基于卷积神经网络的算法选择研究

为解决不同类型的优化问题的算法选择,将该问题视为一个分类任务,提出基于深度学习的算法选择框架,通过建立产生问题实例样本的基准问题生成器,利用卷积神经网络模型实现问题实例在人工蜂群(ABC)、复杂差分(CoDE)和协方差自适应进化策略(CMA-ES)3种算法上的自动选择,并对算法选择问题进行实验验证,结果表明基于卷积神经网络的算法选择模型预测准确率能够达到90%,能够有效解决算法选择问题.

通道可靠局部秩变换的目标跟踪算法

针对目标在遮挡、背景杂乱时跟踪定位不准确的问题,提出通道可靠局部秩变换的目标跟踪算法.使用局部秩变换特征结合Lab三通道图像构成16维特征通道,从中选择有效的特征通道进行融合,增强算法对目标特征的表达能力.实验表明,相比于利用可靠性系数选择得到的特征通道,利用经验选择的局部秩变换特征通道在特定场景的跟踪效果更好,对目标的位置估计更加准确.与其他算法进行对比,经验选择方法在特定场景测试上平均速度达到56.7帧/秒,满足实时性要求,在目标测试集上优于对比的两种方法.