紧李群上的卷积

利用紧李群G上一类卷积算子的自伴性和紧性,给出了L^2（G）的一种分解,并利用此分解方式回到了S^1上经典的Fourier分析,将泛函分析、李群、Fourier分析联系起来.     

悬浇箱梁施工要点实例探析

省道201线宁海新桥长1.164km,主桥采用45+5×70+45m预应力混凝土变截面连续箱梁。主要以省道201线宁海新桥工程主桥悬浇箱梁上部结构施工为例,阐述了悬浇箱梁上部结构施工要点及重点注意问题,希望为同类工程作参考。     

基于方向特征对比的图像显著区域检测算法

人类视觉注意力模型的研究结果表明,颜色特征、方向特征等底层特征是影响人类视觉注意力的重要特征。最近学术界提出了一些基于全局对比的显著性检测算法,但是这些算法仅涉及到颜色这一底层特征,而没有使用方向特征。这就影响了这类算法对方向特征对比度强而颜色特征对比度弱的图像的检测性能。因此,本文提出了一种基于图像方向特征全局对比的显著区域检测算法。首先,将图像过分割为若干不规则的超像素作为图像显著性计算的基本单元,把图像超像素的LBP（Local Binary Patterns）统计直方图作为该超像素方向特征的描述。然后,计算图像超像素的方向特征的独特性和方向特征的分布性。根据图像超像素的方向独特性和方向分布性计算超像素的显著性。最后,将显著性值分配到图像的每一个像素点上。在现今国际最流行的两个数据集上进行实验的结果表明,该算法可以有效弥补只使用颜色特征的显著性检测算法的不足,从而达到较好的检测效果。     

DRM系统信道编码器模块实现研究

本文依据ETSI 颁布的DRM系统标准,分别基于FPGA、普通DSP和VLIW DSP三种不同硬件平台实现了DRM系统信道编码器模块,并对基于三种不同硬件平台的实现进行比较分析.     

基于卷积循环神经网络的中国民族复音音乐的乐器活动检测

针对中国民族复音音乐的乐器活动检测问题,提出了一种基于卷积循环神经网络(CRNN)的复音乐器活动检测方法,该方法属于事件检测类,在秒级的时间分辨率上识别乐器活跃的起止时间及乐器种类.同时,在中国音乐学院的DCMI数据库基础上,构建了3种不同的面向10种中国民族乐器的复音数据集进行训练和评估.通过实验,我们将CRNN模型与CNN模型进行了比较,验证了模型的特点和优势.     

基于卷积神经网络的中国乐器分类

中国乐器有着丰富的种类,但过去由于缺少数字化的保存形式,在音乐信息检索领域有关它们的研究很少.基于中国音乐学院收集完成的中国乐器数据库,本文旨在找到每种中国乐器各自独有的声音特征,并希望找到泛化能力较强的模型以更好地利用有限的数据集.使用卷积神经网络并以对数Mel声谱图作为输入特征,在所构建的两个子数据集中实现了超过97%的分类准确率,说明所构建的模型能较好地学习到每种乐器的特征.此外,当以较短片段数据集训练的模型来对较长片段的数据集进行分类时,准确率依然高达92.70%,说明模型具有较好的泛化能力.     

DODNet：一种扩张卷积优化的图像语义分割模型

本文在DeepLab-V2模型的基础上提出了一种扩张卷积优化的图像语义分割模型:DODNet.在DODNet中,本文采用多混洗块扩张卷积(MSDC)替换ResNet-101中的扩张卷积,通过通道混合(ChannelShuffle)为每个特征点添加相邻特征点的部分通道(channel)信息,缓解了连续级联扩张卷积带来的网格化效应;同时,本文采用Vortex-Conv模块替换掉空洞空间金字塔池化(ASPP),以增加扩张卷积对感受野信息的利用,通过像素点周围局部信息的有效融合,获取了更精确的分割结果.本文在PASCAL VOC12数据集上对算法模型进行了训练和验证.实验结果表明,DODNet模型相比DeepLab-V2模型获得了4.23%的分割精度提升,同时模型参数量减少了11.2M,计算量降低了12.2B.并且与DeepLab-V3相比,DODNet模型也获得了0.32%的分割精度提升,以及7.1M的参数量和7.7B计算量的下降.     

基于自适应粒子群优化的不平衡航空客户数据质量优化

航空业的竞争愈发激烈,高效且准确的客户忠诚度预测模型有利于提高企业竞争力.针对航空数据集存在严重分类不平衡、特征维度多等问题,提出了客户忠诚度预测模型.该模型基于自适应粒子群优化(APSO)算法得到多数类优化样本子集,使用卷积神经网络(CNN)提取得到的平衡数据集特征,将自动得到的特征向量作为随机森林(RF)算法的输入,构建客户忠诚度预测模型.实验结果表明,该方法预测性能优于其他预测模型,可以更好地预测客户忠诚度.     

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。