车联网中基于麻雀搜索算法的计算卸载策略

针对车联网场景下的边缘计算系统中MEC服务器负载不均衡,紧急任务无法得到优先处理的问题,提出一种基于麻雀搜索算法的计算卸载策略(COSSA)。以最小化VEC系统的任务计算时延和MEC资源服务费为目标建立数学模型,利用层次分析法根据任务的属性为每个需要卸载任务分配优先级,运用麻雀搜索算法根据目标函数找出最优的卸载决策,实现服务器负载均衡。实验结果表明,与Random、ALP和OMP策略相比,COSSA策略可以有效地降低系统开销、均衡MEC服务器负载。

基于3D残差卷积注意力网络的跨域手势识别

针对现有WiFi单一场景下手势识别模型泛化能力差,跨域识别精度低的问题,提出了基于3D残差卷积注意力网络(RAN)的信道状态信息(CSI)跨场景手势识别方法,通过提取与场景无关的特征人体坐标速度谱(BVP),并结合3D RAN来实现跨场景手势识别。结果表明:所提出的方法具有较好的跨域手势识别效果,并且具有更好的泛化能力。

基于款式变换和局部渲染相结合的虚拟试衣研究

针对现有的虚拟试衣方法会出现人物细节特征丢失,非试衣区域特征发生改变而影响服装观感及试穿者对服装评判的问题,提出了款式变换和局部渲染相结合的试衣方法。首先,为了确保试衣区域的准确性,提出对人物图像进行像素级语义分割的策略,寻找出服装区域的位置,同时也为局部渲染提供实施条件;其次,为了实现不同服装款式间的试衣,构造了可学习的款式变换模块;再次,为了让服装更好地符合试穿者的身材姿态,提出了可学习的服装形变模块;最后,为保留人物原始细节特征和维持试衣图像观感,提出局部渲染策略,仅对服装区域进行渲染,保证了非试衣区域的细节特征不会丢失。实验结果表明,该方法在人物手臂、手部等细节保持方面效果显著,除试衣区域外,能更好地保留非试衣区域的特征信息,试衣后图像更加写实保真。此外,该方法首次将款式变换应用到试衣任务中,解决了姿态复杂时无法正确试衣的难题,使其能够满足日常应用场景中的多姿态试衣,同时也为虚拟试衣领域提供新的研究思路。