基于超级向量编码的图像分类系统研究

随着社会迅猛发展,科学技术日新月异,人们获取的信息也在不断地增长。在数码相机,个人电脑等电子产品日益普及的今天,海量的图像数据成了人们获取信息的重要来源。人们开始利用计算机来辅助理解,识别和区分这些图像。本文应用了超级向量编码取代经典的图像分类系统中矢量量化过程,以达到更准确分类的目标。超级向量编码是基于混合高斯模型"软分配(soft assign)"特性产生的,克服了矢量量化对数据近似误差较大的问题。此外,本文还应用了更适合编码技术的max pooling聚合函数,并把这种聚合函数应用在空间金字塔匹配架构上。最后,运用改进的线性支持向量机进行分类。本文的分类系统在极具挑战性的PASCAL VOC 2009数据库上进行实验。实验比较了不同聚合函数对系统性能的影响。虽然实验结果总体不太理想,但这个分类系统具有极大的研究价值。

基于小波分析和超级向量的非对称文本相关的说话人识别模型

在文本相关的说话人识别模型中,训练语音和测试语音内容固定且相同.由于语音内容相同,这种模型将无法有效抵御"合成语音攻击".提出一种非对称文本相关识别模型.在该模型中,训练语音和测试语音内容不同,且训练语音内容公开而测试语音内容由用户保留且不公开.这样就避免了测试语音被攻击者合成.同时,为了提高识别性能,小波分析和超级向量被引入该模型.小波分析能有效分析语音这种非平稳信号,而超级向量能有效提高不同特征向量间的区分度.实验结果表明新模型和传统模型相比可以提高识别性.

基于监督超向量编码和自适应GMM的人脸表情识别方法

针对不同状态和光照条件下的人脸表情识别问题,提出一种基于自适应高斯混合模型（GMM）融合监督式超级向量编码算法。首先,提取重叠图像块;然后,通过自适应GMM提取每个图像块的局部描述子,将图像低维特征映射到高维空间;最后,利用有监督的超级向量编码完成人脸表情识别。在Multi-PIE和BU3D-FE多视点人脸表情数据库上的实验结果显示,本算法在Multi-PIE和BU3D-FE人脸库上的识别率可分别高达91.8%、95.6%,识别一个样本所耗时间仅为0.142 s。相比其他几种较新的算法,本算法取得了更高的识别率,且大大降低了识别所耗时间。

未来向量处理机的一个典型结构

简要探讨了计算机向量体系结构的历史以及相对于标量体系结构的优势。向量超级计算机由于造价的因素当前处于被淘汰的地位,但是在来来的计算机应用领域里,向量体系结构仍然是很值得关注的,特别是在以图形、图像和多媒体处理为主的下一代计算机系统中,有非常好的前景。

并行计算机开始排挤向量系统

报道了关于利用众多的并行运行的处理机（MassivelyParallelProcessingSystems）扩大并行计算机的研制和应用方面的活动的信息。现今在现有市场上上述处理机正在迅速地排挤其他的高效能的计算系统（High－PerformanceComputingSys－tems）和小型超级计算机。在最近30年内高效能计算系统的主要生产者是美国公司。但是现今很多欧洲公司（MeikoWorld，ICI，英国的Parsys，Parsytec，德国的Siemens，Telmat，SternComputing，法国的Archipel，意大利的AleniaSpazio）参加了这种活动。去年Meiko公司获得了向利弗莫尔国家试验室（美国）供应价值1750万美元的CS－2系统的合同。同时256个处理机的CS－2超过一系列美国公司，其中包括ThinkingMachines公司的产品。对CS－2系统的64个部件进行试验的结果表明，按速度CS－2系统优于CrayResearchYMP向量超级计算机9倍。随着部件数目的增加，这种优越性还会在更大的程度上提高。在利用所有的所规定的256个部件的条件下CS－2系统的速度将是280亿次浮点运算／秒。CS－2使SuperSpare无向量微处理机（时钟频率为50兆赫）的利用与微向量处理机（45兆赫）相结合。每个向量部件具有1．86亿次浮点运算／秒（186MFLOPS）的速度，利用容量为128兆字节的高速存储器。