多层网络中对传播内容感兴趣层的存在对其它层的影响

为促进信息能在难传网络层传播,利用经典SIR模型,分析研究利于研究结果表明:利于传播层网络的存在会有效地促进难传层网络提高传播范围,并且利于传播层内的节点对所传内容越感兴趣,对难传网络层的作用越明显。我们还将平均度大的层和对传播内容感兴趣层互相结合,设计了利用“桥梁”节点传播提升难传网络层传播范围的方法。

基于多层增量式可扩展扇形兴趣区域的大规模DVE场景对等渐进式传输机制

为了解决在有限的互联网带宽上高效下载海量虚拟场景的"瓶颈"问题,文中针对基于对等网络(P2P)的虚拟场景渐进式传输的增量判断和场景下载源节点最优选择这两个关键点,首先将传统的兴趣域(Area of Interests,AOI)细化为兴趣扇区域(Sector of Interest,SOI),又将其提升为多层增量式可扩展兴趣扇形区域(Multi-Layered&Incrementally Scalable SOI,MISSOI),给出了MISSOI的分划扩展算法,并基于MISSOI提出了一个高效的整数级SOI场景下载的拾取算法;然后设计了一个基于对等网的海量DVE场景渐进式下载框架,并给出了在P2P-DVE中快速搜索场景下载源节点以及选择最优场景下载源节点的高效算法.仿真实验结果表明作者提出的方法在可视场景下载域的拾取、下载源查询成功率和下载请求失败率等性能指标上明显好于目前主流海量虚拟场景P2PDVE传输机制FLoD,更是远优于传统的Client/Server虚拟场景传输模式.

基于感兴趣区域聚集层的强化学习算法的目标检测

在传统深度强化学习的目标检测基础上,提出了一种基于感兴趣区域聚集层的策略,改进传统深度强化学习中使用RoIPooling层将感兴趣区域池化为固定尺寸时造成的像素偏差.首先遍历整个感兴趣区域,保持感兴趣区域的浮点数边界;然后将感兴趣区域平均分割成7×7个矩阵单元,保持每个矩阵单元的边界也是浮点数;最后在每个矩阵单元中使用双三次插值法计算固定的4×4个坐标位置,进行最大池化操作.结果表明:在Pascal VOC2012数据集上,改进方法提升了模型的检测精度;智能体(agent)可以在较少的步数里检测出更多图像中的物体,效率更高;在精准率与召回率上优于传统深度强化学习策略,平均精度比传统目标检测方法更有优势.

一种基于LDA的用户二层兴趣模型在新闻推荐中的应用

新闻推荐过程中,最重要的是依据用户的浏览历史确定用户兴趣,而新闻的标题与内容所表示的用户兴趣范围是不相同的。潜在狄利克雷分配模型是目前应用最广泛的一种概率主题模型。本文研究一种基于潜在狄利克雷分配模型的用户兴趣模型算法,结合用户浏览过的新闻标题与内容信息建立用户的二层兴趣模型,寻找用户最感兴趣的新闻来提升推荐质量。

基于云模型的数据分发管理

在兴趣层次管理研究的基础上,提出了基于云模型的数据分发管理策略。通过对限域的云化处理构建泛限域树,并通过泛限域树在发送方进一步对数据进行过滤,减小匹配的数据量,同时在匹配中引入哈希关联表进行云匹配,实现快速匹配。实验结果表明,该方法在保证匹配精度的前提下,可在仿真推进全过程中实现区域的快速匹配,保证联邦成员间的实时数据交换,并保障关键数据和传输的稳定性。

行人检测的深度稀疏自编码网络

针对传统卷积神经网络在行人检测中卷积速度慢、抗噪弱、冗余大的问题,提出了一种基于深度稀疏自编码网络的方法。首先在输入层后添加一层感兴趣层,在非相邻和相邻特征(nor-neighboring and neighboring features,NNNF)的基础上丰富图像的对称性特征,融合LUV空间、梯度方向等多通道的跨通道特征,并在非相邻特征设计的区域处理中采用一种改进的随机池化方法来消除行人形变的影响,得到表示行人信息的主要特征。然后利用四个自动编码器设计四层隐含层深度网络,以交叉熵为损失函数及改进的ReLU(rectified linear unit)函数为激活函数,以此结合稀疏表示的理论构建新的目标函数来学习网络,寻找数据的内在结构。最后用第四层隐含层输出的有效特征来训练分类器。在公共数据库上进行实验验证,结果表明,与现存的其他方法相比,该方法降低了平均漏检率,减少了运行时间,具有良好的鲁棒性。

基于改进级联R-CNN的酒瓶瑕疵检测

为降低厂家因瓶装酒瑕疵带来的不必要损失,提出一种改进的Cascade R-CNN算法模型,对酒瓶瑕疵进行检测。采用基于聚类算法的Anchor生成策略,将多尺度预测的骨干网络用作特征提取,使用感兴趣对齐层取代原先的感兴趣池化层。将改进的模型与其它基于Faster R-CNN和Cascade R-CNN的酒瓶瑕疵检测模型做消融实验,实验结果表明,该模型能够更加准确识别和定位出多类酒瓶瑕疵情况。在检测速度方面虽然略逊于其它模型,但模型检测的准确度达到了79.6%,远高于其它模型。