基于双重相似度孪生网络的小样本实例分割

针对孪生网络在小样本数据集上的应用和优化问题,提出一种基于双重相似度计算和孪生网络的小样本实例分割模型。首先对传统孪生网络进行改进,将孪生网络与残差网络相结合,构建作为本模型骨干网络的孪生残差网络;然后在相似度计算阶段构建了具有两个子网络的双重相似度计算网络,分别用于计算场景图像与参考图像的空域相似度和频域相似度,并进行相似度特征融合;最后通过实例分割网络获得分割结果。此外,还引入Focal Loss损失函数来解决模型训练过程中正、负样本以及难、易样本的不均衡问题。在COCO数据集上的实验结果表明,本文方法的小样本实例分割性能要优于对比算法。     

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题，基于孪生网络跟踪算法，提出三联区域候选神经网络（TripleRPN）算法与跟踪区域自适应策略（TAA）相融合的目标跟踪方法（TAA+TripleRPN）.三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板，提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略，根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择，提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时，TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上，算法的AUC达到66.31%，CLE达到88.28%.在实际场景中实现验证与应用，跟踪效果良好.      

用于目标跟踪的特征融合孪生网络算法研究

针对目标跟踪过程存在的动态不确定性的问题,传统跟踪方法容易产生目标漂移甚至跟踪失败,而基于深度学习的跟踪算法随着网络结构的加深容易导致深层特征过于稀疏抽象,不利于克服上述问题.为此,本文提出SiamMask三分支网络融合注意力机制的孪生网络目标跟踪新方法,旨在加强网络对特征选取的学习能力,加强目标有效特征的抽取,并减少冗余信息对网络负担的影响.特征提取主干网络选用改进的Resnet-50,通过融合深层和浅层特征,实现跟踪目标特征的有效表达.利用4个数据集(COCO、ImageNet-DET 2015、ImageNet-VID 2015、YouTube-VOS)对提出的特征融合孪生网络框架进行训练,并使用VOT数据集进行在线测试.实验表明：与文中其他跟踪方法相比,该算法在面对动态目标尺度变化、环境光照、运动模糊等场景表现更优异.     

基于孪生网络的目标跟踪研究综述

近年来,基于孪生网络的目标跟踪算法由于在跟踪精度和跟踪效率之间能够实现良好的平衡而备受关注。通过对基于孪生网络的目标跟踪算法的文献进行归纳,对现有孪生网络目标跟踪算法进行了全面总结,对孪生网络的2个分支结构进行了讨论。首先,介绍了基于孪生网络目标跟踪的基本架构,重点分析了孪生网络中主干网络的优化,以及主干网络的目标特征提取问题。其次,对目标跟踪过程中的分类和回归2个任务展开讨论,将其分为有锚框和无锚框2大类来进行分析研究,通过实验对比,分析了算法的优缺点及其目标跟踪性能。最后,提出未来的研究重点:1)探索背景信息训练,实现场景中背景信息传播,充分利用背景信息实现目标定位。2)目标跟踪过程中,目标特征信息的更加丰富化和目标跟踪框的自适应变化。3)从帧与帧之间全局信息传播,到目标局部信息传播的研究,为准确定位跟踪目标提供支撑。     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

基于改进孪生网络结构的相似法律案例检索研究

针对现有的基于孪生网络结构的文档相似度计算方法大多将整个文档看成模型的输入序列, 易导致数据稀疏的问题, 提出利用层级注意力机制来改进孪生网络结构中的文档表示。针对基于层级注意力机制的孪生网络计算模型在输入时有可能忽略文档中重要句子的问题, 进一步提出一种引入文档内容压缩的两步骤文档相似度计算方法。利用开发的法律案例文档相似度标注数据集进行实验, 结果表明所提方法明显优于基于长短期记忆模型的孪生网络计算模型。     

一种结合背景差分的改进CamShift目标跟踪方法

针对传统的CamShift目标跟踪算法在跟踪目标之前需要手动选择目标区域,以及当目标物的颜色与背景色相似时容易跟丢的问题,提出了一种结合背景差分的CamShift改进方法.首先利用背景差分法检测出的目标区域作为CamShift算法的初始搜索窗,以解决手动选择跟踪目标的问题;然后在跟踪的过程中比较CamShift算法每一帧搜索窗的中心横纵坐标与背景差分法检测出的目标区域矩形框中心的横纵坐标,根据设定的阈值来选择CamShift算法下一帧的搜索窗,以解决目标色与背景色相似的问题.仿真实验表明改进方法在目标与背景色相似的情况下也能有效地跟踪目标.     

一种改进的LSTSVM增量学习算法

基于Sherman Morrison定理和迭代算法, 提出一种改进最小二乘孪生支持向量机（SMI ILSTSVM）的增量学习算法, 解决了最小二乘孪生支持向量机（LSTSVM）不具备结构风险最小化和稀疏性的问题. 实验结果表明, 该算法分类精度和效率均较高, 适用于含有噪声的交叉样本集分类.     

基于最小二乘的孪生有界支持向量机分类算法

基于经典的孪生有界支持向量机(TBSVM),构造了一个既简单又快速的基于最小二乘的孪生有界支持向量机(LSTBSVM)的二分类算法.该算法简单地将TBSVM模型中的两个目标函数中不等式约束问题修改为等式约束,问题最终归结为求解两个最小二乘问题,以至于两个最优不平行平面可通过求解一对线性方程组获取.与TBSVM相比,LSTBSVM具有更低的时间复杂度,以至于可以有效地处理大数据集.通过理论分析和在传统的UCI和人工数据集上的实验显示,LSTBSVM不仅具较快的计算速度,且能得到与TBSVM相当的性能.     

基于距离交并比回归的孪生网络目标跟踪算法

为解决视频目标跟踪过程中目标框和预测框边界不重叠情况下无法优化的问题,提出了一种距离交并比(distance intersection over union, DIOU)回归的孪生网络目标跟踪算法.通过孪生网络和区域建议网络(region proposal network, RPN)保持实时效果,将距离交并比引入回归分支,结合重叠率和中心点距离构建损失度量,加快模型训练的收敛速度,为边界框提供更直接的回归方向.同时,使用Resnet50网络替换SiamRPN网络的特征提取网络,进一步提高目标特征表示的准确性.实验结果表明,DIOU回归损失在视频目标尺度变化、低分辨率、光照变化等干扰情况下,具有较强鲁棒性.     

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.     

基于二阶池化特征融合的孪生网络目标跟踪算法

为提升基于孪生网络目标跟踪算法的特征表达能力,获得更好的跟踪性能,提出了一种轻量级的基于二阶池化特征融合的孪生网络目标跟踪算法。首先,使用孪生网络结构获取目标的深度特征;然后,在孪生网络结构的末端并行添加二阶池化网络和轻量级通道注意力,以获取目标的二阶池化特征和通道注意力特征;最后,将目标的深度特征、二阶池化特征和通道注意力特征进行融合,使用融合后的特征进行互相关操作,得到地响应图能很好地区分目标和背景,提高跟踪模型的判别能力,改善目标定位的精度,从而提升跟踪性能。所提算法使用Got 10k数据集进行端到端的训练,并在数据集OTB100和VOT2018上进行验证。实验结果表明,所提算法与基准算法相比,跟踪性能取得了显著提升：在OTB100数据集上,精确度和成功率分别提高了7.5%和5.2%;在VOT2018数据集上,预期平均重叠率(EAO)提高了4.3%。     

多分类最大间隔孪生支持向量机

提出一种新的多分类最大间隔孪生支持向量机算法.该算法通过引入间隔以结构风险最小为优化目标建立 分类模型,并采用一对一对余的结构训练子分类器.仿真实验和真实数据实验表明:所提算法能有效提高模型的泛 化性能.     

感知用户的Item-based协同过滤算法

传统的Item-based协同过滤算法中,项目相似度与目标用户是无关的,这可能导致计算出来的项目相似度,对于目标用户来说是不准确的.针对这个缺陷,提出了一种感知用户的Item-based协同过滤算法.该算法综合考虑到目标用户对项目相似度的影响,为不同的用户建立了不同的目标相似度.采用MovieLens数据集作为测试数据,平均绝对误差作为评价指标,实验结果表明,该算法可以有效地提高准确率.     

基于灰度共生矩阵和Mean Shift的目标跟踪算法

针对运用单一颜色特征描述运动目标时抗干扰性较差的问题,提出一种融合灰度共生矩阵和颜色特征的Mean-Shift目标跟踪算法.采用灰度共生矩阵推导的6个纹理特征参数和颜色特征分别表征跟踪目标,引入马氏距离计算纹理特征的相似度,并结合Bhattacharyya系数计算颜色特征的相似度,同时利用Mean Shift算法进行目标定位.实验表明,改进算法能在复杂背景下,有效、准确地实现目标跟踪.     

基于多特征的洞库类目标识别方法

针对洞库类目标自动识别研究较少、识别率较低、识别方法成本较高等问题,设计了基于多种特征的洞库类目标识别算法.探讨了典型洞库类目标的模型并总结其主要特征;其次利用HOG特征对输入图像进行初步筛选,筛选出包含有洞库类目标的图像;然后基于洞库类目标的灰度特征提出了一种图像局部自适应阈值生成算法Wiblack提取图像中的疑似目标;最后搭建了洞库类目标的数学模型,并提出了基于形状相似度的目标判别算法,采用圆形相似度与椭圆形状相似度二次相似度判别方法,最终得出识别结果并描述目标轮廓,完成目标识别.实验结果表明该方法在洞库类目标的识别应用中有效可行,基于本文实验数据的识别准确度为92.6%.      

基于模板更新的深层孪生网络跟踪算法

针对跟踪过程中因尺度变化、遮挡及运动模糊等造成的目标定位不准确问题,在SiamFC(fully-convolutional siamese network)的跟踪框架基础上提出了一种具有高置信度模板更新机制的深层孪生网络目标跟踪算法.首先,主干网络采用ResNet-50残差网络进行特征提取,并融合多层特征图进行目标预测;其次,为避免模板频繁更新带来的模板漂移问题,构建了高置信度的模板更新模块.在OTB100数据集上的实验结果表明,相比基准算法,文中算法的跟踪成功率和精确度分别提高了3.4%和2.6%;在多种挑战因素下的对比实验表明,文中算法可以较好地抵抗目标遮挡、尺度变化、运动模糊等多种复杂因素带来的影响,有很好的鲁棒性.     

耦合孪生晶体塑性模型硬化参数的灵敏度分析

基于经典晶体塑性理论,建立了耦合孪生的晶体塑性本构模型并进行了全隐式积分的数值实现.该本构模型采用饱和硬化法则,并采用孪生阻力与滑移硬化之间的正比关系来描述孪生对滑移硬化影响及孪生硬化行为.针对该本构模型的13个参数,结合各参数物理意义提出了参数的分类确定方法.以孪生诱导塑性( TWIP)钢Fe-22Mn-0.6C为例,着重对硬化参数的局部灵敏度进行了分析,研究了各硬化参数对宏观力学响应、孪生激活和演化的影响,根据变形机制的不同宏观变形过程可区分为孪生硬化阶段和孪生硬化失效阶段,进而给出了硬化参数确定的步骤及其建议取值范围.结果表明：初始滑移阻力与屈服极限线性相关,取值范围在80~160 MPa之间;孪生硬化指数增大使得孪生硬化阶段减弱,其取值范围应在0~3之间;孪生阻力与滑移阻力比值增大,则孪生增长率降低,硬化率拐点后移,直至拐点消失,其取值范围在1~1.3之间.     

基于观点传播的改进相似性计算评分预测方法

通过研究网络结构上的观点传播与协同过滤算法,基于对观点传播算法的优化,提出了基于用户相似和物品相似推荐系统评分预测算法.设计的算法修正了现有相似研究中在目标比较相似时,相似性结果为零的问题,将用户(或物品)的相似度定义为用户(或物品)间的观点数目和差异在相应复杂网络中的传播结果,并提出了相应的推荐算法.在MovieLens数据集上的实验结果证明,提出的算法与几种典型的现有方法相比较,具有更高的准确性,并且优于观点传播算法.     

两阶段混合粒子滤波的目标跟踪

基于粒子滤波的目标跟踪,跟踪的成功率和精度与目标运动速度和算法的粒子数密切相关.较大的粒子数能够跟踪速度更快的目标,同时提高跟踪的精度,但会降低算法的实时性.为了解决这个问题,提出一种两阶段混合粒子滤波算法,在第一阶段中,利用少量粒子基于距离角度模型对目标的位置进行粗略估计.在第二阶段中,利用均值偏移算法对目标位置进行精确估计,同时利用粒子滤波对均值偏移的窗口进行自适应调整.实验表明,提出的两阶段混合粒子滤波算法,不仅能够实时地跟踪尺寸变化的目标,而且能够跟踪运动速度快的目标.