非参数邻域统计的无监督纹理分割方法

介绍了一个新颖的无监督分割方法,这种方法依赖于一个通用的图像邻域的非参数统计模型,直接建模图像邻域,不用建立中间特征.它不是针对某种特定纹理,而是通用在各种纹理上.文章通过静态随机域和非参数的高阶统计模型探讨了图像纹理的基本描述.文章中提到了适合各种纹理的通用的公式.方法的思想是通过最小化图像邻域的概率密度函数的熵来给出最优分割.熵的最小化使用了一种快速的水平集方案.这种方法并不依赖于学习阶段的数据,是无监督的.根据数据的信息内容自动调整内部一些重要参数.     

信托关系法律适用的一般原则

国际信托法律冲突问题是国际私法中一个比较复杂的问题,本文试图从信托制度本身出发,从对信托法律冲突产生的原因,信托制度的法律本质和价值取向等方面的分析中找出解决国际信托法律冲突应遵循的一般原则。     

基于条件时态的角色访问控制模型的继承性

在继承基于条件时态的角色访问控制(CT-RBAC) 的条件周期理论和约束关联的基础上,完善了该模型的角色关系约束,规范了相应的角色继承约束语义.同时,提出一种能够确保在继承条件下静态权责分割(SSD)策略安全实施的机制,避免了由SSD局限性所导致的冲突.最后,给出了一个实现原型,通过性能分析测试,说明在提高原型系统安全性的情况下,性能的稍微损失是可以接受的.     

电子自动检测识别系统

<正>成果简介该成果将图像捕获、运动目标提取、车辆牌照定位辨识、牌照字符自动分割识别、电信网无线通讯、多路控制信号协调等技术有机结合起来,实现网络与无线通信、图像处理与自动识别、网络管理与数据更新等多种技术的优化组合。     

结合面部纹理和光流特征的面瘫分级综合评估方法

针对面瘫分级评估问题,提出一种结合面部纹理和光流特征的面瘫分级综合评估方法。该方法针对面瘫诊断时患者需要完成不同的面部表情动作,关注并提取对应的面部区域特征,以及人脸两侧相关区域特征之间的差异以完成面瘫分级评估。首先,需要对面瘫静态图像和视频数据进行预处理;然后,利用人脸关键点检测方法对人脸进行区域划分;接着,针对面瘫图像和视频数据,分别依据人脸左右两侧对应区域的纹理特征差异和光流特征差异以完成面瘫分级评估;最后,利用基于图像和视频数据的评估结果进行面瘫分级的综合评估。实验表明,所提方法的面瘫分级评估平均准确率相对于传统方法提高了18%以上,具有明显优势。     

基于全卷积网络迁移学习的左心室内膜分割

为了避免过拟合现象，提出了基于全卷积网络迁移学习的左心室内膜分割方法.该方法在已用自然图像训练好的VGGNet模型的基础上对参数进行微调;其次，利用了心室内膜位于MRI图像中心处的先验信息作为选取准则来优化分割结果.将该方法对2009 MICCAI数据集的45个病例进行测试，其DICE指数、APD距离和GC率分别为0.91，1.73mm和97.81%.测试结果表明该方法对于心脏MRI图像的左心室内膜的分割结果较好，当引入一定的先验信息后可以优化测试结果.     

基于类别色彩查找表的彩色夜视方法

针对夜视图像解读困难的问题,提出了一种面向类别的色彩查找表的彩色夜视方法。该方法可以将不同景物的特征色彩映射到多波段夜间图像,使观察者能够更快、更好地解读图像,从而提高态势感知并缩短反应时间。这种映射方法首先采用深度学习中的语义分割技术对图像进行分割,然后使用类别色彩查找表固定不同波段对应色彩,避免了全局彩色化时出现的色彩单一、不自然的缺点。实验结果表明,与其他全局彩色化方法相比,本文方法对于夜视图像的解析能力更强。     

基于改进特征融合和区域生成网络的Mask R-CNN的管件分拣研究

针对管件分割任务中各类管件区分难度大，光线和阴影对分割精度存在干扰等问题，提出了一种改进的掩膜区域卷积神经网络（mask region-convolutional neural network,Mask R-CNN）的管件分拣算法。通过增加低层特征图以改进特征融合网络，提高小型管件的识别率；根据管件尺寸比例改进区域生长网络的生成框，以加快模型收敛速度；增加通道和空间注意力模块，提升管件识别精度及掩膜效果。将改进后的Mask R-CNN用于四类管件的分拣任务，实验结果表明，改进后Mask R-CNN的掩膜检测平均精度均值（mean average precision, mAP）和平均召回率（mean recall, mRecall）值分别提高了1.5%和1.7%，对管件位置、类型和尺寸的判别能力更强，能够满足实际生产中机器人分拣管件的精度要求。     

基于凸组合的一类时变时滞静态神经网络系统全局稳定性分析

研究了一类具有时变时滞的静态神经网络系统的全局渐近稳定性问题,考虑了更多时滞状态变量的信息,构造新的增广Lyapunov-Krasovskii泛函,利用时滞分割技术并结合使用自由权矩阵、Jensen积分不等式,基于凸组合方法获得具有更低保守性的系统时滞相依全局渐近稳定性判定条件,改善了相关文献结果,并以数值实例表明本文结果的有效性.     

基于深度学习的水下钢结构锈蚀识别与评价

锈蚀是影响输水工程中水下钢结构能否稳定运行的重要因素．由于水下环境复杂，常规方法难以在通水情况下实现对水下钢结构锈蚀情况进行有效的检测与评价．本文基于深度学习，提出了一种利用水下机器人采集的视频图像，自动检测水下钢结构锈蚀并进行锈蚀等级评价的方法．首先，采用构建的卷积神经网络(CNN)模型对预处理后的水下钢结构锈蚀图像进行锈蚀识别；然后，利用颜色直方图对锈蚀区域进行语义分割，通过计算的锈蚀率来评价锈蚀等级．实例结果表明：水下钢结构锈蚀识别的准确率可达95.5%，实现了锈蚀程度评价．本文方法可为通水情况下输水工程水下钢结构的锈蚀快速识别及健康诊断提供新的途径．