Ming Lu, Chaozhuo Li, Pengbo Wang, Chenxu Wang, Litian Zhang, Zheng Liu, Qiwei Ye, Yi Hua, Yushan Cai, Yuanbo Xu, Hao Zhao, Feiran Huang, Xi Zhang, Philip S. Yu
IEEE Transactions on Computational Social Systems · 2026
Zhi Li; Chaozhuo Li; Feiran Huang; Xi Zhang; Jian Weng; Philip S. Yu
Department of Computer Science, University of Illinois at Chicago, Chicago, IL, USA
Xinlei Ge; Yang Li; Xing Zhang; Yukun Sun; Yunji Zhao
Wireless Signal Processing and Network Laboratory, Beijing University of Posts and Telecommunications, Beijing, China
Liwen Zheng, Haoran Jia, Hongyan Xie, Xi Zhang, Yuming Shang
Natural Language Processing and Chinese Computing · 2023
本文介绍了“Guess Right or Not (Ours)”团队为NLPCC 2023 共享任务2（https://github.com/Yottaxx/NLPCC23_SciMRC）--多视角科学机器阅读理解（Multi-perspective Scientific Machine Reading Comprehension）所提出的系统。该任务要求参与者基于最先进的自然语言处理（NLP）和深度学习技术，开发一个阅读理解模型，从给定的科学文本中提取单词序列或句子作为相关问题的答案。针对该任务，我们使用了一个细粒度的上下文编码器，以突出科学文本中与问题高度相关的关键上下文信息。此外，基于现有的先进模型CGSN [7]，我们利用局部图网络和全局图网络来捕捉科学文本中的全局结构信息，并通过证据记忆网络进一步缓解冗余问题，通过在前面步骤中保存所选结果来实现。实验表明，我们提出的模型在NLPCC 2023发布的数据集上表现良好，并根据官方结果，我们的方法在SMRC任务2中排名第一。
Machine Learning and Intelligent Communication · 2023
本文介绍了一种针对道路分割领域高效数据增强的新颖类特定噪声方法。这种方法是基于一个观察：在实际图像分割中，特定类别的边缘区域通常比内部区域更具重要性。与传统的数据增强技术不同，我们的方法根据特定的类别来定制噪声的生成。通过实验验证，我们证明了所提出的方法可以显著提高模型在测试数据集上的平均交并比（mean intersection over union, miou）性能。我们的技术对广泛的图像分割任务都有潜力，包括但不限于医学成像和道路分割。
Li Gao, Xu Wu, Jingchen Wu, Xiaqing Xie, Lirong Qiu,Lijuan Sun
2021 IEEE Sixth International Conference on Data Science in Cyberspace (DSC) · 2021
随着多媒体时代和读图时代的到来，图像数据敏感内容的识别效果成为维护网络社区信息安全的关键。目前，针对网络社区敏感图像的图像分类与识别技术无法获取图像的语义内容，难以将图像信息与网络社区知识相结合，导致识别准确率低、可解释性差，难以追溯网络社区图像信息的传播和发酵。针对该问题，本文利用图像字幕技术，提出了一种基于内容文本的网络社区敏感图像信息识别模型。通过对网络社区图像内容进行文本描述，并融合大量网络社区文本知识，该模型最终能够更准确、更易理解地识别出包含敏感内容的图像，并通过内容文本追溯网络上图像信息的传播。本文采用MSCOCO（Microsoft Common Objects in Context）数据集和自制的网络社区敏感图像数据集作为训练集。实验结果表明,本文提出的方法在图像敏感信息识别结果的准确率和可追溯性方面明显优于基于图像分类任务的模型,证明了基于内容文本的网络社区敏感图像信息识别的可行性和有效性。
