尺寸可变块匹配双向运动补偿视频帧间编码

为了降低尺寸可变块匹配运动补偿中优化分割的时间复杂性，提出了基于四叉树分割的尺寸可变块匹配双向运动估计和补偿方法。该方法每隔一帧进行一次双向估计和补偿，对于双向补偿帧，利用前一帧的分割信息先进行后向估计和补偿，再对包含复杂运动的小块进行前向估计和补偿，其中的重叠补偿区域采用加权平均。仿真结果显示，在分割的时间复杂性降低了50％的情况下，其峰值信噪比下降很少（平均小于0．1dB），表明该方法是可行的。     

ITO电极图案自动检测系统的总体设计

介绍了一种基于规则的ITO (透明导电薄膜 )电极图案的自动检测系统 ,检测过程主要分为两个步骤 ,第一阶段是对图像进行预处理和图像标记 ,第二阶段根据特定的知识和规则对图像进行学习检测 .并着重讨论了系统的软件组成及实现原理     

信用违约互换原理及定价模型应用

<正>当前,我国学术界对信用体系建设的讨论大部分集中在分析国外发达信用体系及对我国的启示方面,认为法律法规的不完善,信用数据分割,以及未开展企业信用管理等原因,制约了我国的信用体系建设。为此,呼吁建立完善的信用法律法规,规范信用数据的采集和使用,培育信用中介机构,引导信用需求,以及开展企业信用管理。     

闭区域上连续函数性质的证明

本证明了Ｒ＾２上的完全复盖定理，并用它证明了有界闭区域上的连续函数的若干性质。     

鲁棒车载热成像行人检测的感兴趣区域提取方法

现有的感兴趣区域(RoI)提取方法很难兼顾较高召回率和较少的RoI数量.为了降低计算开销和RoI数量,提高召回率,文中提出了适合车载热成像行人检测的RoI提取方法:首先,根据行人边缘特征存在的方向差异性判断图像中可能的行人竖直边缘,增强其幅值;接着,级联行人尺寸约束和自适应局部双阈值分割方法过滤滑窗产生的边界框,滤除大量的非行人边界框;然后,根据行人的轮廓特征,采用T型模板对过滤后的边界框进行得分评估,在保留可能的行人腿部信息的同时去除边界框内部的无关边缘;最后,利用行人的强尺寸约束重新排序RoI,以便在提取固定数量的RoI时能提高召回率.在热成像行人检测数据集SCUT DataSet上进行对比实验,结果表明:当每幅图像提取400个RoI时,文中方法的召回率达92%,比EdgeBox方法的召回率提高21%,计算时间减少了10%.     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.      

变速重载设备齿轮箱轴承故障的改进阶次包络分析方法

针对变速重载设备振动信号中轴承故障特征提取时易受齿轮振动干扰的问题,提出了一种融合齿轮和轴承参数信息的改进阶次包络分析方法。先利用设备转速信息,对原始振动信号进行插值重采样处理,将非平稳时域信号转化为平稳角域信号;再利用齿轮齿数和轴承故障特征系数信息,采用以齿轮啮合频率及其谐波为中心频率,以轴承最大故障特征系数的倍频为带宽的阶次域频带分割方法,计算频带能量并排序,选择能量较大的频带作为解调频带进行滤波;最后利用Hilbert解调方法对上述滤波后的信号进行阶次包络平均处理,最终实现轴承故障的识别和诊断。通过齿轮啮合动力学分析,解释了轴承故障冲击成分对齿轮频带的调制作用,实际应用结果表明:提出的方法在频带选择时融合了和故障相关的设备参数信息,所选频带的可解释性强,且综合利用了与故障相关的多段频谱结构信息,通过阶次包络平均处理进行解调谱特征融合,提高了诊断结果的鲁棒性和准确度,为变速重载设备轴承故障预测和诊断提供了一种新的方法。     

基于多任务学习的高分辨率遥感影像建筑实例分割

针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。     

基于卷积神经网络的病理细胞核分割

针对病理图像中细胞核的精准分割问题,结合全卷积网络框架和高分辨率网络框架的特点,提出一种卷积网络对细胞核进行自动精准地分割;基于稀疏非负矩阵分解的方法将具有严重颜色分布差异的病理图像进行颜色分布归一化,以归一化后的图像为输入,利用所提出的卷积网络对细胞核进行分割;该网络通过减少下采样算子的使用,使图像信息在前向计算过程中不会过分丢失,并使用扩张卷积扩大深层神经元的局部感受野尺度大小;所采用的分割方案在2017年MICCAI病理数字图像分割数据集中达到0. 848的平均dice分数;实验表明,融合全卷积网络框架和高分辨率网络框架的卷积网络在病理图像中实现了细胞核自动精准的分割,可以有效减轻影像医师的工作负担。     

基于快速残差插值和卷积神经网络的去马赛克算法

针对传统插值法存在的图像细节不能很好恢复的不足,利用卷积神经网络作为残差插值法的后处理操作,提出了一种基于残差插值和卷积神经网络的去马赛克算法。方法分为初始去马赛克和细节恢复后处理两部分。先用改进的基于梯度的快速残差插值法实现初步去马赛克插值,并针对恢复图像中包含了彩色伪影,细节丢失等问题,再使用深度残差网络学习恢复图像与理想全彩色图像之间的映射,实现后处理。在Kodak数据集和IMAX数据集上的实验结果表明,该方法结果在主观视觉特性和客观评价指标两方面相较于传统方法都有明显改进。