一种HEVC样点自适应补偿快速算法

为解决高性能视频编码标准H.265/HEVC中引入的样点自适应补偿技术的计算复杂度极高导致严重影响编码效率的问题,提出一种HEVC样点自适应补偿快速算法.首先根据编码单元(coding unit, CU)的划分深度确定亮度树形编码块(coding tree block, CTB)中需要提取边缘方向的区域,然后利用边缘方向提取算法获得亮度CTB的边缘方向列表,并根据此列表减少亮度CTB在模式判别过程中遍历的模式数量,最后利用亮度和色度CTB之间的相关性进一步简化色度CTB的模式判别过程.实验结果表明,在性能损失较小的情况下,本算法可以在全I帧(AI)、随机访问(RA)、低延时B帧(LB)、低延时P帧(LP)四种配置下分别节省31.75%、 56.85%、 52.81%、 51.51%的样点自适应补偿编码时间.     

伯恩斯坦语言编码理论视角下的隔代教育分析

隔代教育原本是帮助年轻父母解决后顾之忧的重要举措,而现实生活中隔代教育存在的众多教育问题对孩子的成长和发展极为不利。文章借用伯恩斯坦的语言编码理论对隔代教育进行解释和剖析,指出隔代教育效果不如双亲教育的重要原因在于祖辈用的是限制型语言编码,孙辈在和祖辈的生活中习得了这种语言编码,与学校教育和主流社会要求的精致型语言相背离,一旦他们走进学校和社会则较难取得成功。破解隔代教育的困境,关键在于构建孩子的精致型语言编码。     

基于严格二叉树编码和GA的模糊树结构学习

为解决模糊树模型结构学习中存在的信息冗余、寻优效率低等问题,提出了一种基于严格二叉树编码和遗传算法的结构学习方法。通过严格二叉树编码对模型结构进行编码,改善了现有矩阵编码的信息冗余问题;考虑到编码特殊性和算法收敛性,提出了一种改进的遗传算法用来对模糊树模型的结构进行寻优。实验结果表明,不同数据集上该算法的稳定性和计算速度均较好,能够寻找到一个较优的二叉树结构,从而提高模糊树模型的建模精度。     

基于改进Meanshift算法的刀闸实时状态的精准跟踪

以变电站中的双柱式水平刀闸为例,基于传统Meanshift算法和局部二元模式(LBP)编码增强结构特征,提出改进的Meanshift算法,用该算法解析刀闸工作视频信息,实现刀闸实时状态跟踪.通过对87个刀闸开合视频的跟踪实验可知,改进算法在X方向的跟踪精度提高了120%,Y轴方向的跟踪精度提高了800%.因此,该算法为刀闸状态的准确识别提供了新的手段.     

《中国科技史杂志》“书评书介”专栏撰稿须知

<正>为更好地规范书评文稿,以利于作者写作,特制定如下撰稿须知:一、撰稿要求1.本专栏发表对国内外公开出版的与科学技术史相关书籍进行评介的文稿。2.书评不拘长短。在1万字以内的长篇书评应对被评之作进行深入的分析和评论,乃至重要商榷和严肃批评;3000字以内的短篇书评可以介绍阐释为主,兼有评论。3.文稿应进行实事求是的评论和介绍,且观点明确、文字洗练。谢绝吹捧性或带有人身攻击性的文稿。     

MATLAB中数值型数据的机内编码与存贮空间浪费

MATLAB中的数值型数据分为整数型和浮点型,整数型数据以二进制补码存储,浮点型数据存储复杂。针对此情况,在MATLAB 2012a环境中,对浮点型单精度实数和双精度实数的机内编码方案进行实验研究,结果表明浮点型数据表示为规范形式,存储其中的数符码、指数码和尾数编码。根据实数绝对值大小范围的不同,尾数有两种不同的机内编码方案:"大实数"尾码和"小实数"尾码。MATLAB浮点型数据的机内编码一方面对所表示数的范围做了扩充,另一方面实数编码方案存在大量存贮空间闲置。为充分利用存储资源,MATLAB软件有必要进一步优化。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络，分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合，充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。