YOLOv5上融合多特征的实时火焰检测方法

在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征融合,提出实时高效的火焰检测方法.为了缓解正负样本不均衡问题,并充分利用困难样本的信息,引入焦点损失函数,同时结合火焰静态特征和动态特征,设计多特征融合方法,达到剔除误报火焰的目的.针对国内外缺乏火焰数据集的问题,构建大规模、高质量的十万量级火焰数据集(http://www.yongxu.org/data bases.html).实验表明,文中方法在准确率、速度、精度和泛化能力等方面均有明显提升,同时降低误报率.

基于一步张量学习的多视图子空间聚类

现有多视图子空间聚类算法通常先进行张量表示学习,进而将学习到的表示张量融合为统一的亲和度矩阵.然而,因其独立地学习表示张量和亲和度矩阵,忽略了两者之间的高度相关性.为了解决此问题,提出一种基于一步张量学习的多视图子空间聚类方法,联合学习表示张量和亲和度矩阵.具体地,该方法对表示张量施加低秩张量约束,以挖掘视图的高阶相关性.利用自适应最近邻法对亲和度矩阵进行灵活重建.使用交替方向乘子法对模型进行优化求解,通过对真实多视图数据的实验表明,较于最新的多视图聚类方法,提出的算法具有更好的聚类准确性.

基于低秩张量图学习的不完整多视角聚类

传统多视角聚类都基于视角完备假设,要求所有样本的视角信息完整,不能处理存在部分视角缺失情形下的不完整多视角聚类任务.为解决该问题,提出一种基于低秩张量图学习的不完整多视角聚类方法.为了恢复相似图中缺失视角所对应的样本关联信息,该方法将低秩张量图约束和视角内在图保持约束融入到多视角谱聚类模型.通过在一个统一模型中同时挖掘视角间的互补信息和视角内未缺失样例的关联信息,所提出的方法能够得到表征样例邻接关系的完整相似图和视角间一致的最优聚类指示矩阵.与12种不完整多视角聚类方法进行实验对比,实验结果表明所提出的方法在多种视角缺失率下的5个数据集上获得了最好的聚类性能.

真实复杂场景下基于残差收缩网络的单幅图像超分辨率方法

真实世界中极少存在成对的高低分辨率图像对,传统的基于图像对训练模型的单幅图像超分辨率(SR)方法采用合成数据集的方式得到训练集时仅考虑了双线性下采样退化,且传统图像超分辨率方法在面向真实的未知退化图像时重建效果较差。针对上述问题,提出一种面向真实复杂场景的图像超分辨率方法。首先,采用不同焦距对景物进行拍摄并配准得到相机采集的真实高低分辨率图像对,构建一个场景多样的数据集CSR(Camera Super-Resolution dataset);其次,为了尽可能地模拟真实世界中的图像退化过程,根据退化因素参数随机化和非线性组合退化改进图像退化模型,并且结合高低分辨率图像对数据集和图像退化模型以合成训练集;最后,由于数据集中考虑了退化因素,引入残差收缩网络和U-Net改进基准模型,尽可能地减少退化因素在特征空间中的冗余信息。实验结果表明,所提方法在复杂退化条件下相较于次优BSRGAN(Blind Super-Resolution Generative Adversarial Network)方法,在RealSR和CSR测试集中PSNR指标分别提高了0.7 dB和0.14 dB,而SSIM分别提高了0.001和0.031。所提方法在复杂退化数据集上的客观指标和视觉效果均优于现有方法。

A^(*)-IACO:一种新的火灾疏散路径规划算法

在复杂的建筑物中,传统火灾疏散系统无法实时改变逃生方向,有时误导人们到危险区域。为了解决这一问题,提出了一种结合A^(*)算法和改进蚁群算法的A^(*)-IACO算法。A^(*)-IACO算法引入了新的启发式函数来削弱启发式值对路径规划的影响,并利用改进的信息素增量和信息素范围克服算法的局部最优问题,同时使用信息素分段规则避免算法在搜索过程中出现停滞现象,提高算法在火灾情况下的路径规划能力。此外,该算法采用混合控制策略进一步提高求解精度。结果表明,A^(*)-IACO算法在不同的火灾环境下均获得了最短且拐点最少的最优路径和最高的收敛精度。在火灾环境4中,A^(*)-IACO算法不论在路径选择还是迭代次数上均优于ACO和IACO,展示了优秀的路径规划能力。

发达地区与城市在我国“引领性科技攻关”中的作用研究

在全球科技竞争日趋激烈的现实条件下,我国适时提出了“科技自立自强”的国家发展战略和“加强原创性”“引领性科技攻关”的科技创新部署。当下,科技发展的高精尖属性愈发突出,包括关键核心技术攻关在内的科技创新具有的人财物投入大和周期长、风险高等特性越来越显著。为了在科技领域形成有力的全球竞争优势,本文提出了在国家统筹和规划下充分发挥发达地区与城市在我国“引领性科技攻关”中的作用的思路,并提出了由国家牵头、发达地区与城市重点投入的协同攻关的科技竞争“国家力量”的举措。长期的科技攻关还需要大量的科技人才,因此,也提出了加强发达地区与城市在科技人才培养方面的建议。

基于测试样本误差重构的协同表示分类方法

基于协同表示的分类方法(Collaborative Representation-based Classification,CRC)在诸如人脸识别、物体识别等图像分类任务中取得了良好的效果。CRC利用范数正则化来解决测试样本的线性表示问题,以期得到一个较稳定的数值解。已有研究表明,正则化参数的选择对协同表示的数值稳定性起着非常重要的作用。文中提出了一种新的基于测试样本误差重构的协同表示分类方法(Test Sample Error Reconstruction Collaborative Representation-based Classification,TSER-CRC)。该方法首先利用较小的正则化参数计算出一个协同表示系数,使其重新构建测试样本,以削弱原始测试样本中的误差或减小原始测试样本与训练样本之间的不一致性;然后,利用较大的正则化参数,并基于重构出的测试样本再次求解协同表示系数,以得出数值较稳定的测试样本与各类别训练样本之间的关系,并以此对测试样本进行分类。该方法有效地减少了由所有训练样本构成的协同子空间所表示的测试样本中存在的误差和异常值,提高了协同表示编码系数的稳定性和图像分类的鲁棒性。通过在5个标准数据集上的实验结果表明,所提方法在图像分类精度方面明显优于传统CRC和其他一些经典的图像分类方法。

新时期应用基础研究的定位、思考及政策建议

应用基础研究在知识创新与科技的生产力转化中起着越来越重要的作用。近现代社会的现代化进程所具有的加速度在很大程度上源于应用基础研究的兴起及其所对应的生产力转化效应。文章对近现代以来应用基础研究的若干特性进行归纳和阐述。同时,提出了新时期我国应用基础研究应该发挥政府与民间力量一同发力的“双轮驱动”效应;为了构建“严丝合缝”的完整的现代“科技网络”和避免将来可能出现的“可脖子”问题,应该坚持鼓励自由探索为主的应用基础研究方向设置;切实加强企业主导的应用基础研究和企业牵头组建创新共同体等。