基于深度自学习的图像哈希检索方法

基于监督学习的卷积神经网络被证明在图像识别的任务中具有强大的特征学习能力。然而,利用监督的深度学习方法进行图像检索,需要大量已标注的数据,否则很容易出现过拟合的问题。为了解决这个问题,提出了一种新颖的基于深度自学习的图像哈希检索方法。首先,通过无监督的自编码网络学习到一个具有判别性的特征表达函数,这种方法降低了学习的复杂性,让训练样本不需要依赖于有语义标注的图像,算法被迫在大量未标注的数据上学习更强健的特征。其次,为了加快检索速度,抛弃了传统利用欧氏距离计算相似性的方法,而使用感知哈希算法来进行相似性衡量。这两种技术的结合确保了在获得更好的特征表达的同时,获得了更快的检索速度。实验结果表明,提出的方法优于一些先进的图像检索方法。

Digg在现代教学平台中的应用探讨

Digg作为Web2.0的成员之一,依靠其独有的评价机制,为促进网络教学的顺利开展提供了全新的视角。基于对Digg应用于现代教学中的优势,我们尝试设计了一个教学平台体系结构模型,以期能够充分调动学生的主观能动性,聚集学生的群体智慧,实现学习资源的民主推荐和多样性,帮助学生积极高效地利用各种资源来为学习服务,同时也提高学生的评价和鉴赏能力,培养学生团结协作以及创造精神,真正实现综合素质的全面发展。

采用在线多实例学习的超像素跟踪

采用矩形框表示目标会引入背景干扰,导致跟踪性能下降,故利用多实例学习的特点对背景干扰建模,提出了一种采用在线多实例学习的超像素跟踪算法。在训练阶段,以超像素作为实例,根据位置将这些超像素分为具有明确标签的多个实例包,进而将跟踪转换为多实例学习问题。然后,在所提算法中实现了在线多实例学习,通过求实例包的似然函数最大化,从弱分类器池中选择K个最优的弱分类器组合为强分类器,在下一帧的检测阶段,利用学习的强分类器生成目标置信图。最后,采用粒子滤波方法从置信图中估计目标状态,在2.6 GHz主频的笔记本电脑上,所提算法的跟踪速率可达15 frame/s。在多个视频序列上的对比实验表明,该算法对复杂背景、目标高速运动、遮挡等具有更好的鲁棒性和精度,且跟踪精度和成功率的典型值分别达到了91%和90%,比原始超像素跟踪算法分别高出了21%和26%。

开放大学校园网双出口的设计及实现

结合远程教育的特定需求,提出基于CSS内容服务交换机的低成本校园网双出口解决方案以及路由策略,并在实际的网络建设中得到了实施,运行效果良好,可为开放大学特别是广播电视大学校园网的建设提供参考和借鉴。