新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明公開了一種基于相似性和不相似性融合排序優(yōu)化的行人重識別方法，行人重識別是一種針對 特定行人的檢索問題，本發(fā)明的主要思想是正確檢索的行人目標(biāo)應(yīng)該跟查詢行人的極正樣本相似，并且 跟查詢行人的極負(fù)樣本不相似。同時我們將與極正樣本相似的那些行人定義為疑正樣本，與極負(fù)樣本相 似的樣本為疑負(fù)樣本，通過提高疑正樣本的排名，同時降低疑負(fù)樣本的排名，來達(dá)到通過排序優(yōu)化的方 式來提升行人重識別的效果。此外，融合多種方法的結(jié)果來加強這種相似性和不相似性關(guān)系。本

本發(fā)明公開了一種基于類相似性測量的實時目標(biāo)跟蹤算法，目標(biāo)跟蹤對實時性要求非常高，在目前 主流的基于檢測跟蹤的框架下，根據(jù)測試樣本與目標(biāo)類和背景類的相似度比較來確定目標(biāo)在新幀中的目 標(biāo)位置。本方法首先在當(dāng)前幀采集目標(biāo)類和背景類集合，計算出它們的統(tǒng)計特征，并在下一幀采集測試 樣本集合。本方法定義了一種計算測試樣本與類之間相似度的量化標(biāo)準(zhǔn)，通過找出與目標(biāo)類相似以及和 背景類不相似的測試樣本來確定目標(biāo)位置。本方法明顯提高了跟蹤的實時性以及跟蹤精度。

本發(fā)明公開了一種基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測方法，包括步驟：步驟 1，獲取樣本圖 像序列中各樣本圖像的圖像差分熵及不同壓縮倍數(shù)下的圖像結(jié)構(gòu)相似性；步驟 2，基于步驟 1 獲取的數(shù)據(jù)， 采用線性擬合方式構(gòu)建不同壓縮倍數(shù)下圖像差分熵與圖像結(jié)構(gòu)相似性間的線性關(guān)系，即圖像編碼質(zhì)量預(yù)測模 型；步驟 3，根據(jù)待預(yù)測圖像的圖像差分熵，采用圖像編碼質(zhì)量預(yù)測模型即可獲得待預(yù)測圖像在不同壓縮倍 數(shù)下的圖像結(jié)構(gòu)相似性。本發(fā)明簡單，高效，無需消耗較大的硬件

小試階段/n本發(fā)明能夠獨立判別單幅火焰圖像的燒成狀態(tài)，滿足在線實時監(jiān)測回轉(zhuǎn)窯中火焰變化的條件，能在極短的時間內(nèi)發(fā)現(xiàn)回轉(zhuǎn)窯火焰燒成狀態(tài)的變化，并及時作出相應(yīng)調(diào)整，從而增加回轉(zhuǎn)窯控制系統(tǒng)的安全性和可靠性，使生產(chǎn)的熟料質(zhì)量更加穩(wěn)定，能夠極大的縮減工業(yè)生產(chǎn)成本，為實現(xiàn)對整個回轉(zhuǎn)窯系統(tǒng)實時監(jiān)控的閉環(huán)控制奠定基礎(chǔ)，為真正實現(xiàn)以 “ 機器看火”代替 “ 人工看火”提供了基本保障。。因此，本發(fā)明具有精度高、計算復(fù)雜度低、處理過程短和能實現(xiàn)在線實時監(jiān)測火焰狀態(tài)變化的特點。

本發(fā)明公開了一種基于結(jié)構(gòu)和內(nèi)容二級過濾的 Web 數(shù)據(jù)相似性檢測方法，在傳統(tǒng)的通用相似性檢測 方法的基礎(chǔ)上，發(fā)掘出 Web 數(shù)據(jù)結(jié)構(gòu)和內(nèi)容分布的特點，對檢測的文檔集進(jìn)行兩級過濾；兩級過濾中的 第一級過濾是結(jié)構(gòu)相似性過濾，對每個Web文檔建模為Tag樹結(jié)構(gòu)，從而剔除在結(jié)構(gòu)上不相似的文檔集， 并對剩余的文檔進(jìn)行關(guān)鍵內(nèi)容抽取，將其表示成元組向量的形式，將關(guān)鍵信息連接起來生成字符串集； 兩級過濾中的第二級過濾則對第一級過濾后生成的字符串集進(jìn)行 Trie

本發(fā)明涉及一種結(jié)合胰島素樣生長因子C結(jié)構(gòu)域多肽(IGF-1C)的殼聚糖水凝膠，其具有良好的細(xì)胞相容性和生物活性。這類活性水凝膠具有可注射性，能夠作為載體材料，促進(jìn)干細(xì)胞對組織損傷的治療效果。其為移植干細(xì)胞提供適宜的組織再生微環(huán)境，從而提高移植干細(xì)胞的存活率。增加干細(xì)胞在損傷區(qū)內(nèi)的存活及駐留，促進(jìn)移植細(xì)胞存活、增殖，減少凋亡，促進(jìn)損傷部位血管新生以及功能恢復(fù)，進(jìn)而提高干細(xì)胞移植治療組織損傷的治療效果。此外，移植后水凝膠并沒有促進(jìn)干細(xì)胞發(fā)生不良分化。

本項成果是在底支撐架的左端設(shè)左安裝架、右端設(shè)右安裝架，左安裝架和右安裝架的頂端設(shè)上安裝架，左安裝架、右安裝架、上安裝架上前后方向加工有孔，槽鋼的一段設(shè)在左安裝架上、另一段設(shè)在右安裝架上，在上安裝架上設(shè)上加壓裝置、左安裝架上設(shè)左加壓裝置、右安裝架上設(shè)右加壓裝置。本發(fā)明采用單體實驗架組裝技術(shù)方案，一個單體實驗架可進(jìn)行平面試模加載實驗，兩個以上的單體實驗架可進(jìn)行立體試模加載實驗，單體實驗架上設(shè)置了加壓裝置。

項目簡介：   油氣田開發(fā)

文本語義相似度是指兩個句子或文本片段之間的語義等價程度，其研究在自然語言處理的問答系統(tǒng)、機器翻譯、信息抽取、自動摘要等相關(guān)領(lǐng)域中有著廣泛的應(yīng)用，具有重要的理論意義和應(yīng)用價值。現(xiàn)有的文本語義相似度方法主要基于詞表面特征，但由于詞語間普遍存在概念上的關(guān)聯(lián)，缺乏概念層面的精確計算導(dǎo)致這些方法的準(zhǔn)確性提升困難，而實現(xiàn)全文本在概念層面的精確計算尚無有效模型。 項目團(tuán)隊依據(jù)單個名詞的概念信息量為基礎(chǔ)，分別提出了多種模型和方法實現(xiàn)文本在概念級別快速、精確地計算語義相似度：（1）提出一種基于概念信息量的文本語義相似度無監(jiān)督基本模型；（2）提出一種基于概念信息增益的文本信息量計算方法；（3）提出一種融合信息權(quán)重的全文本信息量計算方法。實驗結(jié)果表明，團(tuán)隊提出方法在SemEval 2013-2016 STS（文本語義相似度）數(shù)據(jù)集上均超過了當(dāng)年最先進(jìn)系統(tǒng)的總成績，并且在SemEval 2017 STS國際測評中，本系統(tǒng)的總成績在所有參賽團(tuán)隊中排名第二，其中在Track 1數(shù)據(jù)集上排名第一（共34個參賽團(tuán)隊提交81個系統(tǒng)）。相關(guān)論文被大會評選為“Best of SemEval 2017”。

文本語義相似度是指兩個句子或文本片段之間的語義等價程度，其研究在自然語言處理的問答系統(tǒng)、機器翻譯、信息抽取、自動摘要等相關(guān)領(lǐng)域中有著廣泛的應(yīng)用，具有重要的理論意義和應(yīng)用價值。現(xiàn)有的文本語義相似度方法主要基于詞表面特征，但由于詞語間普遍存在概念上的關(guān)聯(lián)，缺乏概念層面的精確計算導(dǎo)致這些方法的準(zhǔn)確性提升困難，而實現(xiàn)全文本在概念層面的精確計算尚無有效模型。 我們依據(jù)單個名詞的概念信息量為基礎(chǔ)，分別提出了多種模型和方法實現(xiàn)文本在概念級別快速、精確地計算語義相似度：（1）提出一種基于概念信息量的文本語義相似度無監(jiān)督基本模型（發(fā)表SCI論文1篇，授權(quán)專利1項）；（2）提出一種基于概念信息增益的文本信息量計算方法（發(fā)表SCI論文1篇）；（3）提出一種融合信息權(quán)重的全文本信息量計算方法（發(fā)表SCI論文1篇，最佳國際測評論文1篇）。實驗結(jié)果表明，我們提出方法在SemEval 2013-2016 STS（文本語義相似度）數(shù)據(jù)集上均超過了當(dāng)年最先進(jìn)系統(tǒng)的總成績，并且在SemEval 2017 STS國際測評中，我們系統(tǒng)的總成績在所有參賽團(tuán)隊中排名第二，其中在Track 1數(shù)據(jù)集上排名第一（共34個參賽團(tuán)隊提交81個系統(tǒng)）。相關(guān)論文被大會議評選為“Best of SemEval 2017”。 隨著人工智能相關(guān)技術(shù)的發(fā)展，智能問答系統(tǒng)應(yīng)用在許多行業(yè)和領(lǐng)域中都有迫切的需求。比如在電話咨詢場景中，傳統(tǒng)人工坐席無法滿足日益增加的客戶咨詢量；在政府業(yè)務(wù)公開場景中，智能機器人對用戶的不準(zhǔn)確答復(fù)會影響政府形象和公信力。目前業(yè)界的做法是人工設(shè)計問答系統(tǒng)或者對話系統(tǒng)，而不是使問答系統(tǒng)真正具有人類常識和世界知識，這種系統(tǒng)無法適應(yīng)提問方法的改變或應(yīng)用場景的轉(zhuǎn)換。而概念信息方法以認(rèn)知知識庫為基礎(chǔ)可以獲得大量世界知識，比如概念之間的上下位關(guān)系。在特定領(lǐng)域的問答匹配多個測試數(shù)據(jù)集上的實驗結(jié)果顯示，相對于谷歌最新的深度計算模型BERT，概念信息語義相似度無監(jiān)督模型已經(jīng)比當(dāng)今最優(yōu)深度學(xué)習(xí)模型高出13%-15%。在問答系統(tǒng)上準(zhǔn)確性的優(yōu)勢說明，概念信息語義相似度模型對智能問答系統(tǒng)具有明顯的應(yīng)用落地優(yōu)勢。