会话代理商在学术界(在研究方面)和商业方面(在应用方面)都开始崛起。本文研究了使用神经网络生成模型构建非目标驱动的会话代理的任务,并分析了如何处理会话上下文。它将较简单的编码器 - 解码器与分层递归编码器 - 解码器架构进行了比较,该架构包括一个额外的模块,用于使用先前的话语信息对会话的内容进行建模。我们发现层次模型能够提取相关的上下文信息并将它们包含在输出的生成中。然而,它比简单的编码器 - 解码器模型在语法正确的输出和有意义的响应方面表现更差(35-40%)。尽管有这些结果,但实验证明了由于特定主题相关词的频率增加,相似主题的对话如何在上下文空间中彼此接近,从而为将来的研究留下了有希望的方向,以及如何利用对话的内容。
translated by 谷歌翻译
压缩是计算机科学中的一个重要主题,它允许我们在数据存储上存储更多数据。有几个techniquesto压缩任何文件。在本文中将描述压缩JPEG等图像的最重要的算法,并将其与另一种方法进行比较,以找出在图像上不使用此方法的充分理由。因此,为了比较文本,已知的最多编码技术是霍夫曼编码,它将以详尽的方式解释。在这篇手稿中将展示如何在图像上计算文本压缩方法,特别是如何选择相对于另一个的确定图像格式的方法和原因。在该手稿中研究和分析的方法是重新配对算法,其对于语法上下文来说是压缩的。在,并将显示该应用程序的良好结果。
translated by 谷歌翻译
雷达和光学卫星图像时间序列(SITS)是信息的来源,通常用于监测地球表面,用于与生态,农业,流动性,土地管理规划和土地覆盖监测有关的任务。许多研究都是使用其中一个来源进行的,但如何巧妙地结合雷达和光学SITS提供的补充信息仍然是一个开放的挑战。在这种情况下,我们提出了一种新的神经结构,用于在物体层面上组合Sentinel-1(S1)和Sentinel-2(S2)图像,应用于现实世界的土地覆盖分类任务。在印度洋的法国海外部门留尼汪岛进行的实验证明了我们提案的重要性。
translated by 谷歌翻译
如今,现代地球观测系统不断产生大量数据。一个值得注意的例子是Sentinel-2任务,它以高空间分辨率(高达10米)提供具有高时间访问周期(每5天)的图像,可以在卫星图像时间序列(SITS)中进行组织。虽然在土地利用/土地覆盖(LULC)地图生成的背景下已经证明使用SITS是有益的,但遗憾的是,通常在遥感领域中利用的机器学习方法未能利用这些数据中存在的时空依赖性。最近,新一代深度学习方法可以显着提高该领域的研究水平。这些方法一般侧重于单一类型的神经网络,即卷积神经网络(CNN)或逆流神经网络(RNN),它模拟不同但互补的信息:空间自相关(CNN)和时间依赖(RNN)。在这项工作中,我们提出了第一个用于分析SITS数据的深度学习架构,即\ method {}(DUal view Point deep Learning architecture fortime series classificatiOn),它结合了卷积和递归神经网络来利用它们的互补性。我们的假设是,由于CNN和RNN捕获数据的不同方面,两种模型的组合将产生更多样化和完整的基础土地覆盖分类任务的信息表示。在具有不同土地覆盖特征的两个研究地点进行的实验(即法国的\ textit {Gard}遗址和IndianOcean的\ textit {Reunion Island})证明了我们提案的重要性。
translated by 谷歌翻译
我们针对音频和/或语音标签解决了重建关节运动的问题。多说话者关节数据的稀缺性使得难以学习对新闻报道和数据集进行推广的重建。我们首先考虑XRMB数据集,其中提供音频,发音测量和语音转录。我们展示了语音标签,用作重构神经网络的输入,重建关节特征,在匹配和不匹配的训练测试条件下,通常比声学特征更有帮助。在第二个实验中,我们测试了一种新方法,该方法试图从从语音标签中提取的先前关节信息建立关节特征。这种方法直接从仅声学数据集恢复声道运动而不使用任何关节测量。结果显示,通过这种方法产生的关节特征可以将高达0.59Pearson的产品 - 力矩相关性与测量的关节特征相关联。
translated by 谷歌翻译
如今,地球观测系统提供了大量的异构远程传感数据。如何利用其互补性来管理这种丰富性是现代遥感分析的关键挑战。数据融合技术处理这一点提出了在不同数据传感器之间组合和利用互补性的方法。考虑到光学超高空分辨率(VHSR)图像,卫星以不同的空间分辨率获得多光谱(MS)和全色(PAN)图像。 VHSR图像被广泛利用来制作土地覆盖图,以处理农业,生态和社会经济问题,以及评估生态系统状况,监测生物多样性和提供投入以构想食品风险监测系统。从这种VHSR图像生成土地覆盖图的常用技术通常选择先前对多分辨率源进行扫描以进行全分辨率处理。在这里,我们提出了一种新的深度学习架构,可以联合使用PAN和MS图像进行直接分类,无需任何先验图像融合或重采样过程。通过在其空间分辨率下管理光谱信息,我们的方法名为MRFusion,旨在避免由pansharpening或任何其他手工制作的预处理引起的可能的信息损失。此外,所提出的架构被适当地设计为容许源的非线性变换,其明确目的是尽可能地利用PAN和MS图像的互补性。实验是在描绘具有不同土地的大区域的两个真实世界场景上进行的。封面特征。所提出的场景的特征强调了我们的方法在操作设置中的适用性和一般性。
translated by 谷歌翻译