一种基于边界框关键点距离的框回归算法

针对目前基于交并比(IoU)的框回归方法在实际应用中存在的检测精度不高、收敛速度较慢等问题,提出一种基于关键点距离交并比(KIoU)的框回归方法。从几何知识入手,将矩形的3个顶点和1个中心点作为关键点,通过计算对应点之间的距离来判断预测框与真实框的位置以及形态差异。构建基于关键点交并比损失的新型损失函数,计算实际情况与理想情况下预测框与真实框的关键点交并比之差,将关键对应点的距离作为IoU的惩罚项以加速模型收敛过程,利用关键点信息在定位上的高效性和准确性来提高目标检测精度。以单阶段目标检测算法SSD和两阶段目标检测算法Faster R-CNN为基准算法,在PASCAL VOC和COCO数据集上将KIoU与IoU、GIoU、DIoU、CIoU等4种交并比方法进行实验对比,结果表明:在检测精度方面,在Faster R-CNN上KIoU相较IoU提升了2.91%,相较目前表现较好的DIoU提升了0.11%,在SSD上KIoU相较IoU与DIoU分别提升了0.96%与0.06%;在目标检测视觉效果方面,KIoU方法对目标的定位更加准确,且在一定程度上能够减少目标漏检的情况。

深度学习方法在兴趣点推荐中的应用研究综述

在基于位置的社交网络(LBSN)中,用户可以在兴趣点(POI)进行签到以记录行程,也可以与其他用户分享自身的感受并形成社交好友关系。POI推荐是LBSN提供的一项重要服务,其可以帮助用户快速发现感兴趣的POI,也有利于POI提供商更全面地了解用户偏好,并有针对性地提高服务质量。POI推荐主要基于对用户历史签到数据以及用户生成内容、社交关系等信息的分析来实现。系统归纳POI推荐中所面临的时空序列特征提取、内容社交特征提取、多特征整合、数据稀疏性问题处理这4个方面的挑战,分析在POI推荐中使用深度学习方法解决上述问题时存在的优势以及不足。在此基础上,展望未来通过深度学习提高POI推荐效果的研究方向,即通过增量学习加速推荐模型更新、使用迁移学习缓解冷启动问题以及利用强化学习建模用户动态偏好,从而为实现效率更高、用户体验质量更好的推荐系统提供新的思路。

长沙综合枢纽库区消落带底栖动物分布研究

本研究以湘江长沙综合枢纽工程为例,以综合枢纽下游沩水汇入处上溯至株洲航电枢纽下游为研究范围,于2020年8月开展库区消落带底栖动物的现场调研,对库区底泥中的生物群落和上覆水水质进行分析,结果表明:库区底栖动物沿纵向梯度向枢纽的上游变化规律为,底栖动物数量逐渐降低,其中螺类的种类和数量最多,其次是寡毛纲和昆虫纲类生物。库区消落带水质总体满足Ⅲ类标准,其中NH3-N全面满足类Ⅰ标准;TN有部分采样点超出Ⅲ类标准;TP全面满足Ⅲ类标准(以湖、库计);CODMn全面满足Ⅲ类标准。

基于图像稀疏表达的模拟退火图像复原

针对现有的图像复原方法振铃效应严重的问题,提出了一种基于图像稀疏表达的模拟退火的图像复原方法来恢复模糊图像。首先根据模拟退火算法的要求,建立价格函数并通过图像的模糊因子确定参数;然后在价格函数中的约束项引入图像的稀疏性,以提高复原图像的质量;接着给初始解一个随机扰动,产生扰动解,并根据扰动解所造成的价格函数的变化判断是否接受该扰动解;最后,当价格函数小于某一预设值时所得到的解即为复原图像。实验结果表明,复原后图像细节增加且振铃效应明显减少,相对于目前已有的复原方法,峰值信噪比(PSNR)平均提高了2~3dB。恢复效果表明,本文方法具有较大的实用价值。