可伸缩的增量连续k近邻查询处理

针对基于TPR树(time-parameterized R-tree)索引的大量并发CKNN(continuous k-nearest neighbor)查询处理,提出了一种可伸缩的增量连续k近邻查询处理(scalable processing of incremental continuous k-nearest neighbor queries,简称SI-CNN)框架,通过引入搜索区域进行预裁剪以减少查询更新所需要的TPR树节点访问代价,并引入了增量结果表以保存候选对象,批量地更新查询结果集,具有良好的可伸缩性.基于SI-CNN框架提出了一种增量更新的SI-CNN查询处理算法,能够基于上次查询结果增量的更新查询,支持查询集合中加入或删除查询和移动对象数据集的插入、删除等动态更新操作.实验结果与分析表明,基于SI-CNN框架的SI-CNN算法可以很好地支持大量并发的CKNN查询处理,具有良好的实用价值.

基于卷积神经网络的行人目标检测系统设计

为获得最直观的行人目标检测结果,避免运动姿态不确定性对实时检测造成的影响,设计基于卷积神经网络的行人目标检测系统;以CNN计算框架作为硬件结构主体,分级连接目标传感器与神经型卷积分类器,按照并行检测原理及卷积神经架构搭建检测体系结构;建立训练文件体系,通过迎合目标训练环境的方式,配置必要的检测文件参数,完成待检测行人目标的样本训练处理;在检测节点架构中,规定与访问接口关联的配置条件,借助增设的模块复用加速结构,直接获取行人目标检测结果,实现行人目标的样本重构,完成基于卷积神经网络的行人目标检测系统设计;实验结果表明,与PCA、SVM算法相比,应用卷积神经网络型检测系统后,单位时间内的行人目标检测量达到9.6×10^9 T,目标数据堆积速率降低至1.14×10^9 T/s,能够直观获取行人目标检测结果,有效抑制了运动姿态不确定性对系统实时检测的影响。

基于深度学习的年龄识别方法综述

近年来,随着深度学习的发展与应用,人脸识别领域欣欣向荣。年龄识别作为人脸识别的一个非同小可的分支,能够辅助人脸识别更加迅速、精准地完成任务。人脸会由于老化而呈现出不同的复杂特征,针对由年龄变化引起的一系列人脸识别问题,大量学者投入到对年龄进行分类的问题研究中。本文围绕基于深度学习的年龄识别,阐述了年龄识别目前的发展现状及较主流的思想。首先,简要概述了神经网络的发展,对各种年龄识别方法进行了简单比较并阐述了各自的优缺点,分析了不断演进优化的CNN框架结构。其次从人脸检测、特征提取等方面,对二者的基本思想和原理进行总结,并对人脸年龄识别的整个流程进行了梳理。

基于卷积神经网络模型的缺陷图像分级学习系统设计

为解决缺陷识别图像中由于节点模糊识别行为而造成的局部性缺陷问题,设计了基于卷积神经网络模型的缺陷图像分级学习系统。以CNN框架作为卷积神经网络的建立支持条件,借助光电编码器,实现对模糊识别节点的分级化处理,完成缺陷图像分级学习系统的硬件执行环境搭建。通过划分缺陷图像画面中既定识别区间的方式,处理已提取的必要模糊性学习节点,将所有图像参量传输至数据库单元中,实现对整体软件执行环境的管理,联合相关硬件设备结构,完成基于卷积神经网络模型的缺陷图像分级学习系统设计。实验结果表明,应用新型分级式学习系统,缺陷图像数据在单位时间内的累积量降低至5.3×10^(8) t,节点识别准度却提升至86%,有效避免了出现局部性节点模糊识别的行为。