新乡贤参与乡村生态治理的空间行动逻辑——基于安徽省H村生态治理实践分析

乡村生态空间治理依靠传统的线性治理模式存在乡村生态治理空间失语和治理失灵等问题。以H村皖河生态治理为研究切入点,在空间视角下以空间正义—空间分化—空间治理为研究分析框架,剖析乡村生态治理存在的正式权力空间治理“独奏”、空间正义离散、空间分化现象的成因及对乡村生态空间治理带来的负面影响,探讨新乡贤参与乡村生态治理的空间行动逻辑。通过调动和挖掘乡村内生力量——新乡贤的作用来重构乡村社会空间,利用乡村社会空间中存在的多重利益结构促使正式权力对非正式权力进行赋权,重塑乡村社会空间权力秩序,提高乡村内生力量参与乡村生态治理的积极性;利用新乡贤的乡土文化与公共身份特性修复乡村社会空间分化、空间正义离散、空间治理紊乱问题,为实现乡村振兴目标提供实践和理论参考。

视频动作骨骼描述空间时空联合对齐小样本分类算法

与大数据人体动作识别相比,小样本动作识别旨在从很少标记样本中学习判别特征来识别新颖动作类别,但基于视频RGB特征描述方法中动作信息容易被与任务无关的背景、亮度和颜色变化所混淆。针对动作样本标注困难,RGB视频数据环境适应性差、数据维度高问题,考虑将信息表示高效、可解释性强的骨骼描述数据与小样本学习结合提出视频动作骨骼描述空间时空联合对齐小样本分类算法。模型整体基于原型网络思想,将原始输入映射到嵌入空间中计算原型表示,并使用度量方式实现查询样本预测。特征提取时,设计时空联合注意图卷积网络作为特征编码骨干,首先对输入骨骼序列构造时空图,接着进行多层次时空图卷积及时空联合注意激活,得到对应高层次嵌入特征,其中时空联合注意模块在时空两个维度上对不同动作阶段的骨骼和关节重要度进行加权,以增强模型提取判别特征的能力;距离度量时,通过图匹配方式得到查询骨架图与支持骨架图之间的欧式距离,然后基于动态时间规整算法动态规划两个动作序列间最优匹配,计算得到骨架图对距离累积,从而增强时空特征对齐,最后通过查找最近距离以进行度量和分类。在NTU-T、NTU-S和Kinetics三个骨骼基准上的实验表明,提出算法能够充分利用人体骨骼信息,提高小样本动作识别匹配精度。

基于“敖包—聚落”空间网络构建的草原牧区聚落空间布局优化研究

敖包在草原聚落形成过程中发挥了标志聚落、引导方向的中介作用。草原牧区聚落分散特征明显,其聚落空间结构与其他地区有较大差异,因此空间网络结构的构建有助于探索适宜于草原牧区聚落空间布局优化的方法。研究首先构建敖包与聚落间的空间网络体系;其次进行网络特征分析,挖掘二者作用机制;最终确定空间类型和布局优化方向。结果表明:1)草原牧区空间离散性特征明显,敖包节点的介入有效提升了聚落空间网络结构的完整性。2)在“敖包—聚落”空间网络系统中,部分节点中心作用不明显,存在显著的空间差异;敖包与聚落间的作用机制在空间网络中呈现出集聚和融合2种空间功能聚类。3)基于敖包、聚落作用机制转译的可视化系统,探索出“集聚提升类”和“融合带动类”2种空间类型并细分出4个二级分类。以期为离散型聚落提供空间布局优化的适宜方式。

改进2DCNN时空特征提取的动作识别研究

基于深度学习的视频动作识别方法处理时间信息的方式主要有两种,一是利用光流表示相邻帧之间的运动信息,但其无法有效建模长程时间特征,二是利用3D卷积对时空信号进行混合建模,但其引入了大量的参数,导致内存消耗和计算量剧增.针对上述问题,本文提出了一种改进2D CNN时空特征提取的动作识别方法,在2D CNN中嵌入时空门控和动作注意力聚合(Spatial-temporal Gate and Motion Attention-aggregation,SGMA)模块增强其时空特征提取能力.SGMA包含时空动态门控和动作注意力聚合两个子模块,时空动态门控能够可视化各通道特征的运动比例因子并依此逐通道分离运动强相关特征和运动弱相关特征,动作注意力聚合利用运动强相关特征构建金字塔结构来提取不同时间跨度的运动特征,并使用注意力机制自适应聚合各时间跨度特征实现长程时间建模,运动弱相关特征经过2D卷积提取空间特征后融合动作注意力聚合模块的输出最终获得强有力的时空特征表达.在相同帧采样策略下,本文方法在Something-SomethingV1&V2验证集上的Top1准确度比基准TSM分别提高了4.4%和6.2%.

基于昇腾处理器的边端人体动作识别算法设计与实现

针对现有的人体动作识别算法精度不足、计算量大、缺少在边端设备上的部署等问题,本文提出一种基于昇腾处理器的边端轻量化人体动作识别时空图卷积算法。通过设计隐性联系骨架连接方法并构建隐性邻接矩阵,结合自然骨架连接邻接矩阵,构造显隐性融合空间图卷积。在时间维度加入空间注意力机制,使模型关注不同帧间关节点位置空间特征,进一步设计时间图卷积,构建时空图卷积。此外设计网络中的Ascend-Enisum算子,进行张量融合运算,降低了计算复杂度,使模型轻量化。针对上述改进,在KTH数据集上进行实验验证,与经典单流算法ST-GCN相比,模型计算量减小了22.28%,Top-1精度达到84.17%,提升了5%。基于上述算法设计了昇腾AI人体动作识别系统,并在边端设备成功部署,可以进行实时人体动作识别。

基于骨架序列多算法的粮仓作业人员异常行为视频识别

粮仓是保障粮食储藏安全的重要设施。粮仓为封闭大空间,仓内光照昏暗、空气流通差,熏蒸、气调等作业增加了人员安全隐患,通过仓内安防视频对作业人员的异常行为进行识别与分析,是作业人员安全操作的一项重要技术保障。提出了一种基于骨架序列多算法的粮仓内作业人员异常行为的视频识别算法。首先,利用YOLOv3tiny模型对人体进行快速检测,结合Sort对多目标进行运动轨迹跟踪,通过AlphaPose模型提取人体骨架坐标序列及权重信息;进而,根据人体骨架自然连接节点构成的实际空间图(RSG)和虚拟人体的重心与头、手、脚互连构建的虚拟空间图(VSG),基于人体动力学重心与手脚互动的平衡性,提取仓内作业人员异常行为的空间特征和串联时间卷积(TC)的时空特征;最后,提出了虚实结合的时空图卷积网络(VR-STGCN)仓内作业人员的异常行为视频识别算法。同时自建了混合数据集,并将VR-STGCN与SSD、PCANet、Two-StreamCNN、STGCN等四种算法进行了对比实验与分析。结果表明:VR-STGCN各项指标均优于其他四种算法;VR-STGCN能够在光线不足、多目标、远距离等复杂环境下准确地识别出仓内人员的跌倒、爬行、躺平等异常行为,识别准确率达到97.7%,处理速度为18.67 fps,能够实时分析作业人员异常行为。研究成果为复杂环境下粮仓作业人员的安全保障提供了一种全新高效的技术。

骨架人体行为识别研究回顾、现状及展望

人体行为识别在视频监控、人机交互、医疗看护、体育赛事分析等领域具备重要的应用前景。近年来,随着传感器技术和人体姿态估计算法的迅猛发展,基于骨架的人体行为识别受到研究者越来越多的重视。相较于传统的视频图像数据,骨架数据以行为人为中心,具有高度抽象的运动信息和低数据维度等特点,为行为信息建模提供了新的视角。以骨架人体行为识别为研究对象,对相关工作进行了全面系统的回顾和分析。通过文献计量分析法对已发表的相关文献进行了梳理,系统总结了基于骨架的行为识别的发展脉络。在此基础上,分别回顾了基于手工特征的传统识别方法和基于深度学习的识别方法,重点介绍了基于卷积神经网络、循环神经网络、图卷积神经网络以及Transformer方法的基本原理、改进策略和代表性工作,并简要论述了网络模型学习算法的研究现状。总结了基于运动捕捉系统、Kinect相机和RGB图像的三类公开数据集,并详细探讨了它们的特点和应用。最后,结合国内外研究现状及思考分析,梳理了基于骨架的人体行为识别中的关键难题与挑战,并展望了未来的发展方向,旨在为研究人员建立一个较完整的领域研究视图,为相关领域的工作提供参考和借鉴。

基于空间分组GCN的UAV航拍视频行为识别

人体行为识别(human action recognition,HAR)是从无人机捕获视频中理解行人意图的一项关键技术。但无人机平台算力有限、现有行为识别方法效率较低。提出轻量级的空间分组注意力图卷积网络,降低网络深度,提升效率并保证行为识别精度。为了捕获能够代表全局运动的肢体部位,提出空间分组注意力模型,增强与全局特征相似性高的局部特征。此外,仅靠关节和骨架特征无法有效区分具有相似运动轨迹的行为,构建骨骼角度的高阶特征编码,捕获更能反映细微运动差异的肢体关节间角度的变化,提升特征的表示能力。最后,针对无人机航拍视频的低帧率问题,提出基于帧间差异的线性插帧方案,提升样本信息量。实验结果表明,与现有SOTA方法相比,该方法在UAV-Human数据集上的识别率、参数量、训练耗时、执行耗时都具有更好的性能。

注意力机制的TS-PVAN双流动作识别

人体动作识别是计算机视觉领域的重要研究方向之一,越来越多地应用在视频监控、自动驾驶等场景.目前大多数双流方法采用卷积神经网络分别提取动作的时空特征,而卷积网络仅关注于动作的局部空间特征,缺乏动作的长距离依赖关系,且卷积造成的特征损失及视频背景噪声的影响不利于动作特征的提取.同时,注意力机制愈加广泛地应用在各类视觉任务中,并达到了较高的性能.针对以上问题,本文提出一种基于注意力机制的TS-PVAN双流动作识别模型,该模型以TSN双流网络框架作为基线,为空间流设计一种P-VAN网络处理RGB帧以提取视频动作的空间特征.该模型提高了空间网络提取动作特征的能力,以及双流时空特征信息的融合效果.通过在HMDB51和UCF101两个数据集上的实验对比分析,验证了所提方法的有效性.

基于SPSS分析的流域村落空间形态研究——以黄河三角洲为例

流域环境特征对周边村落形态具有决定性影响,定量化研究有利于科学剖析村落形态的形成机制。文章以黄河三角洲流域的村落为研究对象,选取45个典型村落并建立相应的指标数据库,分别对其进行可信度验证、方差分析及线性回归分析,最终得出临村主干道数量、主干道与村落长轴夹角、林地影响下村落图形空缺率对村落空间形态的影响最为显著。总结诠释以上三个指标对村落形态的内在作用机制,以期为黄河流域村落的保护与发展提供更为科学的理论依据。同时,对其他地区村落布局与形态研究也具有一定的参考价值。

数字经济对碳排放效率影响的空间效应与作用机制——基于“宽带中国”试点政策的准自然实验

文章以“宽带中国”试点政策为准自然实验,基于2011—2021年我国284个城市的面板数据构建双重差分空间杜宾模型,实证检验数字经济对碳排放效率影响的空间效应及其作用机制。结果表明:数字经济显著提升了试点城市的碳排放效率,但对周边城市产生了负向的空间溢出效应,且这一效应随空间距离加长而逐渐衰减;空间异质性分析表明,数字经济的负向空间溢出效应在中部和西部地区城市、非资源型城市和数字经济发展水平较低的城市更显著;进一步分析发现,产业间协同集聚、绿色技术创新是数字经济提升碳排放效率的主要机制,而“宽带中国”试点政策强度对数字经济的碳排放效率提升具有负向调节效应。

民间金融、产业转型与经济高质量发展

民间金融内生于民营经济,是满足民营企业融资需求的主要渠道,逐步成为推动中国经济高质量发展的重要驱动力。在对民间金融与经济高质量发展文献梳理的基础上,从产业转型视角出发,着重探讨了民间金融对经济高质量发展的作用机制,即转变发展方式、优化经济结构、转换增长动力三种机制。考虑到民间金融作用的溢出性,从理论角度深入分析了其对经济高质量发展空间效应。同时,以2004—2021年中国30个省份数据为样本,对民间金融规模与经济高质量发展水平进行测度,并进一步采用中介效应模型和空间计量模型对中介效应、空间效应进行了实证检验。研究发现:第一,民间金融对经济高质量发展有显著促进作用,且转变发展方式、优化经济结构、转换增长动力的作用机制显著存在;第二,民间金融对经济高质量发展的作用机制存在异质性,即在东、中部地区民间金融可以通过优化产业结构、转换产业增长动力促进经济高质量发展,在西部地区则可以通过转换发展方式、优化产业结构、转换产业增长动力三条路径对经济高质量发展产生影响;第三,民间金融对经济高质量发展具有正向的空间溢出效应,即民间金融不仅对本地经济高质量发展有促进作用,对邻近地区的经济高质量发展也会产生正向影响。因此,提出如下建议:第一,鼓励民间资本流向创新型、科技型中小微企业;第二,制定适合区域发展的民间金融政策,缩小区域发展差距;第三,加快民间金融相关立法,进一步规范民间金融发展。

制造业集聚对碳生产率的影响研究——基于技术进步视角的实证分析

中国式现代化愿景下制造业集聚成为实现中国经济提质增效发展的关键。基于2011—2020年30个省级面板数据,利用熵值法测度制造业集聚水平,并构建中介效应模型和空间杜宾模型,实证检验制造业集聚、技术进步对碳生产率的影响及作用机制。结果表明:制造业集聚会对碳生产率的提高产生倒U型的影响,且这种影响存在空间溢出效应;制造业集聚能够通过技术进步的中介效应对碳生产率提高产生正向影响。作用机制的实证分析结果显示,由于要素禀赋结构的差异,制造业集聚对碳生产率的影响在空间上呈现明显的异质性。东部地区制造业集聚对碳生产率具有正向促进作用;西部地区制造业集聚对碳生产率具有抑制作用。

基于时间序列分配和多频率分量压缩的人体行为识别

为解决基于三维卷积神经网络(three dimensional convolutional neural network,3D-CNN)的人体行为识别在时间序列特征提取和特征压缩方面存在的不足,提出了更强的基于3D-CNN的骨架动作识别(stronger 3D-CNN-based approach for skeleton-based action recognition,S-PoseConv3D)网络。该网络通过引入时间序列分配策略(time series allocation strategy,TSAS)和多频率分量特征压缩(multi-frequency component feature compression fusion,M3F)有效提升了PoseConv3D的性能。TSAS通过计算时间序列权重,动态调整不同时间序列在特征提取过程中的比重,从而增强了模型对人体行为时空特征的捕捉能力。M3F则利用离散余弦变换对特征图进行多频率分量的压缩和融合,进而保留了更多的时空信息,减少了全局池化导致的特征丢失。该网络在基于体操视频的数据集(dataset built on top of gymnastic videos,FineGYM)和南洋理工大学骨架行为识别数据集60分类扩展版子集(Nanyang university of technology skeleton behavior recognition dataset 60 classification extended subset,NTU60-XSub)上进行了实验,其相比于原始PoseConv3D在FineGYM数据集上提升了3.93%的平均最高准确率,在NTU60-XSub数据集上也有显著的性能提升,表现出更高的准确率和鲁棒性。该网络能够应用在安防监控、人机交互等领域。

城市数字技术创新产出的空间策略互动行为研究

区域数字创新协同发展是实现我国国家治理能力与治理体系现代化的重要驱动力。现有文献主要关注区域间数字技术创新产出的空间相关性和异质性,未对其是否存在空间策略互动行为及其作用机制进行识别和检验。本文将技术创新扩散和创新竞争规避效应假说引入城市数字技术创新产出空间特征分析中,通过构建空间计量模型分析城市数字技术创新产出的空间策略互动行为。研究结果表明:第一,本地数字技术创新产出数量的上升会带动空间关联地区数字技术创新产出数量的上升,并且在数字经济发展水平空间权重矩阵下,数字技术创新产出的空间溢出效应高于技术进步空间权重矩阵下的空间溢出效应。从策略互动形式来看,城市间数字技术创新产出表现出明显的向上竞争效应。第二,机制检验表明,城市间数字技术创新产出空间互动效应是由省界竞争规避机制驱动的,城市内部学习示范效应会弱化城市间数字技术创新产出的空间策略互动效应,外部学习示范机制会强化城市间数字技术创新产出的空间策略互动效应。第三,异质性检验表明,数字技术创新产出表现出明显的技术进步、数字经济发展水平异质性;高(低)数字技术创新产出城市间存在显著空间策略互动效应。研究结论对正确认识城市间数字技术创新产出的空间策略互动行为和建立健全区域间数字技术进步协同促进机制具有重要的现实意义。

基于时空注意图卷积的人体动作识别

针对基于骨骼数据的人体动作识别中关键节点及特征应用度不高的问题,构建一种基于时空图卷积和通道-空间联合注意力模块融合改进的人体动作识别系统。算法首先通过空间图卷积获得结构化特征,由通道-空间联合注意力模块强化关键节点和关键结构信息,再由时间图卷积获取高级时空特征,最后用全局池化层和softmax分类器得出识别结果。实验结果表明,在关键节点和结构特征得以强化的同时,也保留了原始特征信息。该算法在基于骨骼数据的人体动作识别上具有更高的精度。

基于荟萃分析的城市绿地居民健康效应研究

近年来城市绿地的健康益处引起了国内外学者广泛关注,其健康效应量化分析成为该领域的关键内容。研究首先回顾国内外城市绿地与居民健康关系的理论基础,运用荟萃分析方法对Medline、Web of science核心集和GreenFile数据库进行文献系统审查,对文献研究趋势、方法、实验对象与绿地属性特征进行系统归纳梳理,并在此基础上对涉及的83篇文献结论进行量化荟萃分析。研究表明:城市绿地与死亡率、自主神经活动、内分泌系统、免疫系统、精神压力、情绪效价和认知能力7个方面存在显著的效应量关联,并从提供生态系统服务、绿地暴露、绿地使用三方面归纳绿地健康影响的多重潜在空间作用路径。最后,进一步辨析绿地自身属性特征、国别地域和被试/调查对象差异对健康结果异质性的影响,据此提出有针对性的规划启示与建议。

基于关节点连接广度矩阵的颈椎康复运动识别

为提高颈椎康复动作识别的准确率与实时性,提出一种基于关节点连接广度矩阵的颈椎康复运动识别方法。在预处理阶段,首先从人体实时视频流数据中进行骨架提取;然后根据人体骨骼运动特点准确提取运动时人体骨架的特征信息,获取局部空间上的变化信息,利用广度优先搜索算法遍历骨架图内关节点,建立关节点连接广度矩阵,根据连接广度信息划分三角子图并为关节点分配权重,提高模型的识别效率;最后提取关节点连接广度矩阵的时空特征,通过SVM分类器完成识别。在颈椎康复运动数据集CRED和MSR Action 3D公开数据集上对该识别方法进行验证,实验结果表明,基于关节点连接广度矩阵的颈椎康复运动识别方法平均耗时为1.20 s,平均帧率为27,平均识别准确率为92.72%,与现有方法相比有一定优势。

基于新分区策略的ST-GCN人体动作识别

人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力。最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率,相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标,相比原模型提升了2.3%和3.3%;在真实场景下,所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高,对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低,尚有进一步提高的空间。

重构与扩张:论二十世纪中叶中国高等教育布局的演化

二十世纪中叶,政府通过裁撤、合并、迁移等方式重塑了中国高等教育的空间格局。第一次院系调整以六大行政区为资源配置单位在全国建立起了高等教育中心,1950年代中后期中央以教育均衡发展为目的将高等教育进一步向内地推进,但1958年高等院校在全国地理上的扩张导致了教育质量与数量的失衡,1960年代初对该现象进行了矫正,规范了高等院校在地理上的分布格局。高等教育发展在当时所采取的发展战略受到经济、政治因素以及高等教育规律的影响,多重因素交织形塑了20世纪中叶中国高等教育以政府为主导、区域差距较大、东部和中西部地区教育资源均集中于少数区域中心城市的基本样态。