高等学校强化大学生海权教育的建议

＂得海洋者得世界＂,海洋主权完整是强国的一个标志。海洋是生命的源泉、资源的宝库、人类的第二生存空间和未来的希望,也是世界可持续发展的重要基地。我们大学生是国家的未来和希望,也是未来海洋事业发展的生力军。培养全民的海洋海权一直最有效的方法就是先着手于培养当代大学生的海洋海权意识。

多帧监督的相关滤波无人机目标跟踪

目标跟踪是无人机的关键技术之一。无人机目标跟踪容易因相机运动、尺度变化等场景的影响,导致跟踪漂移或丢失。提出一种多帧监督的相关滤波无人机目标跟踪算法,加入多帧信息,根据视图的像差监督响应图变化率,有效地提高跟踪器的识别能力。采用裁剪矩阵引入真实负样本,并加入多个历史帧信息提高滤波器的鲁棒性。采用欧几里德范数定义响应图的像差,通过监督像差的变化防止跟踪漂移,得到目标的准确位置。根据相似度进行目标模型更新。在UAV123和VisDrone2019数据集上与其他算法对比实验。结果显示该算法在相机运动、尺度变化等场景具有良好的跟踪鲁棒性和精度。

融合双HOG特征和颜色特征的目标跟踪

目标跟踪是计算机视觉中一个极具挑战性的任务,应用于图像处理、模式识别、自动控制等不同领域.许多跟踪算法都获得了良好的效果,但复杂的运动场景会影响目标跟踪的性能.文中提出一种融合双HOG特征和颜色特征的方法,用于视觉目标跟踪,通过构造双HOG特征和颜色直方图特征,并进行融合,减少运动场景变化对目标跟踪的影响.首先,提取当前帧目标区域的HOG特征,并分割为HOG1和HOG2,利用判别相关滤波器对两个特征分别进行滤波处理,选择出最优的特征;然后,利用颜色直方图提取当前帧目标区域的颜色属性特征;最后,融合双HOG特征和颜色特征,获得特征响应图,在响应图中寻找最大值位置,即预测出的新目标位置.在OTB-2013、OTB-2015基准数据集上与其他6个算法对比,实验结果显示,该方法在处理背景杂乱、平面外旋转和形状变化等目标跟踪方面具有良好性能.

基于光照自适应动态一致性的无人机目标跟踪

无人机跟踪任务经常面临各种光线变化场景,然而无人机跟踪方法主要在光线充足下实现鲁棒跟踪。提出一种具有光照自适应性和跨帧语义感知动态一致性评估的无人机跟踪方法,实现光线不足下的无人机目标跟踪。首先构建光照自适应模块对昏暗场景进行识别,对视频图像的光照强度进行补偿;其次构建目标模板训练具有目标感知能力的滤波器进行相关运算,并利用跨帧之间的响应信息进行一致性评估;最后构建动态约束策略并对响应差异进行约束,使跟踪器保持时间平滑。在UAVDark135和UAV123数据集上,与9种先进算法进行对比实验,结果表明该算法具有较好的跟踪性能。

数据库应用系统的性能设计优化策略

随着数据库的应用不断扩大，企业级数据库的应用已经成为企业资料存储和查询的重要方式。数据库的性能和设计优化对于数据结构的简化和查询过程的优化具有重要意义。本文论述了SQL数据库优化的重要意义，详细分析了SQL数据库优化的策略。

多特征融合的次峰抑制无人机目标跟踪

无人机目标跟踪是计算机视觉一个热门的研究方向。多特征融合后的响应通常含有噪声,为了解决这个问题,提出一种基于多特征融合的次峰响应抑制的无人机目标跟踪算法。提取HOG特征和二维颜色属性特征,并进行融合产生响应。对次峰响应进行抑制以去除噪声,将多个次峰聚合为一个中心主峰。引入自适应模型更新策略进一步增强算法的鲁棒性。在UAV123和VisDrone2019数据集上进行实验,结果显示该算法在无人机的快速运动、视角变化等挑战场景中表现出较好的跟踪精度和鲁棒性。

区域损失函数的孪生网络目标跟踪

针对预训练卷积神经网络提取的深度特征空间分辨率低,快速运动造成运动目标空间细节信息丢失等问题,提出用区域损失函数构建孪生网络的目标跟踪,进一步降低深度特征通道之间的冗余性,并减少高层信息丢失。利用线下预训练的VGG-16卷积神经网络提取深度特征,构成初始深度特征空间。通过区域损失函数构建特征和尺度选择网络,根据反向传播的梯度大小进行特征选择。对筛选后的特征进行拼接,融入到孪生网络中匹配跟踪。在OTB-2013、OTB-2015、VOT2016、TempleColor数据集上与其他算法对比。实验结果表明,该算法在快速运动、低分辨率等场景中表现出较好的跟踪精度和鲁棒性。

双HOG特征的相关滤波目标跟踪

视觉目标跟踪是计算机视觉中的一个重要研究方向,主要涉及图像处理、计算机视觉、模式识别等方面知识,它的应用非常广泛.许多跟踪算法均获得了令人满意的性能,但大多数算法未能充分处理环境变化对图像跟踪的影响.本文提出了一种有效的双HOG特征方法用于视觉目标跟踪.该方法结合不同类型的特征,通过判别相关滤波器构造两个HOG特征,每个特征独立地对跟踪目标进行响应,从而确定出新的目标位置.首先,提取当前目标区域的方向梯度直方图特征,并分割为两个特征,分别是HOG1和HOG2.其次,利用判别相关滤波器框架对两个特征进行滤波处理,每个特征给出一个单独的预测线索,之后选择出最优的特征.再次,根据特征计算获得特征响应图,在响应图中寻找最大值位置,即预测出的新的目标位置.在OTB-2013、OTB-2015基准数据集上与其他六个算法对比,实验结果在快速运动、背景杂乱等方面取得了良好的性能效果.

语不惊人誓不休——让文章的语言更优美

一篇好的文章不仅要有深刻鲜明的主题，更要有优美流畅的语言。语言表达得体与否，直接关系到文章质量的高低。在习作中，同学们如果从以下几个方面入手，文章的语言将会变得更加优美。

初中语文合作学习现状及对策

素质教育的实行,有效推进了初中语文教学内容的数次改革,而在其中均提升了合作学习所占的比重。由此可以认为,现行教育体系关于初中语文的需求,开始将合作学习列为主要教学目标之一。然而,在传统教学方式的影响下,合作学习的实现并不理想,而一部分教师也因为缺乏有效方法,导致了相对严峻的教育困境。对此,本文将以初中语文合作学习为研究对象,在探讨现状和问题的基础上,提出相对可行的解决策略。

职业学校教育信息化建设进程之初探

信息化建设是中等职业学校建设进程中的重要组成部分,其建设水平是整个学校整体办学水平、体现学校地位的重要标志。大力发展职业学校教育信息化建设可以使职业教育得到更长足的发展,本文围绕目前职业学校教育信息化建设进程的现状,结合自己在学校工作的实际,发表对职业学校教育信息化建设的一些看法。

划水板流体动力特性的风洞实验研究

本文以流体力学和运动生物力学为基础,以风洞实验为手段,讨论中外五种划水板的流体动力特性并取得定量的实验数据,该数据对螺旋曲面划水板的研制提供了科学的依据,为游泳生物力学在此方面的发展提供了实验数据。

迁移学习融合双HOG特征的目标跟踪

目标跟踪是计算机视觉的关键技术之一,应用于模式识别、自动控制等领域.深度学习的跟踪算法具有良好的性能,但在快速运动情况下,低层HOG特征易受影响,跟踪性能较弱.提出一种结合线下训练深度特征的鲁棒跟踪方法.通过线下训练VGG模型,线上构造双HOG特征并进行最优选择,将线下训练提取的特征迁移到线上,与最优HOG特征响应融合.首先,线下逐层训练VGG网络,卷积层负责提取卷积特征.然后,在线提取当前帧目标区域的HOG特征,并分解为HOG1和HOG2,对其进行滤波处理,选择最优特征.最后,融合卷积特征响应和HOG最优特征响应得到特征响应图,预测目标的新位置.在OTB-2013、OTB-2015基准数据集上与其他6个算法对比.结果表明,该方法在处理快速运动、背景混乱、形变等跟踪方面具有良好的性能.

特征融合和多峰检测的无人机目标跟踪

无人机的目标跟踪在计算机视觉领域中是一个备受关注的研究热点.无人机跟踪目标在遭遇遮挡、尺度变化、光照变化等挑战会产生漂移,从而跟踪算法不能及时对模型进行更新.针对上述问题,提出特征融合和多峰检测的无人机目标跟踪算法,在特征融合的基础上采用多峰检测方法,结合置信度自动更新的响应策略方式,实现目标跟踪的精确定位.首先,提取目标的特征,并训练相应的滤波器模型,对特征进行加权融合,形成融合特征;其次,使用多峰检测方法对在目标中心附近图像块进行训练,采用简单有效的模型更新策略;最后,利用高置信度跟踪结果的反馈对模型进行更新,减少了模型漂移.在UAV123和VisDrone2019数据集上进行实验,本文所提的算法在跟踪目标遭受遮挡、光照以及尺度变化等影响下提高了跟踪的精确度和鲁棒性.

融合高斯混合模型和深度学习的目标跟踪

目标跟踪是计算机视觉的关键技术,但快速运动所导致的目标运动模糊会影响跟踪的精度.提出融合高斯混合模型和深度学习的目标跟踪算法,利用高斯混合模型对目标视频进行建模,在卷积神经网络中提取浅层和深层的图像特征,将两个特征的响应值融合后实现跟踪目标的定位.首先,根据高斯混合模型建立样本数据集,利用概率密度函数筛选数据,依据正态分布获得对应的高斯分量;其次,在深度学习框架下对高斯混合后获得的样本数据提取浅层和深层特征;最后,将提取的浅层与深层特征响应值进行融合,并更新目标模型,实现目标跟踪定位.该算法在VOT-2016公开的数据集进行实验,与6个视频跟踪算法对比分析.实验表明,所提的算法表现出较好的性能,特别是在快速运动的评价指标中,该算法的抖动模糊精度比ECO算法提高6.25%.