结合群组动量特征与卷积神经网络的人群行为分析

针对现阶段人群行为分析的特征提取效果不佳,人群行为分析结果达不到视频分析的要求。提出一种基于人群群组级别的动量特征,分别表示人群的集体性、稳定性和冲突性,然后将三组人群群组动量特征输入至卷积神经网络进行训练,最后在Violence数据集上进行人群行为分析实验。实验结果表明,提出的群组动量特征能够在群组级别表达出人群的基本特性,这些特性在人群行为分析中能够建立可识别较高的特征,在Violence数据集上的测试结果显示。提出的群组动量特征能够扩展到独立场景,对于任何场景的人群行为分析都能够获得鲁棒的基础动量特征,而采用卷积神经网络进行的训练和分类,能够提升人群行为分析的精确度。与传统特征及分类方法相比,在各种不同的独立场景中,将标注结果精度提升了13%左右,在视频场景人群行为分析中具有较强的实践意义。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。     

基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

一种基于CNN的航拍输电线路图像分类方法

输电线路场景的复杂程度较高,经典卷积神经网络对输电线路场景数据集的分类效果较差。为了解决这一问题,利用卷积神经网络的优势,提出了一种基于VGG-19的优化网络结构,并将此优化网络应用在输电线路场景数据集的分类中,优化网络的分类准确度为95.1%。实验结果表明本文提出的优化网络相较于经典的卷积神经网络有更好的分类效果。     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。     

基于卷积神经网络的快速人脸检测算法

针对如何快速、准确地检出人脸的问题,提出了一种使用特征融合的卷积神经网络.首先快速提取图像的梯度方向直方图(HOG),然后使用能快速对多种物体进行检测的卷积神经网络YOLO提取图像特征,最后将YOLO提取出的特征与HOG进行融合,并将融合后的特征作为特征图.在训练过程中,引入了多任务学习和复杂样本处理,使本文提出的卷积神经网络能够进行目标定位与分类,并提高训练效果.在通用的人脸检测数据集FDDB进行的实验分析,证实了本文提出的算法可大幅提高快速检测人脸的准确率.     

基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

基于卷积神经网络的固定群体中目标人物分类

卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.     

基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.     

固体酸催化剂和载体上芳烃的选择性硝化

硝化研究的重要意义之一是探索更具选择性的方法。该文讨论了应用同体酸催化剂和载体，在醋酐存在下，采用硝酸盐和载体硝酸盐硝化甲苯和氯苯的选择性．8种金属硝酸盐中，硝酸铜表现好的硝化特性。层状粘士较沸石分子筛、杂多酸盐等是颇具前景的芳烃选择性硝化催化剂和载体．四氯化碳和甲苯为较好的溶剂介质．阻此条件，甲苯和氯苯的划邻硝化产物比例分为1.2和5.6，较之硝硫混酸的结果（甲苯0.6，氯苯1.8）．其对位硝化能力显著提高。     

维药神香草总黄酮对卵清白蛋白致大鼠哮喘模型气道炎症的影响

 通过观察哮喘大鼠肺组织病理学改变、测定支气管肺泡灌洗液（BALF）细胞总数、淋巴细胞（Ly）、嗜酸性粒细胞（Eos）、中性粒细胞（Neu）的百分比以及肺组织和BALF中的转化生长因子-β1（TGF-β1）,以探讨神香草总黄酮对哮喘大鼠气道炎症的影响,阐明维药神香草总黄酮抗哮喘的部分作用机制。试验中将大鼠随机分为正常对照组、哮喘模型组、氨茶碱阳性对照组、神香草总黄酮高、中、低剂量治疗组。采用卵清白蛋白（OVA）、氢氧化铝及百白破疫苗联合致敏和OVA生理盐水雾化激发的方法制备哮喘模型。测定BALF中细胞总数、Ly、Eos、Neu的百分比;采用酶联免疫吸附试验（ELISA）法检测肺组织及BALF中TGF-β1水平。结果显示,与模型组相比,各治疗组中,大鼠BALF中细胞总数、Ly、Eos、Neu的百分比、TGF-β1水平及肺组织中的TGF-β1水平均明显下降,差异有统计学意义（P<0.05）;神香草总黄酮各剂量组之间相互比较,BALF及肺组织中的以上指标差异均有统计学意义（P<0.05）,呈剂量依赖性趋势。由此推测,维药神香草总黄酮可能通过抑制Ly、Eos、Neu等炎症细胞及细胞因子TGF-β1的分泌,减轻或改善哮喘的气道炎症。     

超小口径元件光谱参数检测设备改进

为实现超小光学元件(直径小于φ15 mm)光谱参数的检测,在现有商用分光光度计的基础上,对设备进行了改进完善,通过在测试光路和参考光路增加衰减比相匹配的缩束小孔,成功实现了检测光束的缩束。实验结果表明:改进后的设备基线平直度不大于!0.001 A,标准元件检测结果与标定值偏差不超过0.05%。     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

评《师说》两种英译本

本文从原文语体风格的处理、原文理解和词汇概念表达上的准确性以及句章翻译的灵活性及其衔接与连贯三个方面对唐代著名散文《师说》的两种英译本做了对比研究 ,并提出杨宪益夫妇的译文要比谢百魁的更地道、更能为读者所接受     

城市化对哺乳动物丰富度影响的研究——以长三角城市群为例

以不透水面占比作为城市化强度(UI)的定量指标, 采用全球哺乳动物丰富度网格数据集, 结合气候因素和生境特点, 研究我国长三角城市群哺乳动物丰富度沿城乡梯度的空间分布格局。通过对比长三角城市群及其所处自然地理区(华东)哺乳动物丰富度的分布格局和驱动因素, 分析城市化和背景气候的贡献。结果表明: 1) 哺乳动物丰富度沿城乡梯度均呈水平“S”型分布; 2) 在背景自然地理区域, 气候因素(如年平均降水和最冷月最低温等)对丰富度分布起主导作用(R²=88.2%); 3) UI在华东地区与丰富度负相关, 在长三角城市群则弱正相关(P<0.001), 林地对丰富度存在正面影响, 耕地存在负面影响。因此, 城市化对哺乳动物丰富度影响在城市群尺度更为明显, 应更多关注如何区分城市化和背景气候对生物多样性的影响。     

一个新四维光滑四翼超混沌系统及电路实现

利用非线性状态反馈控制法,提出了一个新的具有较大正Lyapunov指数的四维光滑自治超混沌系统。该系统具有大范围的四翼超混沌区域。讨论了系统平衡点的稳定性。通过Lyapunov指数、分岔图及Poincaré截面分析了系统的动力学行为,并用相图展示了四翼混沌吸引子和几种不同形状的四翼超混沌吸引子。随着参数的不同,该系统还可以历经拟周期和周期状态。最后给出了典型超混沌吸引子的电路实现。     

标准化视角下智慧城市建设面临的问题及发展路径

城市化不可逆转背景下,智慧城市作为城市发展的未来受到广泛关注和大力推进.在此过程中出现了众多因"智有余而慧不足"所造成的技术堆积、以作用代需求、资源浪费和重复建设、城市运转内耗等问题.文章在剖析智慧城市本质及核心要义的基础上,提出智慧城市建设思路,强调尊重城市资源禀赋、关注互联互通及协调共享、基于公众感知定义智慧城市发展方向,并对借助标准化的力量推动智慧城市进程给出了建议.     

从《奥兰多》看伍尔夫的“双性共体”观

弗吉尼亚·伍尔夫富有创意的幻想小说<奥兰多>(1928)一度引起后世女权主义者的重视.在身兼两性的主人公奥兰多身上,寄托了伍尔夫对于性别的思考:在那些比较敏感的艺术型人物身上,男性气质和女性气质交织在一起,两性的相融才是创造出优秀作品的重要原因.本文通过奥兰多性别转变的象征意义、转变后在两性间的摇摆以及转变前后的异同三个角度,剖析伍尔夫是如何通过奥兰多的心理嬗变来形象地表现她的双性共体思想的.     

过度训练对大鼠心肌线粒体膜和基质游离钙的影响

采用模拟过度训练大鼠模型，观察了大鼠心肌线粒体的MDA、巯基（-SH）、还原型谷胱苷肽（GSH）、磷脂A2（PLA2）、游离钙（Fca2＋）等指标，结果表明：过度训练组大鼠心肌线粒体与对照组相比，-SH含量和GSH含量显著降低（P〈0．01），PLA2活性显著增加（P〈0．01）；MDA、Fca2＋含量明显升高（P〈0．01）．本文根据以上结果探讨了运动时机体产生的活性氧的氧化过程与过度训练后心肌线粒体膜结构变化以及游离钙之间的关系，提出过度训练后PLA2活性增加可能是其发生机制的关键指标，通过对这一指标的进一步观察能更好地了解过度训练发生的分子机制。