基于多任务学习与注意力机制的多层次音频特征情感识别研究

传统音频分类任务仅仅是从单层次音频提取特征向量进行分类,即便使用过大的模型,其过多的参数也会造成特征之间的耦合,不符合特征提取“高聚类,低耦合”的原则。由于注意到一些与情绪相关的协变量并没有得到充分利用,本文在模型中加入性别先验知识;将多层次音频特征分类问题转化为多任务问题进行处理,从而对多层次特征进行解耦再进行分类;针对特征分布的再优化方面设计了一个中心损失模块。通过在IEMOCAP数据集上的实验结果表明,本文提出模型的加权精度(WA)和未加权精度(UA)分别达到了71.94%和73.37%,与原本的多层次模型相比,WA和UA分别提升了1.38%和2.35%。此外,还根据Nlinear和Dlinear算法设计了两个单层次音频特征提取器,在单层次音频特征分类实验中取得了较好的结果。

基于自适应遗传算法的显著性检测

为了更鲁棒地检测图像中的显著目标.在凸包的基础上,提出一种基于自适应遗传算法的显著性检测算法.首先通过图像的Harris角点构造凸包,利用自适应遗传算法来找出凸包内的显著目标并构造遗传先验图;然后构建中心先验模型,与遗传先验图融合成先验图;最后引入贝叶斯优化框架来优化先验图,以得到最终的显著图.在6个公开的显著性检测数据库上进行评测,通过大量实验验证了该算法的有效性.

多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标,提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况,提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置,以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明,MPLRR能够得到清晰高亮的显著性目标视觉效果图,同时F,AUC,MAE等评价指标也比现有的许多方法有明显提升。

高层先验与低层特征相结合的图像显著性计算

图像显著性区域计算问题是一个非常具有挑战性的计算机视觉问题.由于单一因素很难将显著性物体均匀的突出出来,提出一种基于多特征融合的显著性区域检测方法.在高层先验知识的基础上,重新定义了两种显著性特征,包括边界特征和中心特征.另外在图像低层特征的基础上采用目前较为流行的对比度特征.针对上述三种显著性特征,构造一种有效的融合策略可以生成高质量的显著性图像.最后对显著性图像进行多尺度增强操作进一步提高检测结果.在国际上公开数据集MSRA-1000上进行测试,并与目前比较经典的显著性检测方法结果进行比较,结果表明,该文提出的方法在进行图像显著性分析时非常有效,总体性能要优于其他检测方法.

利用层次先验估计的显著性目标检测

有效的显著性目标检测在计算机视觉领域一直是具有挑战性的问题.本文首先对图像进行树滤波处理,采用Quick shift方法将其分解为超像素,再通过仿射传播聚类把超像素聚集为代表性的类.与以往方法不同,本文提出根据各类中拥有的超像素的类内和类间的空间离散程度及其位于图像边界的数目,自适应地估计先验背景,并提取条状背景区域;由目标性度量(Objectness measure)粗略地描述前景范围后,通过与各类之间的空间交互信息,估计先验前景;再经过连通区域优化前景与背景信息.最后,综合考虑各超像素与先验背景和前景在CIELab颜色空间的距离,并进行显著性中心加权,得到显著图.在MSRA-1000和复杂的SOD数据库上的实验结果表明,本文算法能准确、完整地检测出显著性目标,优于21种State-of-the-art算法,包括基于部分类似原理的方法.

融合显著深度特征的RGB-D图像显著目标检测

深度信息被证明是人类视觉的重要组成部分,然而大部分显著性检测工作侧重于2维图像上的方法,并不能很好地利用深度进行RGB-D图像显著性检测。该文提出一种融合显著深度特征的RGB-D图像显著目标检测方法,提取基于颜色和深度显著图的综合特征,根据构图先验和背景先验的方法进行显著目标检测。首先,对原始深度图进行预处理:使用背景顶点区域、构图交点和紧密度处理深度图,多角度融合形成深度显著图,并作为显著深度特征,结合颜色特征形成综合特征;其次,从前景角度,将综合特征通过边连接权重构造关联矩阵,根据构图先验,假设多层中心矩形为前景种子,通过流形排序方法计算出RGB-D图像的前景显著图;从背景角度,根据背景先验以及边界连通性计算出背景显著图;最后,将前景显著图和背景显著图进行融合并优化得到最终显著图。实验采用RGB-D1000数据集进行显著性检测,并与4种不同的方法进行对比,所提方法的显著性检测结果更接近人工标定结果,PR(查准率-查全率)曲线显示在相同召回率下准确率高于其他方法。

显著中心先验和显著-深度概率矫正的RGB-D显著目标检测

随着深度特征在图像显著检测领域中发挥越来越重要的作用,传统的RGB图像显著检测模型由于未能充分利用深度信息已经不能适用于RGB-D图像的显著检测。该文提出显著中心先验和显著-深度(S-D)概率矫正的RGB-D显著检测模型,使得深度特征和RGB特征间相互指导,相互补充。首先,依据3维空间权重和深度先验获取深度图像初步显著图;其次,采用特征融合的流形排序算法获取RGB图像的初步显著图。接着,计算基于深度的显著中心先验,并以该先验作为显著权重进一步提升RGB图像的显著检测结果,获取RGB图像最终显著图;再次,计算显著-深度矫正概率,并对深度图的初步显著检测结果使用此概率进行矫正。接着,计算基于RGB的显著中心先验,并以该先验作为显著权重进一步提升深度图像矫正后的显著检测结果,获取深度图像的最终显著图;最后,采用优化框架对深度图像最终显著图进行优化得到RGB-D图像最终的显著图。所有的对比实验都是在公开的数据集NLPR RGBD-1000数据集上进行,实验结果显示该文算法较当前流行的算法有更好的性能。

捷联惯组历次测试数据验前分布随机加权中心融合估计法

在小子样理论中,验前分布的获取与表示是一个关键问题。针对捷联惯性测量组合(捷联惯组)历次测试数据验前分布的获取问题,探讨了在异总体情况下,多种验前信息的融合问题。提出了通过随机加权中心融合法实现多种异源信息融合,以获取捷联惯组历次测试数据验前分布,从而减小了小样本情况下的统计分析误差。

公路主枢纽布局方案评价方法研究

公路主枢纽方案评价中,定性因素与定量因素并存.层次分析(AHP)法,需定量描述各方案每一因素的隶属度值,其值的确定十分困难,不可避免的融入较多的主观色彩.模糊一致矩阵避开了特征因子矩阵的建立,利用优先关系系数来描述不同方案之间的优劣,在大量定性因素与定量因素并存的决策中成功地避开了隶属度确定.采用模糊一致矩阵方法对长春公路主枢纽货运站场布局方案进行优选,效果理想.

基于Bayes后验概率的鲁棒性车道线检测算法

针对道路场景中常见的由阴影、地面积水、刹车印记等因素引起的车道线对比度低和车道线不明显问题,提出一种基于Bayes后验概率的鲁棒性车道线检测算法.该算法在二次曲线道路形状模型基础上,在图像平面中引入中心车道线模型描述左右车道线,结合图像信息和车道线先验概率构造后验概率函数,将车道线检测问题引申为最大后验概率问题,并在优化过程中将具有参数少、结构简单和收敛速度快等特点的粒子群优化算法与具有全局搜索特性和不易早熟等特点的免疫克隆策略相融合,提高车道线检测的鲁棒性.实验结果验证了上述算法在车道线检测过程中对阴影等不良因素的鲁棒性.

采用目标背景建模的毫米波弱小目标检测

基于被动毫米波成像特性,提出了改进的稀疏表示——圆周中心差(ISR-CSCD)算法来解决被动毫米波图像中弱小目标与背景区分度较弱,目标可提取特征较少的问题。该算法通过改进稀疏表示方法完成背景抑制与目标增强。依据目标与周围背景特征先验,提出了圆周中心差背景抑制算法对检测图像进行背景抑制。然后,融合改进稀疏表示方法和圆周中心差背景抑制算法的结果得到抑制了背景的目标增强图像。最后,基于恒虚警率的检测方法完成了弱小目标的检测。对不同场景下的毫米波图像进行了实验检测,结果表明,与主流算法图像稀疏表示(SR)法、鲁棒规则核回归牛顿算法(NRRKR),空时联合分类稀疏表示算法(STCSR)和累积中心与周边差异测量算法(ACSDM)相比,ISR-CSCD算法具有更低的虚警率、更高的检测精度、更强的鲁棒性。对各种虚警率、信噪比之下的毫米波弱小目标检测结果显示,ISR-CSCD检测率相对于其它算法平均提高了约15%。

基于超像素分类的显著目标检测

结合边界-中心先验信息与超像素分割技术提出一种新的显著性目标检测方法。首先对种子点进行分类,使得分割后的超像素具有背景或前景属性。然后,从空间和颜色两个方面对每个超像素区域计算其背景显著性和前景显著性。最后,对不同的显著性值进行融合得到最终显著性值。一方面通过实验说明空间、颜色、前景和背景等因素在显著性计算中具有重要作用;另一方面,通过与其他显著性检测算法进行比较,证明该方法优于现存的8种方法。

基于事前审核探讨审方中心平台在临床合理用药中的应用

目的:提高临床合理用药水平,提高药师处方审核的效率与质量,构建医院审方中心平台,探讨在临床合理用药中的效果。方法:引入审方中心系统,通过建立和维护系统的知识库,协助药师进行处方/医嘱审核。结果:2018年6月—2019年8月,住院医嘱通过系统8级直接拦截的医嘱为1833组,药师人工复审核医嘱368880组,干预医嘱1383组。结论:利用审方中心平台,实行医嘱的前置审核,可有效及时拦截不合理处方,降低临床用药差错风险,提高医嘱合格率,进一步保障用药安全。

基于不完备标签数据的半监督聚类算法

针对seeded-K-means和constrained-K-means算法要求标签数据类别完备的限制,本文提出了基于不完备标签数据的半监督K-means聚类算法,重点讨论了未标签类别初始聚类中心的选取问题。首先给出了未标签类别聚类中心最优候选集的定义,然后提出了一种新的未标签类别初始聚类中心选取方法,即采用K-means算法从最优候选集中选取初始聚类中心,最后给出了基于新方法的半监督聚类算法的完整描述,并通过实验测试对新算法的有效性进行了验证。实验结果表明本文所提算法在执行速度和聚类效果上都优于现有算法。

利用肠道图像轮廓背景先验的显著性息肉检测

结肠息肉是一种常见的结肠疾病,一些随着时间的推移可能发展为结直肠癌.因此,结肠息肉的及时预防和诊断显得尤为重要.临床诊断研究中发现,计算机辅助检测系统可以有效提高检测效率,利用先验知识的显著性检测广泛应用在目标识别方向,但由于WCE图像中息肉位置的随机性--可能位于图像中心也可能位于边缘,而传统的图像四周边缘作为背景的先验知识会将处于边缘的息肉误判为背景.由此,本文致力于寻找新的背景先验,提出了适合肠道图像的肠道中心暗区和肠壁轮廓的背景先验,以及多连通区域中心高斯模型来增强前景、抑制背景同时增强多息肉的检测效果.实验结果表明,相较于主流的显著性检测算法,本文算法能更好地检测息肉区域,同时有效凸显多个息肉目标.

基于区域对比的图像显著性检测方法

随着计算机视觉的发展,图像显著区域检测在图像处理领域越来越重要。为了对自然图像中的显著区域进行准确的检测,提出了一种基于区域对比的图像显著性检测方法。首先对图像进行超像素分割预处理,然后利用图像的颜色特征和空间特征算出区域对比度,再结合图像子区域与其邻域像素平均特征向量的距离以及中心优先原则得到图像高质量的显著图。仿真实验结果表明,与其他的显著性检测算法相比,可以更加有效地检测出显著性目标,更好地抑制背景。

融合稀疏重构图像显著性的相关滤波跟踪

针对相关滤波跟踪中目标在剧烈形变时会发生滤波模板漂移,以及在复杂场景中目标跟踪鲁棒性较差的问题,提出一种融合稀疏重构图像显著性的相关滤波跟踪算法。在跟踪过程中,通过超像素分割提取背景模板来稀疏重构目标颜色相关,构建目标颜色模型得到跟踪检测分数,将该检测分数与相关滤波检测分数进行融合,根据融合响应,利用峰值旁瓣比调整模板更新速度来解决遮挡下的更新策略问题,同时利用中心先验图对存在误差的稀疏重构图进行修正,使得该目标跟踪框架能适应形变、光照等复杂变化。实验表明,该算法在准确性和鲁棒性方面要优于其他算法。

LTE-A系统载波聚合情况下改进的PF算法

为提高边缘用户的吞吐量和用户间的公平性,提出了边缘用户优先比例公平算法。算法思想是让某些成分载波上的RBs以概率a分配给边缘用户,以概率1-a分配给中心用户,分配后再使用传统的比例公平算法进行调度;而其他成分载波上的RBs直接使用传统的比例公平算法进行调度。仿真表明,该算法可以较好地提高边缘用户的吞吐量和用户间的公平性,并且可以通过控制a的大小来调节边缘用户吞吐量和用户间的公平性。

改进中心先验的显著性检测

针对传统基于中心先验的显著性检测算法不能均匀突出显著性目标的问题,提出改进中心先验的显著性检测算法.首先将输入图像分割成4种不同超像素尺度,对输入图像计算凸包;然后计算4种不同尺度下的背景显著图和前景显著图,将对应尺度下的背景显著图和前景显著图融合得到该尺度下的融合显著图,将凸包和4种不同尺度的融合显著图作为先验,计算4种不同尺度下的中心先验图;最后将得到的不同尺度的中心先验图经MKB算法优化得到最终显著图.在MSRA1000,PASCAL和ECSSD数据集上进行,实验结果表明所述算法在显著目标检测的准确性方面优于14种对比算法.

基于贝叶斯网络的智慧园区数据中心供配电系统设计

为了提高供配电系统配置的合理性,保障数据中心可靠运行,设计了一种基于贝叶斯网络的智慧园区数据中心供配电系统。结合可扩展性、可控性与可维护性等原则,确定系统整体结构;利用模块化设计思想,将系统分为市配电系统、不间断电源、照明配电、防雷保护四大模块;针对不间断电源,综合分析其负载率、可用性与电池放电时间三种因素,选择最佳电源类型;利用贝叶斯网络算法,根据各模块的运行样本信息,建立故障率的密度函数,计算其先验概率,并将其变换为伽马分布形式,分别获取故障率的平均值和方差,通过对超参数的计算得出供配电系统故障预测结果,完成系统设计。仿真实验表明,该方法可以保证输出电压平稳,同时可有效避免雷击故障。