基于E2LSH的近似重复图像检测

快速准确地检测出近似重复图像对于版权侵犯检测和检索结果冗余去除具有重要的意义。针对传统方法检测效率低的问题,提出了一种基于E2LSH（Exact Euclidean Locality Sensitive Hashing）的近似重复图像检测新方法。首先,利用E2LSH进行快速过滤,过滤掉大部分非近似重复图像对;然后,对于过滤后剩余的少量图像对,再采用视觉词袋法BoVW（Bag of Visual Words）进一步去除错误的匹配,从而实现近似重复图像检测。实验结果表明,新方法在不明显降低性能的前提下大大加快了近似重复图像检测的速度,在检测性能与速度之间取得了较好的平衡。     

基于贪婪树的外部支持向量机近似重复图像聚类算法

准确地检测出近似重复图像对于冗余去除和版权侵犯检测具有重要的意义。为了改善基于均匀分裂外部支持向量机聚类算法的性能,提出了一种结合贪婪树和外部支持向量机的近似重复图像聚类算法。该方法先利用外部支持向量机将数据集聚为两类,然后采用贪婪树生长算法选择“最优”的类进行分解,重复上述过程直到不可分为止。此外,为了克服图像视觉单词的同义性问题,利用概率潜在语义分析模型将同现的图像视觉单词映射到潜在语义空间中的同一方向上。实验结果表明,与内部支持向量聚类算法和基于均匀分裂的外部支持向量机聚类算法相比,该方法在聚类性能方面有了明显的提高。。      

基于深度学习编码模型的图像分类方法

针对矢量量化编码的量化误差严重,而稀疏编码只是一种浅层学习模型,容易导致视觉词典对图像特征缺乏选择性的问题,提出了一种基于深度学习特征编码模型的图像分类方法。首先,采用深度学习网络无监督的受限玻尔兹曼机（RBM）代替传统的K-Means聚类及稀疏编码等方法对SIFT特征库进行编码学习,生成视觉词典;其次,对RBM编码添加正则化项分解组合每个特征的稀疏表示,使得生成的视觉单词兼具稀疏性和选择性;然后,利用训练数据的类别标签信息有监督地自上而下对得到的初始视觉词典进行微调,得到图像深度学习表示向量,以此训练SVM分类器并完成图像分类。实验结果表明,本文方法能有效克服传统矢量量化编码及稀疏编码等方法的缺点,有效地提升图像分类性能。     

基于随机化映射和模式熵的近似重复图像检测

针对传统方法检测效率低的问题,提出了一种基于随机化映射和模式熵的近似重复图像检测方法。该方法先利用精确欧式空间位置敏感哈希(Exact euclidean locality sensitive hasing,E2LSH)进行快速过滤,滤除大部分非近似重复图像对,然后对于剩余的图像对,再采用尺度旋转不变模式熵(Scale-rotation invariant patternentropy,SR-PE)进一步去除错误的匹配,从而实现近似重复图像检测。实验结果表明,新方法在不明显降低性能的前提下大大加快了近似重复图像检测的速度,在检测性能与速度之间取得了较好的平衡。     

美天军使命任务及作战能力研究

美天军精简敏捷的三级组织架构体系基本确立，承担相应的太空作战使命任务，具有领先世界的太空作战能力。以美天军的组织架构为出发点，结合《JP3-14太空作战》联合条令及美天军理论、学说、愿景、指南等内容，系统地阐述了美天军的作战使命及作战任务，深入分析了太空作战司令部和太空系统司令部所属各支德尔塔部队的主要太空装备及作战能力。研究表明，美天军的首要使命是维护美太空域行动自由；德尔塔部队独立执行不同的作战任务，战术特性突出；性能先进、功能完备、体系健全的太空装备系统而全面地支撑了天军太空作战能力的生成。分析得出，美天军建设发展方向聚焦数字军种建设、弹性装备体系和太空实战能力。