基于多任务学习的地基云图识别与分割技术

云在天气预报中扮演着一个至关重要的角色,准确识别和分割地基云图可以有效指导天气预报。针对大部分现有数据集只适用于单任务学习,地基云图识别和分割技术多以单任务实现,识别检测效率低且算法鲁棒性差等问题,构建了带标签且适合多任务学习的地基云图数据集(GBCD)和GT数据集(GBCD-GT),在此基础上设计了一种基于多任务学习的地基云图识别与分割联合网络模型(GCRSegNet)。该模型首先通过卷积神经网络提取共享特征,再为每个任务设计特定网络,提取更具辨识度的特征,分割网络通过学习共享特征实现地基云图分割,识别网络通过结合共享特征和分割特征实现地基云图识别。经过多组对比试验表明,该网络能准确表征地基云图特征,使识别任务准确率达到94.28%,分割任务像素准确率达到93.85%,平均交并比达到71.58%,为实际应用提供了可能性。

基于局部亮度直方图的自适应视频帧类型决策算法

视频帧类型决策是影响视频编码效率的关键因素之一。为提升x265视频编码器的编码性能,该文提出基于局部亮度直方图的自适应视频帧类型决策算法。首先,在64×64大小的编码树单元(CTU)级别上统计各帧局部亮度直方图,用帧间局部亮度直方图差异表征帧间场景变换程度;其次,引入帧内编码帧(I帧)检测窗,在检测窗内通过比较帧间场景变换程度自适应确定I帧;最后,根据帧间场景变换程度与迷你图像组(MiniGOP)大小之间的相关性确定MiniGOP大小,从而自适应确定普通P和B帧(GPB帧)及双向预测编码帧(B帧)。实验结果表明,与x265标准中的相关算法相比,所提算法能够有效降低x265的编码复杂度,可在减少近5%编码时间的前提下,实现视频I帧、GPB帧和B帧的高效自适应决策。

一种融合IMU的手持旋轴激光雷达定位建图方法

同步定位与建图(Simultaneous Localization and Mapping,SLAM)是移动机器人与智能车辆实现环境感知、实时定位的关键技术。随着科技的不断发展,具有便携、扫描范围广等优势的手持旋轴激光雷达应用愈加广泛。为了解决手持旋轴激光雷达在运行过程中由于旋转引起的特征点稀疏导致定位建图质量差的问题,提出一种改进的SLAM算法。在LIO-SAM算法的基础上计算了一种表征点云强度信息的特征点,在提取几何特征边缘点与平面点时,将周围强度值变化较大的点作为一种新的特征点引入点云匹配。同时,通过实时判断系统是否存在退化风险,从而动态调整滤波数值设置,保证了系统运行的稳定性。实验结果表明,在手持旋轴激光雷达采集的户外场景数据下,经过改进的SLAM算法相比LIO-SAM算法有更好的定位与建图效果。

新形势下地方大学一流学科建设的思考

在“双一流”建设的高校及学科中,地方高水平大学占有相当的比例,被赋予了重要的发展机会与使命。以B大学为例,论述了地方高校在面对“十三五”和“双一流”的机遇中,结合地方社会经济结构的调整,坚持主动作为、错位发展的理念,确定立足地方、服务地方的办学定位;并在理论上提出并遵循了高等教育办学的政治逻辑、社会逻辑和学术逻辑,确定了地方高校重点建设的一流学科群及其建设路径。地方大学一流学科建设的阶段性成就将进一步证实一流学科建设逻辑的重要性,对其他地方高校的一流学科建设工作具有借鉴意义。

用于表情识别的半监督学习自适应提升算法

针对半监督人脸表情识别算法在表情来源多样、姿态不一时准确率低的问题,在迁移学习自适应提升算法的基础上,提出一种新的半监督学习自适应提升算法。该算法通过近邻计算由训练集中的已标记样本求出未标记样本的类别,并借助Ada Boost.M1算法分别对多数据源的人脸表情样本和多姿态人脸表情样本展开识别,实现样本的多类识别任务。实验结果表明,与标号传递等半监督学习算法相比,该算法显著提高了表情识别率,且分别在多数据库和多姿态数据库上获得了73.33%和87.71%的最高识别率。

基于深度卷积神经网络的多元医学信号多级上下文自编码器

多元医学信号的典型代表有多模态睡眠图和多通道脑电图等,采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题,该文提出了一种无监督的多级上下文深度卷积自编码器(mCtx-CAE)。首先改进传统卷积神经网络结构,提出一种多元卷积自编码模块,以提取信号片段内的多元上下文特征;其次,提出采用语义学习技术对信号片段间的时序信息进行自编码,进一步提取时序上下文特征;最后通过共享特征表示设计目标函数,训练端到端的多级上下文自编码器。实验结果表明,该文所提模型在两种应用于不同医疗场景下的多模态和多通道数据集(UCD和CHB-MIT)上表现均优于其它无监督特征学习方法,能有效提高多元医学信号的融合特征表达能力,对提高临床时序数据的分析效率有着重要意义。

基于神经网络的气压传感器非线性校正

为了解决气压传感器非线性校正困难、校正结果精度低的问题,基于小波函数建立反向传播(back propagation,BP)神经网络模型,采用Levenberg-Marquardt算法进行网络参数更新,实现了气压传感器的非线性校正.实验结果表明:传统BP神经网络使气压传感器均方根误差由最初的2.10降低到0.68,减少了67.6%的测量误差;而提出的小波BP神经网络则使其降低到0.28,进一步减少了19%的测量误差,更好地满足了高空探测的精度要求,具有良好的泛化能力,可以推广到类似传感器的非线性校正中.

基于3D-HEVC的三维视频编码方法综述

三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)是立体视频编码扩展的国际标准化组织(Joint Collaborative Team on 3D Video Coding Extension Development,JCT-3V)推出的目前最新的3D视频编码标准,基于3D-HEVC的三维视频编码技术的研究推动了其应用并成为目前三维视频编码技术的研究热点.在回顾3D视频编码标准发展基础上,描述了基于3D-HEVC的三维视频编码方案,对其中最为关键的三维视频纹理图与深度图编码方法与研究进展进行了重点分析与阐述.首先,对目前借助视频序列中纹理特性的三维视频纹理图编码方法展开了综述并说明其存在的问题.然后,对基于纹理特性和区域的三维视频深度图编码方法展开了分析和论述.最后,结合近年来最新的研究成果,展望了三维视频编码技术的发展并提出了新的研究课题.

探空温度传感器误差预测技术研究

随着气候诊断、气候变化、天气预报等学科的深入开展,对探空温度传感器的测量精度提升到了0.1℃的量级要求,而由于太阳辐射、升空速度、入云出云等因素的干扰,引起的测量误差可达3℃甚至更高,已成为制约气象探测精度提升的主要障碍。针对此问题,首先通过三维建模及流体力学分析,得到了温度传感器最优的设计方案,从传感器形态设计上实现了测量误差最小化。然后对历史气象探测数据进行分析和汇总,构造出国内首个基于真实环境的、包含900000条探测记录的高空气象探测数据集,以解决仿真环境与真实环境存在偏差的问题。最后,将Morlet小波作为深度神经网络的激活函数,并将支持向量机、XGBoost、深度神经网络、线性回归相融合,构造出一个针对探空温度传感器测量误差的预测模型。经过本文所提出的误差预测模型,平均误差从0.817降低到了0.008,均方误差从0.878降低到了0.068,标准差从0.458降低到了0.204,拟合系数R;为0.93,使温度传感器的测量精度得到显著提升,更有利于气象学科相关内容的展开。

基于单目视频和无监督学习的轻轨定位方法

基于视觉信息的场景识别定位模块被广泛应用于车辆安全系统。针对目前场景逐帧匹配算法训练数据量大、匹配处理计算复杂度高以及跟踪精度低导致难以实际应用的问题,该文提出一种新的基于局部关键区域与关键帧的场景识别方法,在保证匹配精度的同时满足系统实时性的要求。首先,该方法仅使用单目摄像机捕获的单一序列作为参考序列,采用无监督方式提取序列的显著性区域作为关键区域,并计算关键区域中低相关性的二值化特征,提高了场景匹配的精确度并大幅减少了实时场景匹配过程中特征生成与匹配的计算复杂度。其次,该方法以显著性分数为依据提取参考序列中的关键帧,缩小了跟踪模块的检索范围并提高了检索效率。该文使用香港轻轨系统数据集以及公开测试数据集进行方法测试。实验结果表明,该文方法在实现快速匹配的同时,其匹配正确率较基于全局特征匹配方法Seq SLAM提高了9.8%。

基于邻域信息约束与自适应窗口的立体匹配算法

针对传统的Census立体匹配算法对噪声敏感,在视差不连续区域容易出现误匹配的问题,提出了一种基于邻域信息约束与自适应窗口的立体匹配算法.首先,针对传统Census算法对中心像素依赖高的问题,采用邻域十字窗口的加权平均和的方式对中心像素进行赋值.然后,通过设置自适应阈值,将支持窗口的邻域像素与中心像素进行相似性的二次代价计算并与初始代价进行融合,对匹配结果进行进一步约束.在代价聚合阶段,采用颜色阈值不断变化的三约束法进行窗口的构建,并在聚合过程中引入噪声剔除策略.最后,在视差精化阶段采用左右一致性检测与区域投票相结合的方法对视差图进一步优化.使用Middlebury测试平台的标准立体图像进行实验,结果表明:该方法能够有效降低图像对高斯噪声的敏感性,并在误匹配率上低于多种立体匹配算法.

中外合作办学模式下并行计算课程教学体系的研究

日益发展壮大的高校中外合作办学为我国培养各类新型、复合型的国际化人才发挥了积极作用,为加快国外优质教学资源与教学理念的融合,培养一批具有国际化视野的优秀人才,针对我国高校中外合作办学的质量管理现状,结合我校中外合作办学的实践和新一代信息技术发展趋势,文章根据并行计算课程特点,结合作者对我校中外合作办学三届本科生教学实践和体会,探讨了计算机类各专业中并行计算课程教学体系的设计方法,提出了并行计算全英文课程教学设计和讲授方法,教学实践表明该方法在教学中取得了良好的效果和预期目标。

多尺度特征融合的多源异构遥感数据水体提取

针对现有遥感测绘水体提取方法在多源异构遥感数据的信息融合与深层特征提取方面存在的不足,提出了一种基于多尺度特征融合的多源异构遥感数据水体提取方法。首先,设计了一种基于多源异构遥感数据输入的网络模型结构解决多源异构遥感数据的多尺度特征融合问题;随后,提出了一种基于改进残差网络的高维卷积单元,对异构遥感数据进行深层特征提取,同时,构建了基于哨兵一号和哨兵二号卫星的全球水体大规模多源异构遥感数据库。对比实验结果表明,以人工遥感影像标注的水体区域分布真值为精度评价基准,所提出的多尺度特征融合算法的水体提取结果,准确率达到了90.12%,相比现有深度学习领域主流的U-Net图像分割模型方法,准确率提高了3.73%以上,有效提升了多源异构遥感数据的大范围水体提取准确性。

深度学习在多天气分类算法中的研究与应用

针对目前多天气识别分类问题,提出了一种基于深度学习和计算机视觉的天气现象自动分类算法。采集并建立了一个包括雾霾、沙尘、雨、雪、霜、露6类天气的适用于任意场景的多天气现象数据集,改善了目前已见报数据集规模小、种类单一、只面向特定场景的情况;同时采用密集连接和池化均衡的结构搭建深度卷积神经网络(CNN)模型,训练并挖掘天气数据的特征与内在规律,用深度学习方法实现天气现象的自动分类。实验结果表明相比传统计算机视觉算法,该算法解决了严重依靠特征提取、适用场景单一问题;且比大多数深度网络模型参数更少、识别准确性更高,算法泛化性能大幅提升。

基于轻量级神经网络的地基云图识别

针对目前云识别效率低下,同时缺乏公认且严谨、公开的地基云数据集问题,利用专业设备结合人工标注和迁移学习,构建了目前规模最大且符合国际气象组织标准的云公开数据集HBMCD,并且在此基础上,利用深度可分离卷积、膨胀卷积等技巧构建基本单元,通过组合不同的基本单元构建了轻量级云图分类模型LCCNet.经过多组对比实验,证明了LCCNet不仅参数量低、运算复杂度低,而且针对HBMCD数据集具有高达97.35%的准确率,为设备集成与实际应用提供了可能性.

基于增强型BP网络的气象传感器标校方法

针对气象传感器标校过程中测量精度低和生产成本高的问题,将人工智能技术与单片机技术相结合,提出一种气象传感器智能标校方法。该方法将BP神经网络、高斯函数和Levenberg-Marquardt算法相融合,设计一种用于传感器标校的增强型BP网络模型。并将训练好的标校模型移植到单片机中,通过分段多项式来拟合高斯函数,有效减少单片机的计算资源、缩短计算时间。实验结果表明:传统BP网络使气压传感器均方根误差由最初的5.93降低到2.83,减少52.28%的测量误差;而增强型BP网络则使均方根误差降低到0.77,进一步减少34.74%的测量误差。通过分段多项式来拟合高斯函数,显著降低标校模型的计算量,可满足气象探测过程中的时间要求。

基于深层特征学习的高效率视频编码中帧内快速预测算法

高效视频编码(HEVC)标准相对于H.264/AVC标准提升了压缩效率,但由于引入的编码单元四叉树划分结构也使得编码复杂度大幅度提升。对此,该文提出一种针对HEVC帧内编码模式下编码单元(CU)划分表征矢量预测的多层特征传递卷积神经网络(MLFT-CNN),大幅度降低了视频编码复杂度。首先,提出融合CU划分结构信息的降分辨率特征提取模块;其次,改进通道注意力机制以提升特征的纹理表达性能;再次,设计特征传递机制,用高深度编码单元划分特征指导低深度编码单元的划分;最后建立分段特征表示的目标损失函数,训练端到端的CU划分表征矢量预测网络。实验结果表明,在不影响视频编码质量的前提下,该文所提算法有效地降低了HEVC的编码复杂度,与标准方法相比,编码复杂度平均下降了70.96%。

A modified image matching algorithm based on robust Hausdorff distance

Hausdorff distance measure is one of the widely adopted feature-based image matching algorithms due to its simplicity and accuracy.However,it is considered that its robustness still needs to be improved.In this paper,various forms of original and improved Hausdorff distance(HD) and their limitations are studied.Focusing on robust Hausdorff distance(RHD),an improved RHD with an adaptive outlier point threshold selection method is proposed.Furthermore,another new form of the Hausdorff distance which possesses the merits of RHD and M-HD is prsented.Finally,a recursive algorithm is introduced to accelerate the image matching speed of Hausdorff algorithms.Extensive simulation and experiment results are presented to validate the feasibility of the proposed Hausdorff distance algorithm.

视频监控中私自揽客违法行为检测

随着数字视频监控技术的普及与应用,基于视频监控信息的出租车行业智能化管理成为可能。特别是在强化道路交通的安全管理,缓解执法人员压力等方面发挥了重要作用,但目前尚缺少针对出租车运营管理与分析的智能化处理技术。对此,提出一种私自揽客行为检测算法。使用Haar特征结合Adaboost分类器对出租车进行识别;利用改进的ViBe算法提取运动人体目标,并快速消除鬼影干扰;判断人车位置关系,并提取人在上车过程中的多姿态特征,送入SVM分类器进行训练,实现对人体行为的分类。实验结果表明:该方法能够适应复杂环境,抗干扰能力较强,可实时检测私揽行为是否发生。

基于多分支网络的深度图帧内编码单元快速划分算法

3维高效视频编码(3D-HEVC)标准是最新的3维(3D)视频编码标准,但由于其引入深度图编码技术导致编码复杂度大幅增加。其中,深度图帧内编码单元(CU)的四叉树划分占3D-HEVC编码复杂度的90%以上。对此,在3D-HEVC深度图帧内编码模式下,针对CU四叉树划分复杂度高的问题,该文提出一种基于深度学习的CU划分结构快速预测方案。首先,构建学习深度图CU划分结构信息的数据集;其次,搭建预测CU划分结构的多分支卷积神经网络(MB-CNN)模型,并利用构建的数据集训练MB-CNN模型;最后,将MB-CNN模型嵌入3DHEVC的测试平台,通过直接预测深度图帧内编码模式下CU的划分结构来降低CU划分复杂度。与标准算法相比,编码复杂度平均降低了37.4%。实验结果表明,在不影响合成视点质量的前提下,该文所提算法有效地降低了3D-HEVC的编码复杂度。