基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

一类六角系统的点可区别边染色

设H_(m,n)为“长”为n个相邻六边形,“宽”为m个相邻六边形构成的形如平行四边形的六角系统。通过设计染色算法,证明了H_(1,n)的点可区别边色数满足点可区别边染色猜想;给出了m≥2时H_(m,n)点可区别边色数的一个上界。     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。     

条件故障下3-元n-立方体的容错分析

研究了条件边故障下3-元n-立方体中较大连通分支点的数目，进而证明了3-元n-立方体是(4n－6)-条件边故障强Menger边连通的。最后通过一个反例说明该结果是最优的。     

一种基于四叉树划分的改进ORB算法

原ORB （oriented FAST and rotated BRIEF）算法提取的图像特征点经常出现“扎堆重叠”现象，其分布较为密集且缺乏尺度不变性，因而容易造成图像特征点误匹配的问题。为了解决该问题，提出了一种基于四叉树划分的图像特征点提取算法。首先对图像建立尺度金字塔，然后使用四叉树划分图像并限制划分深度。用加速分段测试的特征（features fromaccelerated segment test，FAST）算法通过多个检测阈值对划分后的图像进行特征点检测。检测完毕后，根据划分出的子块总数和提取的特征点总数对划分出来的各个子块设置自适应阈值，提取ORB特征点。操作完成后通过采取非极大值抑制的方法筛选最佳特征点，并使用改良后的二元鲁棒独立基本特征（binary robust independent elementary features，BRIEF）算法计算得出特征点的描述符，最后进行特征点匹配。实验结果表明，本文算法提取的图像特征点较原ORB算法提取的效果在均匀程度上得到了明显地提升，冗余重叠的特征点数量减少，且在特征点提取速度方面较原ORB算法的提取速度提高了30%以上。     

基于无标度网络的LDPC码的构造

基于无标度网络的幂律分布特性来优化不规则低密度奇偶校验(LDPC)码的变量节点和校验节点度的分布,使其具有最短的迭代译码长度。根据节点度的分布,采用渐进添边算法和短环删除算法设计出无四环的新LDPC校验矩阵。利用Matlab对所构造的SF-LDPC码进行仿真分析。结果表明,在保证误码率性能的前提下,SF-LDPC码的平均译码长度和运算复杂度得以降低。     

图Kn3的若干染色

利用穷举法和组合分析法讨论了图Kn3的邻强边染色和邻点可区别的全染色,通过构造具体染色得到了图Kn3的邻强边色数和邻点可区别的全色数。     

中厚板边部折叠模拟实验及机理研究

通过对中厚板边部折叠试样的检测分析,对其产生机理和影响因素进行研究. 结果显示,中厚板边部折叠现象是板材横轧宽展过程中侧面材料在轧制中受轧辊作用而翻转到板材表面的结果. 折叠缺陷处所观察到的微观组织结构,是轧制前板材表面在高温下形成的氧化铁及脱碳层形成的. 建立了轧制有限元数值模型,证实折叠缺陷是在轧制过程中由侧面的折叠翻转所造成的. 通过实验室实验,得到铸坯边部质量、轧制制度、宽展道次及轧制压下量对中厚板折叠缺陷的影响. 实验结果表明横轧宽展导致折叠缺陷的出现,铸坯边部质量对其没有影响,轧制过程中铸坯侧边的折叠经翻平形成表面折叠缺陷,随着横轧展宽的道次及压下量增加,折叠缺陷距边部距离变大.     

基于卡通纹理分解和NSCT的卫星云图边缘提取

为方便提取云图的缓变边缘,提出了基于卡通纹理分解和无下采样轮廓波变换(NSCT)的卫星云图边缘特征提取算法。首先使用基于张量扩散的卡通纹理分解对卫星云图进行预处理,减小云图中噪声和纹理的影响,将云的缓变边缘转化为阶跃边缘;然后依据NSCT域中高频系数的正负关系和相关性进行边缘特征提取。通过实验,将文中算法分别与基于投影卡通纹理分解的预处理算法、小波多尺度积、NSCT模极大值和NSCT多尺度积等边缘特征提取算法进行比较。结果表明,本算法可更准确地提取云的边缘,且受噪声和纹理的影响小,边缘的连续性更好,为准确地进行云分类提供了保障。     

基于模板匹配与线性预测的目标跟踪算法

为解决复杂场景中目标遮挡、算法鲁棒性差的问题, 提出基于模板匹配与线性预测的算法。该算法分为模板匹配和线性预测两部分。场景中无遮挡物时, 执行模板匹配算法, 获取目标跟踪信息; 否则, 通过预测算法估计目标的状态, 进而实现目标跟踪。实验结果表明, 在目标有遮挡干扰的情况下, 采用该算法能稳定、准确地实现目标跟踪, 与传统的模板匹配算法相比具有较强的鲁棒性。