基于视频区域特征及HMM的体育视频分类研究

提出了一种基于视频区域特征的体育视频分类方法.首先将帧分块,对块亮度均值大小进行比较得到块亮度比较编码信息BICC,以及对视频帧各块的颜色分量进行统计得到块颜色直方图;再利用这些特征通过SVM对体育视频进行分类;最后利用一阶HMM对SVM的输出结果进行后处理,得到视频的最终分类结果.实验结果表明,方法对于体育视频分类的效果较好.     

样本容量对Poisson控制图的影响

研究了估计参数对Poisson(转化成为指数)分布的控制图的影响,推荐了与参数已知时表现近似的Shewhart X图所需要的估计的样本容量,并且提供了小样本情况修正的估计控制限,以使得整体的误报率到达指定水平.     

基于Boosting-Monodepth的管道病害深度估计与三维重建

城市地下管道是城市的血脉经络，但随着排水管道的大量投入运营和使用年限增加，引发了一系列的管道病害安全隐患，如管道整体结构变形、内表面破裂和管中异物插入等问题，传统的病害图像视频采集、检测和后期病害分类甄选都是从二维视角出发，欠缺对三维空间信息（深度）的考虑。针对上述3种病害从生成深度图、由二维深度图重建三维管道病害这两方面进行研究，提出了一种基于boosting-monodepth的双重深度估计方法以提升深度图效果，最终生成画面连续一致、轮廓清晰的深度图。性能评估方面采用Abs-Rel、RMSE、SqRel、ORD和D3R等通用指标，与传统算法对比，结果显示boosting-monodepth的RMSE值降低了30%，精确度指标δ<1.25时，模型深度信息预测精确度提高了18%，此后以得到的深度图为基础重建管道病害三维点云，并在CloudCompare软件上三维可视化，最后采用随机采样一致算法测算病害深度并和实测数据对比证明其有效性和准确性。     

采用Q学习的软件定义网络抗毁技术分析

针对软件定义网络(SDN)的链路抗毁问题,为使数据传输具有更好的稳健性,设计了一个基于Q学习算法的抗毁策略。该策略选择以网络中每条链路的中断概率为衡量指标,通过Q学习算法,根据网络情况寻找一条中断概率低的路径作为备份路径,从而在网络传输出现故障时能够自动地切换为备份路径,实现抗毁性能的改善。将Q学习算法与现有的算法进行对比,并分析了各自的优劣性。实验仿真结果表明,相比于蚁群算法,Q学习算法的平均吞吐量可提高15%左右,网络传输的平均中断概率可降低38%;相比于最短路径算法(有备份),平均吞吐量提高16.5%,网络传输的平均中断概率降低43%。由此可见,文中所提基于Q学习的抗毁技术可大大提升SDN网络的抗毁性能。     

基于特征掩码的轻量级遮挡人脸识别方法

在遮挡条件下常用人脸识别模型性能急剧下降。现有的遮挡人脸识别方法主要分为修复法和特征掩蔽法。修复法无法确保修复内容包含鉴别性信息，甚至在遮挡面积较大时会出现误修复；现有的特征掩蔽法遮挡人脸识别模型则往往复杂庞大。为了提高对遮挡人脸识别的鲁棒性并满足在移动和嵌入式设备上部署的需求，设计了一种轻量级遮挡人脸识别方法LOFR。为了提升对遮挡人脸识别的准确率，使用遮挡分割网络提取遮挡信息，掩码生成器根据遮挡信息生成掩码以掩蔽被遮挡损坏的特征，同时嵌入注意力机制提升对空间位置的敏感性。在一般人脸、模拟遮挡人脸和真实世界遮挡人脸数据集上的准确率分别达到了99.03%、98.38%和98.03%。与其他先进方法相比，以MobileNetV2作为骨干网络的LOFR参数量显著减少，但在准确率方面依然具有竞争力。