一种深度学习生成稠密3D点云数据的简捷方法

LiDAR是一种高感知精度的三维传感器,但其存在低成本LiDAR所采集的原始三维点云过于稀疏的问题.针对该问题,提出一种深度学习的稠密3D点云数据生成方法.该方法通过将原始稀疏三维点云投影到二维距离图像,使用深度学习网络对二维距离图像进行分辨率提升,提升分辨率后的二维距离图像变换为三维点云的形式,形成增强的点云数据.实验结果表明,该方法与非深度学习算法类相比精度平均提升30%以上,与深度学习算法SR-ResNet对比精度平均提升8.14%.该方法有效解决LiDAR原始三维点云稀疏的问题并可获得媲美高分辨率LiDAR产生的点云.

基于权重距离的优势边界小类样本合成算法

提出基于权重距离的优势边界小类样本合成算法(ABWD)来克服数据类别不平衡的问题.ABWD算法具有如下特点:1)定义权重距离,并基于该距离选取样本近邻;2)根据样本近邻确定该样本是否为小类的边界样本;3)对每个小类的边界样本确定其合成位置与合成数量,使该小类样本合成后近邻中小类个数不少于大类的个数,确保该小类样本具有优势边界.实验结果表明,与其他典型过抽样算法相比,算法较大提高了小类的分类性能,在G-mean、F-measure及查全率三种度量上均取得很好的实验结果.

基于集覆盖理论的覆盖信息系统属性约简方法

针对覆盖信息系统属性约简问题,提出基于集覆盖理论的覆盖信息系统属性约简方法。首先,构造覆盖信息系统的相关矩阵,通过相关矩阵诱导出覆盖信息系统的集覆盖模型,并探讨了覆盖信息系统与其诱导的集覆盖模型之间的联系,发现集覆盖模型的一个极小覆盖恰是原覆盖信息系统的一个属性约简集,从而可以将求解覆盖信息系统的属性约简问题转化为求解对应集覆盖模型的极小集覆盖问题。其次,利用集覆盖启发式算法(set covering heuristic algorithm,SCHA)在解决集覆盖问题上具有更高的精度和更好的性能,给出了基于SCHA的覆盖信息系统属性约简的求解步骤及算法。最后,通过实例验证了所提方法的可行性和有效性。

轻型多注意力融合网络实现图像超分辨率重建

提出一种轻量型多注意力融合网络(multi-attention fusion network,MAFN),在不影响网络性能的前提下,可有效地降低网络参数量和计算复杂度.MAFN由多个多尺度卷积注意力模块构建而成,而每个多尺度卷积注意力模块由支路残差多尺度卷积块、若干个非线性自由激活块及级联式的通道注意力和空间注意力机制组成.多尺度卷积注意力模块通过支路残差多尺度卷积块提取不同视野下的特征信息,并通过非线性自由激活块及注意力机制的融合以增强网络特征表征能力.实验表明,MAFN可有效提升网络性能和降低网络参数模型,且优于其他的先进方法.

伪标签邻域粗糙集下的属性约简加速策略

为降低伪标签邻域粗糙集中求解一组半径下约简的时间消耗,在基于贪心策略的启发式搜索基础上,通过减少属性约简过程中属性的遍历规模,设计一种约简求解的加速策略。在求解当前半径下的约简时,其启发式搜索过程是在前一个半径所求得约简结果基础上,继续选择重要度最大的候选属性加入当前约简中。在8个UCI数据集上的实验结果表明,相较于使用启发式算法求解一组半径下的约简,所提加速策略在不降低约简性能的同时,能有效减少求解一组半径下约简的时间消耗。该方法为快速求解伪标签邻域粗糙集的约简提供了技术支撑。

移动边缘计算中资源分配和定价方法综述

移动边缘计算(mobile edge computing,MEC)通过将计算任务卸载至边缘服务器,降低网络负荷,减少传输时延,提升用户服务体验。因此,MEC受到了广泛关注,并成为5G的关键技术。资源分配作为MEC的主要问题,在提升能量效率、缩短任务时延和节约成本方面具有非常重大的研究意义。首先,介绍了MEC的基本概念、参考架构和技术优势;然后,从技术层面和经济层面归纳总结了MEC中最新的资源分配和定价策略;最后,讨论了MEC资源分配和定价策略中可能存在的问题与挑战,并提出了一些可行的解决方案,为后续研究发展提供参考。

局部模板更新逆向联合稀疏表示目标跟踪算法

逆向联合稀疏表示算法可充分利用跟踪过程中的时间相似性和空间连续性,但由于遮挡、光照变化等的影响,易出现跟踪漂移。为解决上述问题,提出一种基于局部模板更新逆向联合稀疏表示目标跟踪算法,其通过逆向局部重构目标模板集完成逆向联合稀疏表示。首先,在首帧初始化目标模板集,利用粒子滤波获取候选图像,并对其分块处理,构建逆向联合稀疏编码模型;然后,利用交替方向乘子法求解出稀疏编码系数,并通过2步评分机制获取最优候选图像;最后,根据相似性得分判断当前帧是否存在局部遮挡,若无遮挡,则局部更新目标模板集以减少跟踪漂移现象。实验结果表明,本文算法的跟踪精度和成功率在OTB-2013数据集上分别达到了85.4%和62.8%,在OTB100数据集上分别达到了76.8%和68.6%,速度达到每秒5.76帧,能有效提高鲁棒性,减少跟踪漂移。

基于光照自适应动态一致性的无人机目标跟踪

无人机跟踪任务经常面临各种光线变化场景,然而无人机跟踪方法主要在光线充足下实现鲁棒跟踪。提出一种具有光照自适应性和跨帧语义感知动态一致性评估的无人机跟踪方法,实现光线不足下的无人机目标跟踪。首先构建光照自适应模块对昏暗场景进行识别,对视频图像的光照强度进行补偿;其次构建目标模板训练具有目标感知能力的滤波器进行相关运算,并利用跨帧之间的响应信息进行一致性评估;最后构建动态约束策略并对响应差异进行约束,使跟踪器保持时间平滑。在UAVDark135和UAV123数据集上,与9种先进算法进行对比实验,结果表明该算法具有较好的跟踪性能。

基于LightGBM的蛋白质类泛素化修饰位点预测

蛋白质类泛素化修饰位点的准确识别对基础研究和药物开发都具有重要意义。该文提出了一种基于蛋白质序列特征的类泛素化修饰位点预测模型。该模型结合氨基酸的物理化学属性统计特征和氨基酸序列二元语法模式特征,训练一种轻量型梯度提升机(Light gradient boosting machine,LightGBM)分类器预测某个蛋白质序列的类泛素化修饰位点。该文对比了不同特征的鉴别性,以及不同分类模型的预测性能。在基准数据集上的试验结果证明了该文所提方法的有效性,相比于现有方法在性能上取得了明显的提升,马修斯相关系数为91.64%。

面向属性概念在自适应技能测评中的实践应用

将技能多映射与面向属性概念相结合可获得概念(X,B),由此得到构建知识结构与技能结构的方法应用于自适应技能测评。首先,由专家教师给出问题集Q和技能集S及其技能多映射(Q,S;μ);其次,从概念(X,B)外延和内涵分别获得知识结构和技能结构;再次,由知识结构进行考生样本的自适应知识测评,并统计样本的知识状态比例;然后,优化知识空间理论“二分法”的等比例选题规则为样本比例选题规则,获得针对不同地域和年龄段考生更快速的测评效果;最后,画出技能集学习路径图。

移动边缘计算中基于中继辅助计算方法综述

为了满足下一代网络在覆盖范围、部署成本以及容量方面的挑战,移动边缘计算(MEC)通常需要借助中继节点的辅助来完成计算密集型和延迟敏感型的任务。首先介绍了基于中继辅助MEC系统的基本架构,之后从任务卸载、资源分配和中继节点选择三方面对基于中继辅助MEC系统最新的研究方法进行归纳总结。更进一步地针对现有方法可能存在的问题与挑战进行了讨论和分析,并提出了一些可行的解决方案为后续研究发展提供参考。

渐进式结构的餐具检测与识别网络

构建渐进式餐具检测与识别网络,将快速空间金字塔池化融合到渐进式颈部网络,得到不同尺度特征并逐级融合。首先,通过主干网络从原始图像提取不同语义信息的多尺度特征图。其次,通过融合相邻低级特征,将高级特征融合到自适应空间,形成渐进式颈部结构,得到3个不同尺度的特征代表。最后,通过解耦检测头获得识别结果。实验结果表明,餐具检测与识别精确度为96.9%。