结合低秩分解与多流融合的行为识别方法

运动信息对行为识别任务至关重要。现有方法仅利用了局部运动信息,忽略了全局运动信息的重要作用。为解决该问题,提出了一种基于低秩分解与多流融合的行为识别方法。通过3条支路分别提取视频的特征,第1条支路利用低秩分解提取全局运动信息;第2条支路提取视频的光流特征以得到局部运动信息;第3条支路利用原始视频作为输入,以保留完整的空域信息。将3条支路的预测结果进行后融合,得到最终的行为识别结果。通过多流融合,充分利用视频的多尺度时域运动信息和丰富的空域信息,提高现有模型的行为识别能力。实验结果表明,提出的方法优于现有模型的多流融合行为识别方法。     

利用纳米分子团簇作为催化剂前驱体在石英基底上取向生长直径可控的单壁碳纳米管阵列

由于单壁碳纳米管(SWNTs)具有优异的电子学性质, 一直被看作是下一代纳电子器件的首选材料^[1]. 对于碳纳米管的生长机理, 大家比较公认的是VLS(vapor-liquid-solid)机理.     

利用纳米分子团簇作为催化剂前驱体在石英基底上取向生长直径可控的单壁碳纳米管阵列

由于单壁碳纳米管(SWNTs)具有优异的电子学性质,一直被看作是下一代纳电子器件的首选材料[1].对于碳纳米管的生长机理,大家比较公认的是VLS(vapor-liquid-solid)机理.单壁碳纳米管的结构控制还是一个很大的挑战,对其直径的控制是第一步.     

基于自适应感受野的教室人体姿态实时检测

人体姿态信息对教学管理和教学评估具有重要作用,通过算法快速且准确地获取人体姿态信息具有重要的研究意义。近年来,尽管基于人体关键点的姿态估计方法被广泛研究,但由于教室监控场景图像普遍存在遮挡严重、目标尺度变化大、图像成像质量差等问题,难以直接运用现有方法。提出一种基于自适应感受野的教室人体姿态实时检测方法。在单发多边框检测器(single shot multibox detector, SSD)网络中,构建自适应感受野卷积模块,通过上下两个支路提取不同感受野的特征;在反向传播过程中,自动学习上下支路的特征融合参数,自适应调整网络的感受野;提高网络在教室场景中人体姿态的检测性能。实验结果表明,提出的方法可以实现实时检测,且优于现有的教室人体姿态检测方法和其他单阶段目标检测方法。