上下文感知

摘要： 为了更好地在复杂环境下跟踪到目标的运动轨迹,提出一种基于上下文感知的自适应目标跟踪算法.在满足实时性和精度的情况下,利用相关滤波联合全局上下文进行背景训练,利用目标及其上下文区域,实现协同跟踪.通过卡尔曼滤波估计出目标的运动方向,并在训练滤波器时将目标运动方向上的背景信息作为先验信息,降低非运动方向上背景样本的权重,增加运动方向上样本的权重.采用目标跟踪算法结合联合全局上下文算法训练尺度滤波器和位置滤波器,确定当前帧中目标的最优尺度.针对目标遮挡问题,以平均峰值相关能量作为遮挡判据指标对模型进行更新.在OTB—2015基准集上进行测试,该算法在多种复杂环境下也能较好地跟踪到目标运动轨迹,显著提高了相关滤波器的鲁棒性.

摘要： 针对现有的序列化模型对中文隐式情感分析中特征信息提取不准确以及对篇章级的文本信息提取存在的梯度爆炸或者梯度消失的问题,提出了双向长短时神经网络和上下文感知的树形递归神经网络(context-aware tree recurrent neutral network,CA-TRNN)的并行混合模型。该模型分别利用双向循环长短时记忆神经网络(BiLSTM)提取文本中的上下文信息,树形递归神经网络(TRNN)提取文本中目标句的语义特征信息,最后,使用特定目标句的注意力机制将两个表示信息进行融合表示后,经过softmax得出文本的情感分类结果。采用SMP2019微博中文隐式情感分析任务中的数据进行验证,实验结果表明,所使用的模型(CA-TRNN)可以有效提高分类结果的准确度,时间代价小,具有更好的应用能力。

摘要： 当前,物联网应用程序从环境中感知到大量数据,这些数据需要以最小的延迟进行处理。用户终端作为无处不在的网络终端设备,由于资源有限,无法在本地处理所有的计算。多接入边缘计算是处理网络边缘计算的良好架构,解决了诸如延迟、能源和成本等挑战。如果UE无法处理计算,MEC将把任务卸载到边缘或云上。研究表明,忽略应用程序、请求、传感器、资源和网络工具的上下文信息会导致卸载方法无法完成。因此,文章将对多用户的MEC中具备上下文感知卸载方法进行研究,通过对能量消耗、执行成本、网络使用率、延迟和公平性等指标的比较,证明考虑上下文感知算法将明显优于不考虑上下文感知算法,从而对优化卸载算法提供参考依据。

摘要： 由于传统的相关滤波目标跟踪算法余弦窗和搜索区域的限制,在复杂场景下容易产生跟踪漂移,上下文感知算法提出一个框架允许将上下文纳入相关滤波器,但其没有计算上下文信息对目标的干扰程度而直接采用相同的抑制权重,因此无法对干扰程度不同的上下文信息自适应赋予不同程度的抑制。基于此,提出一种上下文抑制权重自适应的相关滤波类目标跟踪算法。首先,将目标周围的背景信息学习到滤波器中,增强滤波器模板对于目标和上下文背景信息的分类能力,同时引入自适应权重系数向量;其次,提出一个上下文信息干扰系数公式,用于定量评估目标上下文信息对于目标的干扰程度;再次,依据所提出的公式分别计算出上下文信息的干扰程度之后,将其与自适应权重系数向量匹配,从而实现对目标干扰程度越大的上下文信息,抑制的程度越大;最后,基于OTB100数据集验证了该算法的有效性。实验结果表明,这种算法的成功率和精确度较其基准算法分别提升了约5.7%和4.3%,具有较强的鲁棒性。

摘要： 针对传统相关滤波器使用特征单一、背景信息不足等缺点,提出一种多特征融合的自适应加权采样的上下文感知相关滤波算法。首先,对于灰度图像序列,采用方向梯度直方图(FHOG)特征、局部二值模式(LBP)特征以及灰度特征相融合;对于彩色图像序列,则采用方向梯度直方图(FHOG)特征、局部二值模式(LBP)特征以及颜色(CN)特征相融合。其次,自适应采样响应图中的高响应区域,将其作为负样本引入滤波器训练中,并对最高响应区域赋予更高的抑制权重。对于目标尺度变化问题,引入尺度池进行尺度估计。最后,在OTB100数据集上实验的结果表明,相比原算法,本文算法的距离精度提高了8.5%,成功率提高了14.7%,并将本文算法与其他几种主流算法对比,验证了其有效性。

摘要： 针对当前相关滤波跟踪算法在目标进行旋转、快速运动和被遮挡时,易出现跟踪漂移甚至跟丢的问题,提出一种卷积视角下抗遮挡相关滤波跟踪方法.该方法在相关滤波算法框架的基础上,利用上下文感知方法增加背景信息,引入多模态历史池更新策略增强抗遮挡的跟踪性能.首先,设计出一套基于卷积视角的公式推导体系,巧妙地引入卷积定理在频域上求解滤波器,相比于现有文献中循环矩阵对角化的滤波器求解方法,该推导方法易于理解.然后,通过引入上下文相关信息,设计合理的能量泛函压制背景区域的响应值,达到更加稳健跟踪目标的目的.最后,建立历史多模态目标池,一旦相关响应最大的样本与历史模板池各多模态模板相似度低于人为设置阈值,则认定该帧出现遮挡,不进行模板池、外观模型、滤波器的更新,有效解决遮挡挑战下跟踪漂移的问题.将所提方法在OTB2015上进行测试,实验表明在目标旋转、快速运动、被遮挡等条件下,所提方法在保证准确跟踪的同时保持较高的速度,优于实验所提的其他方法.

摘要： RGB-T视觉目标跟踪可以挖掘可见光与红外视频的互补优势,实现更鲁棒的跟踪。针对上下文感知相关滤波跟踪器固定位置、固定数量采集上下文感知块的局限性,提出了一种自适应上下文感知相关滤波的RGB-T目标跟踪算法。首先该算法用一个滤波器同时学习两个模态的目标信息,挖掘两个模态的互补性和一致性来适应多种挑战性场景;其次在滤波器的训练中,根据目标与周围上下文块的相关性,自适应选择加入上下文感知块。数据集GTOT和RGBT234上的实验结果表明该算法能更好应对光照、外观变化与遮挡带来的跟踪挑战,获得更高的精确率和成功率。

摘要： 针对图像背景噪声、透视畸变等影响人群计数网络计数精度的问题,提出一种基于背景抑制与上下文感知的新网络。利用VGG-16网络提取图像特征,并分别将特征输入密度图生成模块和背景噪声抑制(BNS)模块中进行处理,生成密度特征图和空间注意力图。使用BNS模块优化密度特征图并生成初级密度图,以抑制图像中背景噪声干扰,提高人群区域的特征权重。为减少透视畸变对人群密度估计的影响,使用上下文感知增强网络优化初级密度图,并生成预测密度图。在ShanghaiTech、UCF-CC-50及UCF-QNRF 3个公开数据集上的实验结果表明,该网络相较于MCNN、SwitchCNN、CSRNet等网络的计算准确度较高,尤其在UCF-QNRF数据集上其平均绝对误差和均方误差分别为85.8、146.0,相较于其他网络最高分别下降69.0%和67.2%,能充分抑制图像背景噪声并有效减小透视畸变引起的误差,具有良好的泛化能力和较强的鲁棒性。

摘要： 为解决兴趣点推荐中个性化不足和推荐性能较差的问题,提出一种基于矩阵分解的上下文感知兴趣点推荐方法。通过建立矩阵分解模型综合考虑时间、地理位置等上下文信息对兴趣点推荐的影响,在协同过滤算法中融入时间序列建模用户偏好,利用随机梯度下降法优化矩阵分解模型的参数,提高模型的运行效率。实验结果表明,该方法能够满足不同用户的个性化需求,相比于其它主流兴趣点推荐方法有着更好的推荐性能。

摘要： 文档分类是自然语言处理(NLP)领域中的一个基本问题.近年来,尽管针对这一问题的层级注意力网络已经取得了进展,但由于每条句子被独立编码,使得模型中使用的双向编码器仅能考虑到所编码句子的相邻句子,仍然集中于当前所编码的句子,并没有有效地将文档结构知识整合到体系结构中.针对此问题,提出一种上下文感知与层级注意力网络的文档分类方法(CAHAN).该方法采用分层结构来表示文档的层次结构,使用注意力机制考虑文档中重要的句子和句子中重要的单词因素,在单词级和句子级不仅依赖双向编码器来获取上下文信息,还通过在单词级注意机制中引入上下文向量,使单词级编码器基于上下文信息做出注意决策全面获取文本的上下文信息,从而提取出深度文档特征.此外,还利用门控机制准确地决定应该考虑多少上下文信息.在两个标准数据集上的实验结果表明,提出的CAHAN模型较长短时记忆网络(LSTM)、卷积神经网络(CNN)、分层注意网络(HAN)等模型分类效果更好,能够提高文档分类任务的准确度.

摘要： 为实现精细化的室内导航服务,综合考虑室内空间特性以及上下文感知的应用需求,定义了规范化的室内导航模型数据结构,设计了室内POI数据模型,并针对不同类型POI给出了对应的POI与导航模型的转换方法.具体分析了时间、位置、用户、拥挤、事件五类典型上下文信息对路径规划的影响并建立对应的描述模型.基于所提空间模型与上下文信息模型,提出了上下文感知的路径规划实现流程与方法,并针对拥挤情况、事件两类上下文信息的特点建立了对应的权值更新方法.设计了两组不同上下文背景条件下的室内路径规划模拟实验,通过比较分析其最优路径结果,验证了本文所提模型与方法的有效性.

摘要： 为了应对BYOD给企业资源带来的安全挑战,尽可能地满足员工、合作伙伴等对企业资源的合理访问需求,该文对BYOD、上下文及上下文感知、UCON访问控制等进行了研究,给出了BYOD移动终端上下文的分类和建模,阐述了上下文的获取原理,提出了基于BYOD移动终端上下文感知的UCON访问控制模型和体系结构,并进行了详细说明.

摘要： 当前,开发灵活的适应环境变化的上下文感知应用较为复杂.在上下文感知应用开发过程中,很多未知情况无法事先被充分考虑到,实际的开发又需要处理很多意外情形,因此有效地表示和处理上下文尤为重要.谓词检测作为实现上下文感知的重要方法之一,能够有效对上下文信息进行建模,但在实际应用中对于真实物理设备的支持如何在很大程度上仍然是未知的.为了应对以上问题,通过构建一个简单的物理场景,将谓词检测方法应用于真实的机器小车上,支持其在一个既定轨道上完成运行任务.在该场景下对原始的上下文环境进行建模,将环境特性逐步规约成特定的快照谓词和序列谓词,并在案例研究中,对规约化的谓词进行检测,将谓词检测应用于真实的机器小车实验上.实验分析的结果表明,谓词检测的方法能有效检测小车的上下文特性并成功支撑小车完成既定的行走目标.

摘要： 如何在网络上寻找到最适合的地理信息服务，即服务的发现与匹配技术的需求变得越来越迫切。本文结合普适思想探讨了基于上下文感知的地理信息服务发现与匹配框架及关键技术，并通过一个原型系统验证了该框架及关键技术的可行性。

摘要： 上下文感知应用和普适计算环境逐渐渗入人们生活环境的今天，上下文感知应用的设计开发时的支撑环境方面仍主要采用传统的面向对象等技术及编程模型，这样在设计时与上下文相关的行为会分布在程序中，即环境上下文和行为在程序编码时就进行了绑定，这使得环境依赖因素和程序控制主体结合的过分紧密，不能适应普适计算环境多样、复杂、动态和多变等特点，更难于进行系统维护和扩展。本文以实现应用程序动态适应环境信息变化为目的，设计并实现了采用动态代理为底层实现机制，通过映射规则的建立将上下文信息和编程逻辑进行分离的上下文感知编程模型EIPM，提供了相应的开发编译平台和执行容器在内的应用框架系统原型，实现一种适应普适计算环境上下文动态复杂多变特点的编程模型。以普适环境文件访问系统中上下文感知部分模块的开发为例，进行了EIPM应用框架原型系统功能的可行性测试，结果表明EIPM编程模型具备了对环境上下文变化的动态适应性。

摘要： 自然场景中的文本信息对于高层图像理解很有帮助.本文针对传统的基于区域的场景文字检测,融入新的上下文信息.通过尺度间置信概率更新以利用相邻尺度间的上下文信息,同时介绍了连通域自增长用以从各尺度内候选文本行中探寻上下文信息.依次通过级联Adaboost滑动窗分类,尺度间置信度更新,及连通域自增长的方法得到最终场景文字检测结果.在ICDAR 2011场景文字检测竞赛的数据集上进行了测试,并通过测试结果验证了方法的有效性.此外,还在由智能手机收集的新的中文自然场景识别数据集上进行了测试.

摘要： 上下文感知是普适计算的最主要特征之一,它要求系统能够依据当前的上下文调节自身的行为.现今关于上下文相关的形式化工作主要集中在两个方面:上下文表示以及系统行为建模;而在关于如何对"上下文进行操作"这一方面的形式化工作却很少.本文提出一套基于集合论的用于描述上下文及其操作的形式化系统.在本系统中,上下文被定义为一系列上下文条目(context entry)所组成的集合;在此基础之上,对原有集合系统的基本操作进行了修改和扩展,引入一系列上下文操作(operation);通过对这些操作的组合,可以依据应用的不同需求来描述相应的上下文处理流程和逻辑.

摘要： 基于上下文感知的显著区域检测模型(Context-Aware,CA)对于大目标和复杂背景图像中显著对象检测存在检测内容缺失和误检的问题。在CA模型的基础上,引入图像清晰度的视觉反差特性,提出非清晰区域抑制下的图像显著对象检测方法。该方法以离散度作为判断图像中是否存在清晰度差异的标准,并对存在差异的图像进行抑制。实验结果表明,非清晰区域抑制的CA方法可以在较好的解决大目标检测和复杂背景误检问题,提高了显著对象检测精度。

摘要： 为了动态适应不断改变的业务环境，对企业业务流程的重组和再造提供支持，使用上下文感知技术，提出了一种新的构件——自适应构件。该类构件采用事件机制，动态感知外界环境所发生的变化，并主动调整自身，以适应外部的变化；基于自适应构件，结合柔性工作流机制，构造了一个工作流流程动态变更模型；形式化的描述了模型中流程构件的加入、删除、替换和更新操作，并给出利用四种操作实现流程动态变更的算法。通过实例说明流程动态变更模型的应用。

摘要： 显著物体检测与提取是计算机视觉应用领域中一个基础性技术。传统的显著性检测往 往要求得到区域的精确定位及提取，而忽略了事物的语义背景。本文运用一种基于上下文感知的显著物体检测方法，并结合图像子区域提取和区域修正，得到带有上下文信息的图像显著性 描述。

摘要： 本发明名称为“处理上下文感知平台中的传感器”。上下文感知平台的上下文引擎可以包括耦合到上下文提供器的提供器管理器，以及提供器管理器可以使用应用编程接口(API)与上下文提供器通信。为了优化系统资源的使用，提供器管理器可以基于提示信号的加载字段的值或基于预测值来加载/卸载上下文提供器。如果提示信号中将用于多个传感器的第一组传感器的优选活动性级别设置为激活状态，则上下文提供器将激活第一组传感器。如果提示信号中将用于第一组传感器的优选活动性级别设置为去活状态，则上下文提供器将去活多个传感器的第二组传感器。

摘要： 本发明涉及一种基于虚拟感知能力部件的上下文感知计算的方法和系统，物理感知模块获取并发布物理感知设备的实时感知数据；逻辑感知模块将物理感知能力抽象为逻辑感知能力并发布，并对原始感知数据进行封装和发布；上下文服务器登记、管理和移除逻辑感知能力和自适应实体需求并依据不同的应用类型进行绑定；自适应实体虚拟感知能力部件描述并发布自适应实体的上下文需求和订阅请求，实现与相应逻辑感知单元的绑定，完成对上下文信息的解析并提供给自适应实体；自适应实体模块依据计算的需要发布订阅请求，一旦获得所需上下文信息则完成自适应的服务。优点是支持普适计算环境中上下文信息的动态共享，对自适应实体计算的实时性和可靠性提供了支持。

摘要： 本发明涉及文本分类技术领域，具体是一种基于上下文感知自适应卷积网络的文本分类方法，其具体步骤包括S1‑S4。本发明使用了多种卷积核，在提取特征的时候能够更好的提取对分类精度有用的文本特征，对于语义单元来说，能够让网络学习到更多文本信息，利用多种卷积核可以让CNN网络进一步考虑与当前文本关联的更多有用信息，其次，对于多种卷积核采用网络能够对其进行约束，通过不同分支学习到不同卷积核的重要程度，赋予不同的权重，最终完成文本分类任务，经实验表明本申请CACN网络分别在AG、Yelp_F、Yelp_P三个数据集上达到了92.6％、65.5％、95.8％的准确率。

摘要： 本教导涉及用于人机对话的方法、系统、介质和实施方式。从参与人机对话的用户接收关于对话场景中的话题的话语。获得并分析与人机对话相关的多模态周围信息以跟踪人机对话的多模态上下文。基于所跟踪的多模态上下文，以上下文感知的方式进行用于话语的口语理解的操作，以确定话语的语义。

摘要： 本发明提出一种基于自适应上下文感知的目标跟踪方法，包括：初始化卡尔曼滤波器、位置相关滤波器和尺度相关滤波器；利用第t帧中的卡尔曼滤波器和位置相关滤波器分别对第t+1帧中的目标位置进行估计，并根据位置相关滤波器的跟踪置信度确定第t+1帧中的目标位置；利用第t帧中的尺度相关滤波器对第t+1帧中的目标尺度进行估计；更新卡尔曼滤波器；当跟踪置信度大于一定阈值时，利用最优目标区域的位置、尺度和高可信度的干扰背景区域更新位置相关滤波器，并更新尺度相关滤波器。本发明利用高可信度的干扰背景更新相关滤波器，提高了对目标及背景的辨别力，并在跟踪可信时才更新相关滤波器模型，减少了模型漂移和更新次数，提升了跟踪速度。

摘要： 本发明公开了一种基于时空上下文特征感知的三维人体姿态估计方法，从视频每一帧中提取相应的二维人体姿态，并组成二维人体姿态骨架数据序列，利用空间上下文感知模块依次处理二维骨架序列从中获取人体结构隐含的几何约束信息特征，通过时间上下文感知模块从整个二维人体骨架序列数据中提取内在的时间特征，最后利用回归模块从前述模块生成的特征中回归出相应的三维人体姿态。本发明显著地提升三维人体姿态估计精度，并且消耗的计算资源更少，有较强的鲁棒性。

摘要： 本文中公开了一种计算设备。该计算设备包括存储针对应用开发平台的处理器可执行指令和应用开发平台的上下文感知撤消重做服务的存储器。该计算设备包括处理器，该处理器执行处理器可执行指令以使该计算设备接收关于屏幕上的环境变量的撤消操作的第一调用。该计算设备还根据活动上下文来导航到屏幕中的配置屏幕，以响应于第一调用而使配置屏幕可见。配置屏幕示出环境变量的一部分。该计算设备还接收撤消操作的第二调用，并且响应于第二调用而执行撤消操作，以在配置屏幕可见的同时还原对由配置屏幕示出的环境变量的一部分的改变。

摘要： 本发明涉及计算机视觉领域，提出一种上下文感知、噪声鲁棒的行人搜索方法，采用深度学习框架，包括：1)使用一个端到端的行人搜索神经网络同时完成行人检测和行人辨识；2)在神经网络的训练过程中对行人特征的不确定性进行建模并额外使用同一场景行人的上下文信息约束行人的特征表示；3)第一阶段的训练结束后，对于网络预测的每一行人身份特征中心进行相似性比对，分析潜在的数据噪声；4)进行第二阶段的训练，在该阶段的训练过程中对于数据噪声进行抑制；5)使用训练完毕的行人搜索网络进行行人检索任务并按照行人的相似程度对结果进行可视化。此算法具有充分利用场景图像中的上下文信息，对于遮挡以及错误数据标注等来源的噪声鲁棒，相比现有的相关方法更加准确的特点。

摘要： 本发明提出了一种新的上下文感知卷积神经网络的全脑三维解剖结构分割方法。该方法在卷积神经网络的卷积模块后串联一个全新的双重注意力模块。该模块通过卷积自动学习通道和空间注意力权重并分别对输入的卷积特征进行加权，再通过卷积自适应融合加权后的卷积特征，以此提高网络的分类性能。此外，本发明将图像中待分割对象所有体素为中心的图像块作为训练数据，通过完全采样充分利用有限的标注数据对其样本分布进行较为完整的学习，以此进一步提高网络的分类性能。本发明提出的方法具有分割精度高、稳定性好的优点。在10个实施例的磁共振脑图像分割中，本方法获得分割结果的平均精度达93.27％，这比当前最先进的DeepNAT方法获得分割结果的平均精度提高了3.790％。

摘要： 本发明提出一种基于深度神经网络的上下文感知推荐方法，属于互联网信息推荐技术领域，本发明使用用户特征向量和推荐对象特征向量构建推荐方法，利用卷积神经网络算法提取每个推荐对象的文本特征，为每个推荐对象构建文本嵌入向量，使用矩阵分解技术提取用户潜在特征向量；本发明不需要专业领域知识和个体信息，安全简单；采用最小均方根误差作为优化约束条件，在实现过程中只需要针对评分矩阵进行训练，仍能给出正确的预测评分，避免了数据稀疏导致的预测误差问题；该方法利用深度神经网络对推荐用户潜在特征矩阵和推荐对象嵌入矩阵进行融合，得到高维的推荐对象特征向量，并且进行联合训练，使推荐方法避免过拟合，优化推荐结果。