面向移动互联网的智能手机碎片化服务体系研究

随着移动互联网浪潮的到来,电信服务面临用户使用习惯改变等新的挑战;而市场环境的变化也使得电信运营商越来越重视服务领域的竞争。文章从建设智能平台与服务能力、整合手机服务渠道、推进手机服务产品化、建立泛在服务体系等四个方面探讨了电信企业建立智能手机碎片化服务体系的方法。智能手机碎片化服务体系以手机为服务媒介,整合微博、短信、Wap、客户端等微渠道的协同服务功能,推出微咨询、微交费、微办理等系列碎片化服务产品,并建立手机服务智能管理平台,构建智能手机服务体系,为用户提供个性化碎片化的服务。     

模拟视觉系统的稀疏编码神经网络模型

神经生物学研究表明,视感知系统V1层神经元的感受野对刺激图像采取稀疏表示的策略.本文模拟视感知系统对视觉信息的处理提出了稀疏编码的神经网络模型.该模型用快速ICA算法得到的特征基模拟感受野,反馈网络的输出模拟简单细胞的响应.对自然图像的编码实验说明该模型在生物学上的合理性和计算上的可行性.     

极化SAR相干斑抑制极化白化滤波器

相干斑抑制是合成孔径雷达(SAR)图像和极化SAR图像后处理的首要问题。该文针对最优的极化相干斑抑制滤波器极化白化滤波器(PWF)仅输出一个强度图像的缺陷,对 PWF进行了改进,得到了各个极化通道的强度图像。     

利用多尺度分析和编组的基于目标的注意计算模型

模拟生物视觉感知提出一种基于目标的注意计算模型,主要用到两个关键技术:多尺度分析和编组.用于多尺度分析的微分算子从原始图像中提取重要边缘,随后源于格式塔知觉组织规则的轮廓编组过程将边缘组织成感知目标.注意焦点按照各目标显著程度递减的顺序在目标间转移,目标显著程度由边缘重要性、区域对比度和轮廓闭合性共同决定.该模型考虑了目标的独立性和完整性,因此比基于空间的注意有更高的检测精度.多尺度分析为轮廓编组提供了候选边缘,从而提高了编组的效率.对多类自然图像的实验验证了该模型计算上的高效性和生物学上的合理性.     

一种学习向量神经网络的图像插值算法

利用一种新型学习向量神经网络实现了对灰度图像的基于最佳点对匹配的图像插值。采用新型学习向量神经网络的最佳点对匹配图像插值算法插值出的中间图像,较好的解决了插值图像边缘模糊的现象。试验结果表明,该方法插值得到的图像边界清晰较好,模糊度小,图像连续。     

双输入双任务注意力网络融入噪声标签纠正机制的人脸美丽预测

人脸美丽预测是研究让计算机具有与人相似的人脸美丽预测能力的前沿课题,目前存在监督信息不足、模型易受噪声标签影响等问题。多任务注意力网络（Multi-Task Attention Network,MTAN）利用单个数据库的多种标签类型数据进行监督训练,但忽略了多个仅有一种标签类型的数据库进行多任务训练时效果不佳的问题;同时,未考虑噪声标签对MTAN的影响。噪声标签纠正机制通过比较最大预测概率和标签对应预测概率,来纠正噪声标签。为此,本文结合MTAN,提出双输入双任务注意力网络（Dual-Input Dual-Task Attention Network,DIDTAN）,并融入噪声标签纠正机制。其中,DIDTAN能同时利用两个单标签类型人脸美丽数据库的监督信息,从而解决监督信息不足;而该网络融入噪声标签纠正机制,解决了噪声标签的影响,进而提高了人脸美丽预测准确率。DIDTAN将MTAN中任务共享的批量归一化层（Batch Normalization,BN）扩展为不同任务特定的BN层;引入神经辨别性降维（Neural Discriminative Dimensionality Reducti...     

衰退和离网阶段的客户生命周期管理在中国电信之应用研究

随着我国电信业发展开始饱和、竞争加剧、客户流失加大,各大运营商纷纷引进客户生命周期管理这一新兴理论.本文以该理论的应用为基础,着重探讨如何构建电信客户挽留体系对衰退和离网阶段的客户进行有效的管理,保持有价值的客户,延长其在网时间,从而提高客户生命周期总价值.     

一种基于自监督学习的人脸美丽预测方法

人脸美丽预测是研究如何让计算机判断人脸美丽的前沿课题，随着深度学习的不断进展，已经取得了一定效果。然而，基于深度学习的人脸美丽预测需要大量的训练数据和昂贵的人脸美丽标注。因此，如何在少样本条件下取得较好效果，仍有待深入研究。自监督学习可在上游任务中利用无标注数据来学习较好的特征，从而能在下游任务中降低对标注数据的依赖。为此，本文将自监督学习应用于人脸美丽预测，采用批次内对象识别和多视图特征聚类。其中，批次内对象识别通过给每批次不同样本分配独立的伪标签来学习特征，使得网络有区分每个样本对象的能力。多视图特征聚类首先将人脸图像进行多次数据增强；再经过编码器，得到人脸属性特征；最后通过自监督约束使人脸属性特征聚合在一起。基于大规模亚洲人脸美丽数据库（Large Scale Asia Facial Beauty Database, LSAFBD）和SCUT-FBP5500数据库的实验结果表明，本文所提方法降低了模型对有标注数据的依赖，提高了预测准确率，在少样本条件下优于以Resnet18为基线的有监督学习方法，准确率高于常规自监督学习方法，可广泛应用于目标检测和图像分类等领域。