基于动态密集条件随机场增量推理计算的多类别视频分割

针对现有基于条件随机场(CRF)的多类别视频分割计算量随帧数不断增加的问题,提出了一种用于密集(全连接)CRF推断的快速、全动态推理(inference)算法,并有效地推断出了增量式多类别视频分割中动态密集CRF的最大后验概率(MAP)解决方案。与传统的密集CRF处理视频相比,该方法更适合于在线的机器人增量式视频分割的处理计算。实验结果表明,在多类别视频分割应用中,该动态算法明显快于广为人知的标准密集CRF算法,其计算精度与标准密集CRF算法保持不变。几个多类别视频分割测试证实了本算法的推理效率。该算法不仅限于视频分割,还可应用于诸多类似的增量式动态变化CRF模型中MAP推理计算的优化解决方案。

基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割

针对宫颈癌细胞学筛查中由于宫颈细胞核形状复杂多样等因素而导致分割不够精确的问题,提出了一种结合了全卷积网络(FCN)和全连接条件随机场(CRF)的细胞核分割方法。首先,根据Herlev数据集的特点搭建微型全卷积网络(T-FCN),利用细胞核区域像素级别的类别先验信息,自主学习多层次特征来获取细胞核的粗分割结果;然后,通过最小化包含有整幅细胞图像中所有像素类别、像素色彩值与位置等信息的全连接CRF的能量函数来剔除粗分割结果中微小的误分割,并细化分割边缘。在Herlev数据集上的实验结果显示,提出的方法在查准率(Precision)、查全率(Recall)与Zijdenbos相似性指数(ZSI)上均有高于0.9的表现,表明得到的细胞核分割结果与其真实轮廓高度匹配,分割精确。相较于传统方法中对异常细胞核的分割精度较正常细胞核低的情况,提出的方法在异常细胞核的分割指标上普遍优于正常细胞核。

基于有限元理论的行人流社会力仿真模型改进研究

社会力微观行人仿真模型能够体现行人真实运动情况,但其在模拟拥挤状态下的行人运动时存在失真及运算效率低的问题。为此引入有限元分析方法,从模型和算法两方面对社会力模型进行改进,提出基于有限元理论的方法与求解步骤。最后应用该方法对通道内双向行人交通流进行仿真模拟,验证其可行性。

Neighborhood Conditions for Claw-Free Graphs

Two new sufficient conditions for hamiltonian claw free graphs are given. Some known results become corollaries of the conclusion, the conditions of theorem are the best possible in a sense.

The Path Selection Mechanism of Cluster Innovation： Dimensions, Trigger Conditions and Selection Modes

Industries that suitable for cluster innovation are often intensive in knowledge and technology, with high capital agglomeration; closely interact and corporate with each other through resources sharing. Its development is depend on many factors, such as technical reliability, human resources, its own growth potential, competition, market prospects, and the government policies, etc.. Aimed at clarifying the path selection mechanism of cluster innovation, this paper first analyze the connotation of cluster innovation and its inside factors＇ bonding relationship, then exploring the triggers and path forming dimensions of cluster innovation. Finally, it builds a path-selection model on cluster innovation, and discusses the characteristics of each side.

改进U-Net芯片X线图像焊缝气泡缺陷检测方法

针对传统图像处理算法的芯片缺陷检测方法难以实现缺陷的精确提取且泛化性较差的问题,提出了结合空间注意力机制(SAM)、空间金字塔池化(SPP)、移动端神经网络(Mobile-Net)和密集条件随机场(DCRF)改进经典UNet芯片X线图像焊缝气泡缺陷的检测方法(DSSMob-U-Net).首先,针对经典U-Net网络特征提取能力不足、泛化性较差的问题,引入Mobile-Net作为U-Net的主干特征提取网络,提高网络获取缺陷形状和位置信息的能力,并减少网络的参数量,降低模型对训练样本量的要求;其次,在Mobile-Net的低维特征提取部分引入空间注意力机制,并在特征提取后引入空间金字塔池化,提升网络对图像高、低维特征的提取能力,解码后针对解码器上采样层导致的特征信息丢失问题,在分类完成后引入密集条件随机场,结合像素点的像素值和所属类别信息对像素的分类结果重新评估,进一步提高分割精度;最后,在芯片缺陷数据集上进行实验,验证了DSSMob-U-Net模型的有效性,并与其他常用的语义分割网络进行比较,结果表明该模型具有更好的检测性能.