗机插、毯状苗机插和毯状苗窄行机插3种机械化栽植方式的对比试验。应用主效可加互作...为探索不同机械化栽植方式对华南双季稻区的适应性及其影响机理,2011-2014年连续4 a在广东省肇庆市和江门市,以钵体苗人工手插为对照,安排了钵体毯状苗机插、毯状苗机插和毯状苗窄行机插3种机械化栽植方式的对比试验。应用主效可加互作可乘（additive main effects and multiplicative interaction,AMMI）模型对影响水稻产量的栽植方式、环境和二者的互作进行了分析,进而对不同栽植方式的适应性进行了评价。结果表明：不同栽植方式水稻产量的单因素方差分析显示,3种机械化栽植方式对常规稻都具有良好的适应性,可替代人工手插大面积推广使用;而杂交稻各次试验中3种机插秧栽植方式的产量都低于人工手插,杂交稻机插秧问题还需进一步研究。AMMI分析中,栽植方式平方和、环境平方和及二者的互作平方和分别占处理平方和的6.39%、85.29%和8.31%,都达到了极显著差异水平（P〈0.01）;AMMI模型的交互效应主成分（interaction principal component analysis,IPCA）前2个达到显著水平,两项累计解释了互作平方和的92.99%;残差均方根（root mean square,RMS）的值为49.34 kg/hm2,占总均值的0.71%,表明AMMI2模型对试验的数据结构进行了很好的拟合。适应性评价显示,人工手插的平均产量最高,与环境存在较大正互作,是目前杂交稻种植中最好的栽植方式,但稳定性欠佳;毯状苗机插的平均产量最低,与环境的互作最小,是一种稳定性较好的栽植方式;钵体毯状苗机插的稳定性不及毯状苗机插,但平均产量高于毯状苗机插,与毯状苗机插相比平均增产约-2%-6%;毯状苗窄行机插的稳定性不及钵体毯状苗机插,但平均产量与钵体毯状苗机插相差不大,在杂交晚稻种植中常常高于钵体毯状苗机插。研究结论对推进华南双季稻区种植机械化的发展具有重要参考价值。展开更多
文摘多模态的对话情绪识别(Emotion Recognition in Conversation,ERC)是构建情感对话系统的关键。近年来,基于图的融合方法在会话中动态聚合多模态上下文特征,提高了模型在多模态对话情绪识别方面的性能。然而,这些方法都没有充分保留和利用输入数据中的有价值的信息。具体地说,它们都没有保留从输入到融合结果的任务相关信息,并且忽略了标签本身蕴含的信息。为了解决上述问题,该文提出了一种基于互信息最大化和对比损失的多模态对话情绪识别模型(Multimodal ERC with Mutual Information Maximization and Contrastive Loss,MMIC)。模型通过在输入级和融合级上分级最大化模态之间的互信息(Mutual Information),使任务相关信息在融合过程中得以保存,从而生成更丰富的多模态表示。该文还在基于图的动态融合网络中引入了监督对比学习(Supervised Contrastive Learning),通过充分利用标签蕴含的信息,使不同情绪相互排斥,增强了模型识别相似情绪的能力。在两个英文和一个中文的公共数据集上的大量实验证明了该文所提出模型的有效性和优越性。此外,在所提出模型上进行的案例探究有效地证实了模型可以有效保留任务相关信息,更好地区分出相似的情绪。消融实验和可视化结果证明了模型中每个模块的有效性。
文摘哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。
文摘为探索不同机械化栽植方式对华南双季稻区的适应性及其影响机理,2011-2014年连续4 a在广东省肇庆市和江门市,以钵体苗人工手插为对照,安排了钵体毯状苗机插、毯状苗机插和毯状苗窄行机插3种机械化栽植方式的对比试验。应用主效可加互作可乘（additive main effects and multiplicative interaction,AMMI）模型对影响水稻产量的栽植方式、环境和二者的互作进行了分析,进而对不同栽植方式的适应性进行了评价。结果表明：不同栽植方式水稻产量的单因素方差分析显示,3种机械化栽植方式对常规稻都具有良好的适应性,可替代人工手插大面积推广使用;而杂交稻各次试验中3种机插秧栽植方式的产量都低于人工手插,杂交稻机插秧问题还需进一步研究。AMMI分析中,栽植方式平方和、环境平方和及二者的互作平方和分别占处理平方和的6.39%、85.29%和8.31%,都达到了极显著差异水平（P〈0.01）;AMMI模型的交互效应主成分（interaction principal component analysis,IPCA）前2个达到显著水平,两项累计解释了互作平方和的92.99%;残差均方根（root mean square,RMS）的值为49.34 kg/hm2,占总均值的0.71%,表明AMMI2模型对试验的数据结构进行了很好的拟合。适应性评价显示,人工手插的平均产量最高,与环境存在较大正互作,是目前杂交稻种植中最好的栽植方式,但稳定性欠佳;毯状苗机插的平均产量最低,与环境的互作最小,是一种稳定性较好的栽植方式;钵体毯状苗机插的稳定性不及毯状苗机插,但平均产量高于毯状苗机插,与毯状苗机插相比平均增产约-2%-6%;毯状苗窄行机插的稳定性不及钵体毯状苗机插,但平均产量与钵体毯状苗机插相差不大,在杂交晚稻种植中常常高于钵体毯状苗机插。研究结论对推进华南双季稻区种植机械化的发展具有重要参考价值。
