基于带有噪声输入的稀疏高斯过程的人体姿态估计

高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.

基于DMSP/OLS夜间灯光数据的黄土高原地区城镇化发展研究

在时间和空间上,对黄土高原地区人口和城镇化发展情况做出定量评估,考虑到DMSP-OLS夜间灯光与社会经济指标的相关性,对DMSP-OLS夜间灯光数据校正处理后,提取黄土高原地区数据,与该地区人口和城镇化率进行比较,结果表明,黄土高原地区人口数量变化在空间上和DMSP-OLS夜间灯光有相关性,同时在选取的该地区23个典型研究县域上,城镇化率和DMSP-OLS夜间灯光呈高度线性相关,因此,DMSP-OLS夜间灯光数据作为表征该地区人口和城镇化发展情况的综合指数是合理、可行的。

异质环境政策、高管风险偏好与绿色技术创新--基于中国重污染上市公司的实证研究

绿色技术创新已经成为驱动企业高质量发展的重要手段。多措并举的异质环境政策能否真正促进企业绿色技术创新,高管风险偏好又扮演何种角色?本文围绕环境政策与高管特征两个维度,以2013—2018年中国沪深A股重污染上市公司为样本,运用Stata15.1实证检验了激励型与惩罚型两种环境政策影响企业绿色技术创新的异同,以及高管风险偏好在其中的作用机制。研究发现:激励型环境政策与绿色技术创新存在倒U型关系,惩罚型环境政策与绿色技术创新存在U型关系;高管风险偏好能够促进绿色技术创新,且正向调节环境政策对绿色技术创新的影响。结果表明:异质环境政策的合理匹配与有序投放,再加高管冒险精神的适度提高,是促进重污染企业绿色技术创新驱动高质量发展的有益之举。