结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

基于特征相似性学习的抛洒物检测方法

针对当前以目标检测为核心的抛洒物检测算法无法识别“未知类别”的缺陷,以抛洒物引发外观特征变化的视角切入,提出基于特征相似性学习的抛洒物检测方法。首先,在抛洒物体过程中采集参考图像和待检图像,通过参数共享的孪生卷积神经网络得到两张图像的外观特征,然后利用欧式距离等特征相似性函数计算图像区域之间的特征变化并得到欧式距离热力图,最后经阈值筛选得到抛洒物检测结果。为了提升算法对光照等噪声的抗干扰能力,提出全新的注意力掩膜单元,并通过构建长跨度上下文信息和强监督学习的方式提升注意力掩膜的语义判别性能,引导特征响应聚焦于抛洒物引起的外观变化,同时忽略噪声产生的扰动,最终解决噪声干扰和抛洒物产生的特征缠绕问题。为了验证方法的有效性,本研究在真实高速公路场景下进行视频影像数据采集、标注、构建成标准数据集。结果表明：注意力掩膜单元有效提升了特征的语义判别性能,大幅度提高抛洒物检测精度,其中调和均值F₁提高6.4个百分点,同时算法运行速度稳定在30帧/s,满足实时性需求;利用特征序列状态转移方式构建的长跨度上下文信息更有利于注意力掩膜聚焦抛洒物特征信息,抗噪声干扰能力更强;通过强监督...     

基于全尺度特征融合的无监督单目深度估计

当前无监督单目深度估计取得了很大的进展,但仍然存在着大梯度区域估计不准确的问题,主要是因为深度估计网络没有探索出有效的空间特征和语义信息,导致物体边界等大梯度区域存在着较大误差。针对这一问题,提出全方位探索特征信息的深度估计网络架构,整个框架利用全尺度的跳跃连接进行特征的整合,最后通过有效的通道注意力特征融合模块来进行特征融合,这两个巧妙的设计共同提升了单目深度估计模型的精度。在KITTI数据集上的实验结果表明,能够提升无监督单目深度估计的准确性以及生成更加锐利的物体边界。     

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。     

基于多尺度特征融合的单目图像深度估计

为解决从单目图像中很难恢复出准确、有效深度信息的问题,提出一种多尺度特征融合的单目图像深度估计算法.算法采用端对端训练的卷积神经网络(CNN)结构,引入从图像编码器到解码器的跳层连接来实现在不同尺度上特征的提取和表达,设计了一种多尺度的损失函数来提升卷积神经网络的训练效果.通过在NYU Depth V2室内场景深度数据集和KITTI室外场景深度数据集上的训练、验证和测试,实验结果表明:提出的多尺度特征融合方法得到的深度图边缘清晰、层次分明,且在室内场景和室外场景中均能适用,具有较强的泛化性,可以适应多种实际场景的需求.     

基于多尺度特征提取的单目图像深度估计

在目前基于深度学习的单目图像深度估计方法中,由于网络提取特征不够充分、边缘信息丢失从而导致深度图整体精度不足。因此提出了一种基于多尺度特征提取的单目图像深度估计方法。该方法首先使用Res2Net101作为编码器,通过在单个残差块中进行通道分组,使用阶梯型卷积方式来提取更细粒度的多尺度特征,加强特征提取能力;其次使用高通滤波器提取图像中的物体边缘来保留边缘信息;最后引入结构相似性损失函数,使得网络在训练过程中更加关注图像局部区域,提高网络的特征提取能力。在NYU Depth V2室内场景深度数据集上对本文方法进行验证,实验结果表明所提方法是有效的,提升了深度图的整体精度,其均方根误差(RMSE)达到0.508,并且在阈值为1.25时的准确率达到0.875。     

基于多尺度特征融合的快速单目图像深度估计

文章针对目前采用深度学习估计单目图像深度中存在推理时间长、物体边缘细节不清晰的问题,设计一种基于多尺度特征融合的快速单目图像深度估计网络.将GhostNet运用到单目图像深度估计网络的编码网络中,提高网络的编码速度;采用反卷积和双线性插值设计解码网络,并通过跨层连接将编码网络的特征与解码网络的特征融合增强深度图中物体的...     

基于关键点特征融合的六自由度位姿估计方法

针对单张RGB-D图像进行六自由度目标位姿估计难以充分利用颜色信息与深度信息的问题,提出了一种基于多种网络(金字塔池化网络和PointNet++网络结合特征融合网络)构成的深度学习网络框架.方法用于估计在高度杂乱场景下一组已知对象的六自由度位姿.首先对RGB图像进行语义识别,将每一个已知类别的对象掩膜应用到深度图中,按...     

基于连接位MinwiseHash的三者相似性估计算法

计算相似性是信息检索的一个核心基础问题,二者、三者甚至更多集合的相似性估计在相似文档检测、词语相关性、聚类、数据清理等领域有着广泛的应用.连接位Minwise Hash算法作为一种高效、准确的相似性估计算法,能够成倍地减少比对的次数,提升算法性能.通过理论推导,给出基于连接位Minwise Hash的三者相似度无偏估计公式.实验结果显示,在样本大小k=500、相似度阈值R0=0.8时,算法的准确率和召回率均能达到95%以上,并且所需的CPU运行时间仅为b位Minwise Hash三者估计算法的50%.     

基于深度神经网络的文本语义相似性度量

为了提高文本语义相似性度量的准确性,该文从深度学习的角度出发提出了一种新的文本语义相似性度量框架,充分利用深度神经网络实现词级别、句子级别、文本级别的表示学习,使得学习到的表示向量能提供融合上下文信息的丰富语义信息,在此基础上,设计了相似性度量层,采用简单的三层网络实现任意两个文本向量的相似性值计算.在两个基准数据集上...     

图像相似性计算的级联小波变换

研究图像不同幅度局部(子图像)小波变换之间的关系,分析这种关系下的图像相似性.首先用小波矩阵表示推导子图像小波变换之间的级联关系,在此基础上研究基于级联小波变换的线性相似性.最后以特定类型的医学图像为对象,研究子图像之间和k 规格小波相似性测度,并讨论相应的相似性测度算法.数值实验结果表明,CT、MRI图像中相邻子图像之间具有很高的线性相似性.     

一种基于分层属性相似度聚类的ASON告警关联分析方法*

针对传统属性相似度告警聚类不能充分挖掘告警属性语义信息的不足,结合自动交换光网络(automatically switched optical network,ASON)的告警特点,分析了告警属性语义信息对告警聚类的作用,定义了具有分层特点的属性相似度函数,增强了聚类结果的客观性,并利用历史告警库复杂度和聚类扩充率对聚类效果进行了比较分析。实验表明,新方法与传统的告警属性相似度聚类方法相比,具有更高的准确性。对于在特定时间段内故障类型较多的情况,新方法具有较好的适应性。     

基于灰色关联层次分析的仪表显示器人机工效评价

为在设计和应用过程中更为科学地选择仪表类型和评价仪表的人机性能,针对仪表显示器人机评价系统多因素、多层次的特点,分析了仪表显示器人机综合评价的主要因素。确立了人机评价指标体系和因素权重,提出了仪表显示器人机评价灰色关联层次分析模型。并通过实际的人机界面设计实例计算表现该评价模型的应用价值。     

融合语态特征的日英层次短语翻译模型

针对不同语种的被动和可能语态的句法结构差异影响机器翻译质量的问题,提出融合语态特征的最大熵翻译模型。首先从日语端分出被动语态、可能语态和其他语态,然后从英语端对被动和可能语态进一步分类,抽取双语特征训练最大熵规则分类模型,将语态特征融合到对数线性模型中以改善翻译模型。提高解码器在翻译被动语态和可能语态时规则选择的准确性。实验结果表明,该方法可以有效地改善日英统计机器翻译的句法结构调序和词汇翻译,提升被动语态和可能语态句子的翻译质量。     

基于共面标记点的AR跟踪系统

该文讨论基于视觉的、用于AR系统的动态目标实时跟踪系统设计．通过两个摄像头实时跟踪安装在动态目标上的人工标识物，通过图像处理和立体视觉理论获取被跟踪目标物体在空间中的姿态．在跟踪算法中采用了卡尔曼滤波器预测跟踪窗口的运动轨迹，同时利用MPI技术在两台普通性能的计算机上并行执行目标跟踪的程序，实现了低成本的动态跟踪功能．     

基于模型几何特征的光固化快速原型制作时间预计算法

提出了一种基于模型几何特征的光固化快速原型制作的时间估计算法,利用体积、有效表面积等参数及经过统计分析算是的支撑结构因素,来地估算模型的制作时间,克服了传统方法必须进行分层、加支撑和获取最终加工文件才能进行时间计算的缺点。经实践证明,该方法简单、有效、精度较高及应用性强,对实现模型制作的精确报价有较高的实用价值。     

实时标记的多目标图像跟踪器

提出了一种实时标记算法。该方法以目标二值像段作为处理的基本单元，利用目标二值像段起、终点坐标和相邻扫描行中二值像段的邻接关系，完成多个目标图像的标记和测量工作，具有占用存储量少，计算速度快等优点．基于这种算法，构造了一个多目标成像跟踪器，可在２０ｍｓ内实现１５个（或更多）目标的实时测量和跟踪。还给出了实时标记的实验结果和硬件电路框图。     

基于结构相似度的H.264快速运动估计算法

与传统压缩标准相比,H.264虽然具有更高的压缩性能,但其编码复杂度的大幅增加限制了它的实时应用.为此,文中提出了一种基于结构相似度的快速运动估计算法(FMEBSS).该算法利用结构相似度的特性,通过在运动估计过程中设置阈值,减少不必要的运动搜索点,简化复杂的搜索模式,从而达到了减小运动估计复杂度、改善压缩性能的目的.实验结果表明,在保证压缩质量不下降的前提下,该算法可以有效节约编码时间,同时压缩比也得以改善.     

基于多特征集成学习的景区人群密度估计

对景区等公共区域进行人群密度估计对于保障人群安全和社会稳定具有重要意义。在景区中由于光照变化、相机高度角度变化以及行人遮挡的问题,现有的方法难以做出准确的估计。为此提出了一种结合支持向量机回归(SVR)进行集成学习的方法来进行人群密度估计。方法首先以人的头部宽度作为参照,对场景进行多层次的分块;然后采用第一层SVR模型,对从子图像块提取出的三种特征进行粗预测,将预测结果作为新的特征,并对其使用第二层SVR模型进行细预测,将所有子图像的预测结果相加;最后根据不同景区场景设定的人数分级进行密度估计。实验结果表明,方法在景区多个场景分类准确率达到85%以上,是一种有效且在类似场景有较强扩展性的人群密度估计算法。     

MapReduce环境中的性能特征能耗估计方法

针对MapReduce系统中负载能耗特征多样性为系统成本调度带来的负载与节点难以匹配的问题,提出一种基于负载性能特征的能耗估计方法。该方法以MapReduce系统中各节点操作系统的性能事件为依据估计在线负载的能耗。为了提升负载能耗估计结果的准确度,采用机器学习的方法,在负载执行时,搜集系统的性能特征,并建立估计模型的样本集;采用粗糙集理论中属性约简方法对性能特征属性进行约简;在性能属性约简的结果之上,基于支持向量机理论,建立能耗的估计模型,对负载运行时系统的能耗进行准确的估计。实验结果表明:基于性能特征的能耗估计方法拥有较高的估计准确率,在单作业环境中平均相对误差为4%,在多作业环境中可达到4.5%。