科技查新工作发展的问题与提升路径研究

科技查新工作在服务科技创新和支撑科技发展方面起到了正面作用。在以创新引领发展的新时代，传统常规的科技查新工作明显滞后于国家科技创新发展步伐，在满足国内群体性技术革命创新的发展需求方面略显不足。本文在梳理科技查新工作发展的基础上，分析了科技查新工作存在的问题，探讨了新形势下科技查新工作的提升路径。从人员结构、服务模式机制与内容深度、服务资源与专业知识储备等方面提出了建议和意见，以期为科技查新工作发展提供借鉴。     

基于多域网络的红外目标跟踪算法

随着红外探测器性能的不断提升, 红外目标跟踪在智能安防等领域的应用越来越广泛。然而红外图像分辨率较低, 依赖其进行目标跟踪仍然是一个制约相关应用发展的难题。针对红外图像分辨率低的特点, 以多域网络为模型算法框架, 结合目标运动过程中的尺寸变化特点, 提出了一种基于多域网络的红外目标跟踪算法。为了评估算法性能, 分别在VOT-TIR2016数据库和AMCOM红外数据上进行了实验。实验结果表明, 目标尺度预测机制能够显著提高算法的跟踪精度。     

基于深度图像预旋转的手势估计改进方法

基于深度图像的手势估计比人体姿势估计更加困难,部分原因在于算法不能很好地识别同一个手势经旋转后的不同外观样式.提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)推测预旋转角度的手势姿态估计改进方法:先利用自动算法标注的最佳旋转角度来训练CNN;在手势识别之前,用训练好的CNN模型回归计算出应预旋转的角度,然后再对手部深度图像进行旋转;最后采用随机决策森林(Random Decision Forest, RDF)方法对手部像素进行分类,聚类产生出手部关节位置.实验证明该方法可以减少预测的手部关节位置与准确位置之间的误差,手势姿态估计的正确率平均上升了约4.69%.     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。     

叠前深度偏移技术在煤炭地震勘探中的应用

叠前深度偏移技术是解决速度变化地区和复杂构造地区成像的最佳技术方法。因此,本文主要分析叠前深度偏移技术在煤炭地震勘探中的应用。叠前深度偏移的关键是建立好深度域速度模型,再利用矿井资料和深度域构造模型进行约束,从而提高深度偏移的成像精度。叠前深度偏移能提供精确的构造成像,进而提高煤层的地质构造解释精度,为煤矿安全、高效生产提供保障。     

人工智能在车辆智能驾驶中的应用

智能驾驶汽车系统与人工智能相结合,会对汽车的产业结构甚至是上下游结构产生重大影响。由此,本文首先分析人工智能和车辆智能驾驶,然后探讨将人工智能和汽车相结合,特别分析了人工智能对无人驾驶系统的影响及其变革,以此说明人工智能对汽车和出行方式产生的影响。     

基于DenseNet的图像识别方法研究

在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。