改进的Cascade R-CNN算法在目标检测上的应用

针对Cascade R-CNN目标检测算法中存在检测精度较低以及目标遮挡问题,本文提出一种改进的Cas-cade R-CNN网络目标检测算法.该算法在主干网络ResNet101中引入可切换空洞卷积模块(Switchable Atrous Convolu-tion,SAC),该模块主要由两个全局上下文模块以及SAC组件构成,采用SAC组件以不同的空洞卷积率对特征进行卷积,并使用Switch函数收集特征来提高特征提取能力.同时,在ResNet101残差网络中引入坐标注意力机制(Coordi-nate Attention,CA),该机制将位置信息嵌入通道注意力中,用于更好地获取方向感知和位置感知信息,进而提高目标检测精度.此外,针对目标遮挡问题,引入Repulsion Loss损失函数.该损失函数主要由吸引项和排斥项组成,吸引项使得预测框和匹配上的目标框尽可能接近,排斥项使得预测框远离错误目标,进而减少非极大值抑制(Non-Maximum Suppression,NMS)的误检,提高目标检测中遮挡问题的检测精度.实验结果表明,在公开的科大讯飞AI挑战赛数据集上,与原算法测试性能相比,改进的Cascade R-CNN网络对该数据集检出率增长了2.39%,改进算法的识别精度有一定的提高.

基于Kubernetes的资源调度策略研究与改进

针对Kubernetes默认调度策略在多Pod调度时无法考虑多任务调度过程的全局特征,导致无法保证集群整体负载均衡的问题,本文设计了一种优化的静态资源调度策略Ku-PSO,通过改进粒子群算法(PSO),提升集群负载均衡效率。首先,通过建立多Pod调度模型,以集群负载均衡度作为适应函数,并设置约束条件保证集群正常运行;其次,通过改进粒子群算法的惯性因子、个体学习因子和社会学习因子实现权值优化,使得粒子群在前期寻优过程中具有优秀的全局搜索能力,后期寻优过程中能够迅速收敛,应用于集群资源调度能够快速找出资源的最优分配方案。实验表明,使用Ku-PSO算法进行Kubernetes资源调度较默认调度策略集群均衡度显著提升,较PSO算法可以有效减少部署时间,实现更优的均衡调度。

一种基于改进遗传算法的动静态负载均衡算法

针对目前负载均衡算法在低负载情况下影响系统效率及在高负载情况下分配效率不佳等问题,基于Nginx服务器,文中提出了一种在改进遗传算法基础上动静态结合的负载均衡算法。该算法选择使用CPU性能、内存性能、磁盘I/O和网络带宽等服务器性能参数作为服务器节点性能评价指标及低负载下的静态加权轮询算法权值,并基于该指标根据节点性能使用率所占集群平均负载使用率的变化,设计了在高负载情况下的动态负载均衡算法。通过引入操作转换阈值及动态三角函数操作概率的改进遗传算法,实现了静态算法优势区转变为动态算法优势区的阈值计算。通过设计对比实验,证明了文中算法在实验环境下相比于加权轮询算法、概率择优算法和dnfs_conn算法更具有较好的负载均衡效果,相比于dnfs_conn算法在平均响应时间和实际并发连接数等数值上具有15%左右的提升。

基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD.SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.

改进目标检测网络的仰卧起坐测试计数

针对深度学习技术在仰卧起坐测试领域的实时性较差问题,提出了一种改进目标检测网络的仰卧起坐测试计数算法。该算法首先对被测试人员进行目标检测,然后对被测试人员进行关键点提取,最后对被测试人员的仰卧起坐动作进行分析。为了达到实时检测的效果,改进了RetinaNet骨干网络中的传统卷积层,以减小计算量,加快识别速度;提出了一种改进的边框损失函数,以达到实时检测效果的同时,保证检测的精度。经对其算法进行仿真实验,验证了其识别速度和检测精度,达到了预期效果。

Airtest平台自动化测试方案设计与实现

为改善传统移动端自动化测试方案控件覆盖率低,不同操作系统脚本之间不兼容且复用率低的缺点,提出一种基于蚁群算法的全路径最优规划算法。首先通过深度优先搜索算法对界面控件预处理,然后逐一遍历获取控件信息合并冗余控件,最后结合改进的蚁群算法生成测试用例。基于该算法提出一种自动化测试方案,在Airtest自动化测试平台上进行测试并在移动端平台进行验证。结果表明:该方案前期快速收敛,测试控件,达到85%的覆盖率,比基于录制回放测试方案提高了3倍且兼容多个操作平台,显示该方案在兼容性以及测试可信度上均有优势。

Kubernetes的资源动态调度设计研究

由于Kubernetes集群默认资源调度方法是静态的,随着Kubernetes中工作节点的不断运行,会出现集群负载不均衡问题。针对上述问题,设计基于Pod迁移的Kubernetes集群动态调度机制。该机制首先通过监控模块采集服务器和Pod应用资源使用情况,使用AHP对其进行负载评估;然后对滑动窗口进行定义,筛选高负载工作节点形成待迁移的Pod集合;最后根据低负载节点原则为待迁移Pod选取目标工作节点,并采用CRIU技术实现Pod迁移。实验结果表明,该资源动态调度机制相比于优先级资源调度在负载均衡度方面平均提高17%,在Pod迁移数量方面平均减少88.3%。