基于条形卷积和上下文感知的近海水产养殖提取方法

利用中等分辨率遥感影像,针对近海养殖区边界模糊、筏式和网箱养殖存在类间干扰等现象,以ResUnet模型为基础,提出一种带有条形卷积模块和上下文感知单元的MSUResUnet模型,以提高模型的特征提取能力,改善近海水产养殖提取任务中出现的漏提和粘连等问题.模型中利用条形池化模块增强编码层与解码层信息的交互,引入条形卷积模块增强对水产养殖线性特征的捕捉能力,通过增加上下文感知单元获取水产养殖区丰富的多尺度上下文信息.在Sentinel-2 MSI数据上的实验结果表明,参与比对的6个模型中,MSUResUnet模型精度最优,其Kappa系数、 MIoU、 OA和F1分数分别达到了89.17%、 84.33%、 96.38%和91.19%;MSUResUnet在养殖较密集的兴化湾、三沙湾和罗源湾附近海域均获得较高精度,具有较强的特征提取和抗干扰能力,能够满足高精度的大范围中等分辨率影像近海水产养殖信息提取需求.

一种用于视觉跟踪的低秩上下文感知的相关滤波器

基于DCF的目标跟踪方法在保持实时运行时,由于在精度和鲁棒性之间实现了很好的权衡而备受关注。但是,当出现遮挡、移出视野、平面外旋转等干扰时,现有跟踪器仍面临着模型漂移甚至跟踪失败的情况。为此,提出了一种基于低秩上下文感知的相关滤波器LR_CACF。具体来说,在滤波器学习阶段,直接将目标及其上下文信息集成到DCF框架中,以更好地将目标从背景中鉴别出来;同时,对跨帧视频施加低秩约束以强调时序平滑性,使得学习的滤波器处于一个低维的鉴别流行上,进一步提高了跟踪性能;然后,利用ADMM实现滤波模型的高效优化;此外,针对模型失真的问题,启动多模态检测机制来识别响应图的可靠性,当反馈不可靠时,滤波器停止训练,同时扩大搜索区域,并采用区域重叠的方法重新捕获目标。在OTB-50,OTB-100和DTB70数据集上进行了大量实验,实验结果表明,相对于基线SAMF_CA,在DP方面,LR_CACF分别获得了6.9%,4.0%和7.1%的增益,AUC分别提高了3.6%,2.7%和5.4%。基于属性分析的结果表明,LR_CACF尤其擅长处理遮挡、移出视野、平面外旋转、低分辨率和快速运动等场景。

融合上下文感知和背景探索的伪装目标检测方法

伪装目标检测(camouflaged object detection, COD)旨在检测出与周围环境高度相似的伪装目标。针对目前COD方法中检测结果不完整、边缘细节模糊的问题,提出了一种融合上下文感知和背景探索(CABENet)的伪装目标检测模型。首先,该模型利用Swin-Transformer模型作为骨干网络,在多个尺度上提取全局上下文信息;其次,利用提出的注意力联级上下文感知模块扩大感受野,并从通道和空间两个维度增强网络的特征提取能力,再通过全连接解码器捕获隐藏对象的粗略位置图;最后,通过融合注意力机制的背景探索模块从背景信息中挖掘目标的边缘线索,加强伪装目标边缘特征的提取。在CHAMELEON、CAMO以及COD10K数据集上的实验结果表明,该方法在4个评估指标上的性能优于其他10个具有代表性的模型,在COD10K数据集上,平均绝对误差降至了0.026。

基于上下文感知的强化学习AUV控制器研究

为了提升基于强化学习的自主水下航行器(Autonomous Underwater vehicle,AUV)控制器在复杂海况中对环境干扰的鲁棒性,设计一种利用上下文信息进行环境感知的强化学习控制器。结合水下机器人运动学及动力学方程对深度跟踪任务进行建模,构建了基于PPO-clip算法的深度控制器,并在算法中融入了上下文变量和域随机化方法。在仿真环境中分别进行海流干扰、暗涌干扰以及两者共同干扰环境的深度跟踪任务,仿真结果表明,本文提出的方法对强化学习控制器的抗干扰能力有明显的提升,在多种环境干扰下更精准地完成深度跟踪任务。

融合用户活跃度的上下文感知兴趣点推荐算法

为了提高兴趣点(point of interest,POI)推荐的准确性和个性化,提升用户对推荐结果的满意度,针对不同活跃度用户的特点,提出一种融合用户活跃度的上下文感知兴趣点推荐算法(A POI recommendation algorithm that integrates geographical,categorical,and temporal factors,while simultaneously considering user activity),简称AU-GCTRS。首先,为缓解数据稀疏性和冷启动问题,引入多维上下文信息;其次,通过挖掘用户签到频率、签到兴趣点数量和签到时间,将用户划分为不同活跃度的群体;最后,综合用户活跃度与上下文分数,将得分高的前K个兴趣点推荐给用户。在真实数据集上进行实验表明,AU-GCTRS算法比其他流行算法更有效地缓解了数据稀疏性和冷启动问题,提高了推荐准确率和召回率。

基于上下文感知的自适应访问控制模型

面对日益复杂和动态的访问场景,传统访问控制显现出灵活性不足的局限性,一定程度上损害了资源的可用性。针对这一问题,提出一种基于上下文感知的自适应访问控制模型。通过提供额外的特殊授权机制,提升面对特殊请求的灵活性和时间效率,提高资源的可用性。使用基于模糊逻辑的上下文感知推理方法评估用户访问时的上下文情景,使系统能够据此作出特殊授权决策,实现了访问控制系统在动态环境下灵活、细粒度的授权能力。通过引入信任度机制限制用户的特殊授权,防止权限滥用。同时对用户在会话期间的活动进行跟踪与监测,以提供自适应访问控制能力。实验结果表明,该模型能够适应动态、复杂的访问控制场景,可以根据不同情境动态调整权限,提高了资源的可用性。

基于上下文感知与图注意力网络的人机协作装配人员作业意图识别方法

针对人机协作装配现有研究尚未充分综合利用复杂装配环境中各要素的三维空间特征与视觉特征,并考虑装配环境中丰富的上下文信息,使得复杂装配环境下人员作业意图识别精度较低,提出结合装配环境各要素的三维空间特征和视觉特征,基于图注意力网络实现人员作业意图的高精度识别方法。首先利用FasterR-CNN神经网络对装配场景中的各要素,如人员、机器人、零件等进行目标检测,得到各要素的空间位置信息,同时从网络中提取各要素的视觉特征信息;然后结合图注意力网络推理装配过程中人员对不同作业对象的作业意图,如搬运、组装、触碰等;最后通过人机协作场景下的齿轮装配实验对所提方法进行验证。实验结果表明,相比深度卷积神经网络,所提方法在识别准确性、场景泛化性等方面具有优越性。

增强现实上下文感知最新研究进展综述

增强现实通过将数字内容叠加到物理世界,为用户提供沉浸式的数字体验,帮助用户更好地理解真实世界。近年来增强现实上下文感知研究受到广泛关注。增强现实与其上下文密切相关,无论是位置信息、光照水平、头部姿态等基础的上下文信息,还是几何信息、语义信息、眼动信息等更高等级的上下文信息,都不同程度影响增强现实的用户体验。从增强现实上下文感知的最新研究进展出发,概括了增强现实的上下文因素,梳理了增强现实上下文感知的流程,并对增强现实中几何、语义和眼动三种上下文信息的感知方法与最新应用进行了分析。最后,结合增强现实上下文感知研究的现状,探讨了增强现实上下文感知的未来发展趋势,为后续的增强现实上下文感知研究提供参考。

普适学习中的上下文感知技术研究

普适学习是普适计算环境下未来的学习方式,也是当代远程教育的研究热点。文章简要介绍了普适学习的定义、特性,根据普适学习环境下的三个典型系统项目,对其各自上下文感知技术的实现进行了研究和比较分析,在此基础上提出一个普遍的普适学习上下文感知模型。

社交网络中上下文感知协同过滤算法

围绕上下文感知推荐技术和社会化网络推荐技术的局限性展开研究,提出一种基于社会化网络环境下的名为HCCF的上下文感知协同过滤方法。在充分考虑上下文感知推荐系统实际问题的基础上,首先量化了不同维度的上下文对推荐系统所产生的影响,并在此基础上定义了上下文影响系数。在此基础上引入了社会化网络环境中不同用户之间的相互影响,并采用社会化网络用户信任度进行衡量,最后对上下文因素和社会化网络用户信任度进行综合考虑,提出一种新的相似度计算方法。理论分析和在真实数据集上的实验结果表明,相对于单纯基于上下文的系统过滤算法以及社会化网络推荐方法而言,该算法的准确性和推荐效率均得到一定程度的提升。

基于移动代理的上下文感知系统研究

上下文表是用上下文信息描述实体状态,原子上下文感知反应则说明了系统根据当前上下文和历史上下文做出合适的响应.基于以上两个概念设计了上下文感知移动代理、系统代理和上下文感知移动代理服务环境,目的是解决普适计算系统需要自动适应用户行为及环境变化的问题.首先使用历史上下文与当前上下文提取上下文表达式,根据该表达式在上下文反应容器中匹配对应的操作,然后由系统代理执行该操作,为用户提供任务相关的服务或者信息.其次根据原子上下文感知提出若干实例,并由上下文感知演算验证,同时指出上下文感知演算的不足.最后,用染色Petri网对一个实例场景仿真,证明了系统的可行性.

上下文感知推荐系统

近年来,上下文感知推荐系统已成为推荐系统研究领域最为活跃的研究领域之一.如何利用上下文信息进一步提高推荐系统的推荐精确度和用户满意度,成为上下文感知推荐系统的主要任务.从面向过程的角度对最近几年上下文感知推荐系统的研究进展进行综述,对其系统框架、关键技术、主要模型、效用评价以及应用实践等进行了前沿概括、比较和分析.最后,对上下文感知推荐系统有待深入的研究难点和发展趋势进行了展望.

基于上下文感知的智能交互系统模型

上下文感知是提高人机交互智能性的重要途径 ,上下文信息能否在计算过程中真正发挥其作用主要取决于两个方面 :一是从交互环境中提取和形成上下文 ;二是协调控制各种上下文与高层应用之间的通信 文中围绕这两个问题展开讨论 ,提出了一种上下文感知和调度的策略 ,并建立了一个基于上下文感知的智能交互系统结构模型 介绍了按照所述策略和模型构建的实例系统 。

上下文感知的移动社交网络服务选择机制研究

服务选择机制作为为用户提供智能性、主动性应用服务的一项关键支撑技术,是移动社交网络中重要的研究内容之一.文中提出了基于上下文、信任网络和协作过滤算法的移动社交网络服务选择机制,将上下文相似度引入到服务选择的过程中,并且和信任度相结合,构成"用户-服务-上下文"三维协作过滤服务选择模型.该方法提高了服务选择的准确性和可靠性,避免了服务选择的盲目性和随意性.仿真实验表明,与传统的协作过滤推荐算法相比,该服务选择算法具有更高的准确率.

支持上下文感知应用程序的动态自适应中间件框架

上下文感知计算是当前开发和部署智能应用不可或缺的关键技术之一。上下文能否在计算中真正发挥其作用,主要取决于两方面:一是如何连续稳定地从动态交互环境中获取高质量上下文,二是如何推理上下文并制定适应决策。为了实现上述目标,设计了一个分层的中间件框架,该中间件能够根据上下文质量参数,动态地选择能提供高质量上下文的信息源,并对这些原始上下文进行预处理和推理,进而自动地制定适应决策为用户提供合适的服务。实验测试了平台的性能,并与同类系统进行了比较,结果表明该中间件能够快速有效地支持上下文感知应用的开发部署,并且在计算性能方面有显著提高。

上下文感知推荐系统中基于用户认知行为的偏好获取方法

针对现有的偏好获取方法,因未考虑不同用户在各类型上下文环境中的认知行为与用户偏好间的内在联系所导致用户偏好预测准确度不高的问题,受分布式认知理论与记忆信息加工模型启发,提出了一种基于用户认知行为的上下文感知偏好获取方法.在多维上下文环境下,将认知水平、认知有用性、认知风险、有效认知行为等认知领域概念引入偏好获取过程,并分别给出其概念定义及计算方法,通过建立多种认知因素交互影响的偏好获取模型,分别提取在单维与多维上下文环境下的用户偏好.在大规模真实数据集上的实验结果表明,与经典的协同过滤算法及上下文感知算法相比,显著地提高了偏好获取的准确度.

上下文感知系统中的规则生成与匹配算法

针对现有上下文感知系统中的规则主要依靠开发者或用户手工定义的问题,提出了一种基于粗糙集理论的自动规则生成方法.该方法将上下文感知系统视为一种决策信息系统,并利用可辨识矩阵对上下文信息加以约简,进而自动生成规则.由于可供使用的数据有限,所生成的规则无法完全覆盖上下文的取值范围,因此可能出现找不到与上下文状态相匹配规则的问题.为了解决这一问题,提出了一种基于语义距离的规则匹配算法.最后验证了所提出方法的有效性和效率.

基于上下文感知和RFID的智能交互系统

上下文感知是在移动计算环境中实现人机自然交互的关键,该文分析在信息空间和物理空间融合环境中,上下文应具有的意义、特征和作用。结合RFID技术的特点和发展趋势,提出通过基于RFID与移动计算获取上下文以进行智能交互的思想。采用被动式RFID标签跟踪并存储上下文数据,以蓝牙作为无线交互信道,结合移动终端PDA实现嵌入式系统,通过实验给出应用效果。该原形系统在可穿戴计算、医疗看护、残障协助和路标导航等方面具有实验推广价值。

基于上下文感知的普适服务框架

为了更好地适应用户的个性化需求和普适计算环境的特征,提出一种基于上下文感知的普适服务框架。该框架包括服务呈现层、服务管理层、服务提供层和上下文感知层。通过基于社区的服务管理方式来屏蔽普适计算环境中服务的异构性、分布性,动态地感知与当前计算环境和用户活动相关的上下文信息,采用基于上下文的服务推荐机制为用户提供个性化的服务,从而更好地适应人的意图和环境因素。

基于多尺度上下文感知的绝缘子缺陷检测网络

针对巡检图像中绝缘子缺陷尺度不一造成检测效果不佳的问题,提出了一种基于多尺度上下文感知的绝缘子缺陷检测网络,称为上下文感知缺陷检测网络(context aware defect detection network,CAD^(2)Net)。该网络采用ResNeSt101架构提高了对图像的特征提取能力。设计了改进特征金字塔结构,构建不同分辨率的丰富语义特征图,以更好地检测不同尺度的目标。同时,在网络的检测单元中增加感受野自适应(adaptive receptive field,Ada-RF)模块聚合多尺度上下文信息,生成更具辨别力的特征,改善网络对不同尺度目标的检测效果。在随机生成缺陷的样本集及公开数据集上的平均检测精度分别达到91.7%及91.0%。结果表明:所提出的缺陷检测网络能够对不同尺度绝缘子的缺陷进行准确识别与定位。