日本国立信息研究所研究数据基础设施概述

自2013年发达国家八国集团G8科技部长发表联合声明以来,开放科学在全球越来越受欢迎。在日本文部科学省的资助下,国立信息学研究所NII开发了新型研究基础设施,建立了管理、存储及发现研究数据的有效模式,有力推进了日本全国性开放科学的发展。本文介绍开放科学的发展现状,并阐述作者见解。

多源数据行人重识别研究综述

行人重识别是近年来计算机视觉领域的热点问题,经过多年的发展,基于可见光图像的一般行人重识别技术已经趋近成熟.然而,目前的研究多基于一个相对理想的假设,即行人图像都是在光照充足的条件下拍摄的高分辨率图像.因此虽然大多数的研究都能取得较为满意的效果,但在实际环境中并不适用.多源数据行人重识别即利用多种行人信息进行行人匹配的问题.除了需要解决一般行人重识别所面临的问题外,多源数据行人重识别技术还需要解决不同类型行人信息与一般行人图片相互匹配时的差异问题,如低分辨率图像、红外图像、深度图像、文本信息和素描图像等.因此,与一般行人重识别方法相比,多源数据行人重识别研究更具实用性,同时也更具有挑战性.本文首先介绍了一般行人重识别的发展现状和所面临的问题,然后比较了多源数据行人重识别与一般行人重识别的区别,并根据不同数据类型总结了5类多源数据行人重识别问题,分别从方法、数据集两个方面对现有工作做了归纳和分析.与一般行人重识别技术相比,多源数据行人重识别的优点是可以充分利用各类数据学习跨模态和类型的特征转换.最后,本文讨论了多源数据行人重识别未来的发展.

图像去雨算法在云物联网应用中的研究综述

《2020年中国智能物联网(AIoT)白皮书》显示,随着我国5G网络的迅猛发展,大容量低价格的IoT(Internet of Things)传感器设备快速普及,数据呈爆发性增长,图像处理在物联网的诸多领域(如智慧城市、智慧交通、智慧医疗等)得到了广泛应用。在这些领域研究中,科研人员往往相对轻视数据收集过程中的实际问题,如天气变化、季节迁移、昼夜交替等时间变化带来的图像数据退化,以及随着物体移动、叠加、模糊、部分遮挡等诸多空间变化带来的噪声问题。其中,以雨天为代表的复杂天气下的图像模糊问题非常常见,也最具挑战。因此,文中对数据收集过程中的上述实际问题进行了系统性的调查,归类和总结了复杂天气下的图像去雨算法。与此同时,鉴于此类算法的执行需要消耗大量GPU计算资源,文中通过利用Amazon EC2云服务器中G4和P3系列的GPU实例对综述的各种去雨算法的处理时长和去雨效果进行了定量化评估,并阐述了各类去雨算法的特点和在云物联网应用中的最新趋势。

有关和田出土8-9世纪于阗语世俗文书的札记(三)下

3有关税的文书 尝试在普通百姓被为政者或上级征收金钱、物品等广义的税的背景下，探讨于阗语文献有关税的文书中，到底有怎样的内容。3—1文书的种类3—1—1户籍与被课税者的确定以及缴纳命令等首先能考虑的是纳税者的名单。虽然之前未必正确掌握，但关于这种名单的存在及其实例已经在第一部分2—3中论述过。

吐鲁番地区古遗址分布考——以麴氏高昌国、唐西州时期的古遗址的空间把握为中心

本文主要以麴氏高昌国、唐西州时期古城、墓葬、石窟遗址为基础，与斯坦因等报告做全面对照，提供新的照片、测量数据，并在地图上准确标明其地理坐标。

丝绸之路遗址重新定位与遗址数据库的建立

本文利用约100年前所绘制的丝绸之路古地图以及谷歌地球等数据,提出核对丝绸之路探险队报告与现代考古调查报告中所记录遗迹的方法。首先,在遗址的核对当中,以"名称比对""场所比对"等方法,收集基于类似性的证据,根据此证据判断了复数遗迹的同一性。其次,在吐鲁番盆地进行了遗址的全面核对,成功地找到了大部分的所在不明遗址。再次,讨论遗址概念中含有范围以及名称的任意性,因此遗址之间的关系中除了同一性以外还需要表达包含关系和重复关系等。最后,介绍存储遗址关系信息的丝绸之路遗址数据库的设想。

面向视觉数据处理与分析的解耦表示学习综述

表示学习是机器学习研究的核心问题之一。机器学习算法的输入表征从过去主流的手工特征过渡到现在面向多媒体数据的潜在表示,使算法性能获得了巨大提升。然而,视觉数据的表示通常是高度耦合的,即输入数据的所有信息成分被编码进同一个特征空间,从而互相影响且难以区分,使得表示的可解释性不高。解耦表示学习旨在学习一种低维的可解释性抽象表示,可以识别并分离出隐藏在高维观测数据中的不同潜在变化因素。通过解耦表示学习,可以捕获到单个变化因素信息并通过相对应的潜在子空间进行控制,因此解耦表示更具有可解释性。解耦表征可用于提高样本效率和对无关干扰因素的容忍度,为数据中的复杂变化提供一种鲁棒性表示,提取的语义信息对识别分类、域适应等人工智能下游任务具有重要意义。本文首先介绍并分析解耦表示的研究现状及其因果机制,总结解耦表示的3个重要性质。然后,将解耦表示学习算法分为4类,并从数学描述、类型特点及适用范围3个方面进行归纳及对比。随后,分类总结了现有解耦表示工作中常用的损失函数、数据集及客观评估指标。最后,总结了解耦表示学习在实际问题中的各类应用,并对其未来发展进行了探讨。