基于Caffe的并行绘制系统帧绘制时间预测

在具有多个绘制节点的并行绘制系统中,负载均衡算法起到至关重要的作用,直接影响到并行绘制系统的工作效率和系统资源的利用率。传统方法利用基于绘制历史所预测下一帧的绘制时间来作为负载均衡算法的负载划分依据,这种方法在突变场景中负载估计准确度较低。针对基于绘制历史算法中的问题,采用深度学习的方法来预测下一帧绘制的时间。该方法通过采用Caffe深度学习框架,首先采集并行绘制系统中影响负载的数据,然后输入采集到的数据集训练和测试设计的神经网络模型,最后在预测下一帧绘制时间时,调用训练好的模型实时获得下一帧的绘制时间。通过实验验证,深度学习方法提高了突变场景中下一帧绘制时间预测的准确度,并且预测所需时间满足了并行绘制系统的实时需求。该方法在预测准确度和预测耗时方面都达到的并行绘制系统负载平衡能够接受的范围。

基于改进ORB算法定点化研究与FPGA加速在智能驾驶中的应用

特征点检测是计算机视觉研究领域一项重要研究问题。虽然存在许多特征点检测方法,但特征点检测与匹配仍无法达到实时效果。改进ORB特征点检测算法,首先对图像进行直方图均衡,提高图像对比度,使图像更清晰。然后对图像进行高斯滤波,消除图像噪声。在原有ORB算法的基础上,在匹配点视差为5像素的左右邻域内矫正匹配点的位置。如果匹配点所处金字塔层数相差两层及以上,则特征点误匹配。并对该算法进行定点化研究。同时利用FPGA实现该算法的硬件加速,使之能实时地应用到智能驾驶系统中。

深度学习在答案选择句意表示上的应用研究

研究了卷积神经网络(CNN)、循环神经网络(RNN)以及结合两者的混合深度神经网络在答案选择句意表示上的应用,并在开放数据集Ubuntu Dialog Corpus上做对比实验。实验结果表明,结合CNN和RNN的混合深度神经网络模型在问答系统语义表示上的效果比单个的CNN或者RNN更好。

一种基于控制流图特征的Linux平台恶意代码检测方法

随着Linux操作系统的普及和恶意代码的增长,Linux系统的安全性也在下降。为了有效地检测Linux平台上的恶意软件,提出一种基于控制流图特征的恶意软件检测模型。以对ELF样本进行静态分析得到的汇编代码为基础构建控制流图,并提取一些属性作为特征向量,使用机器学习算法进行训练分类器。以恶意软件样本202个、良性软件305个为数据集,采用WEKA集成的4种算法J48、Random Forest、IBK和Naive Bays训练分类器,采用10折交叉验证评估分类器的性能。实验证明4个分类器能够有效地检测出恶意代码,并且准确率高,误报率低,其中Random Forest效果最好。

组网实验辅助平台的研究实现

《网络技术与实践》作为《计算机网络》的后续课程,实验部分占一半以上,要求学生具备较强的动手能力、自主学习能力和创新精神。他基于课程实验教学过程的特点,设计实现了组网实验教学辅助平台,学生通过此平台可以方便地进行预习、复习、提交实验进度、小组间互相学习及在线考试,从而加强学习效果;教师可以通过此平台,监控学生组网实验的进程,同时实时进行答疑解惑,从而促进了学生组网实验的学习。结果表明,此平台的部署通过加强师生的互动,大大促进了实验课程课堂教学的效果。