体系架构框架的发展分析与应用

体系架构在复杂体系顶层设计中发挥着重要作用,本文主要从体系架构定义、多视角设计方法、数据标准、工具开发和应用等方面分析体系架构框架的发展情况,并总结了体系架构框架在总体规划蓝图方面的优势。     

基于距离度量学习的半监督多视角谱聚类算法

为了有效利用少量先验信息提高多视角数据聚类效果,提出了一种基于距离度量学习的半监督多视角谱聚类算法(简称ML-SMC)。首先,利用距离度量学习引入先验信息,将多视角数据映射到反映先验约束条件的空间.然后,根据相似性构造每个视角的视图,将多视角聚类问题转化为最小正则割的图划分问题。实验结果表明：ML-SMC算法聚类结果的精度优于3种经典的多视角聚类算法和4种半监督单视角聚类算法。并且通过利用少量先验信息ML-SMC算法能够有效提高聚类效果。     

一种多视角人脸检测方法

目前的人脸检测方法多是针对正面人脸,而对于多视角人脸检测还存在很大困难,有效的方法还不多。本文考虑到人脸检测中旋转人脸和侧面人脸两种多视角情况,提出了一种多视角人脸检测方法。针对平面内旋转的问题,在YCbCr色彩空间内建立肤色模型,经过处理确定人脸椭圆区域,利用基于灰度加权的主成分分析算法进行人脸的角度校正,得到偏转校正后的人脸图像。针对侧面人脸的问题,通过上下和左右2个方向的人脸旋转样本库来训练分类器,然后组合成并联分类器,再对偏转校正后的人脸图像进行人脸验证。实验结果表明,该方法可以对任意视角的人脸进行有效的检测,且有较高的检测率。     

基于图割及动态片结构的3维人脸多视图体重建

针对3维人脸重建问题提出了一种新颖的多视图体重建方法,以解决目前3维人脸重建方法只适用于小样本集合,大范围推广时精度难以保证的弱点。该方法创新之处在于将基于特征点匹配的重建方法与立体重建方法结合引入到图割优化框架,并应用于3维人脸重建。本文两个重要改进工作是设计动态片结构描述来进行颜色一致性估计以及设计新的动态图结构以去除半个体素尺寸的重建误差。实验中分别采用8张、16张和30张存在亮度变化的人脸多视角图像验证算法。实验结果逼真,同时避免了传统重建方法结果受限于样本集分布的问题。     

基于目标存在概率场的多视角运动目标检测与对应算法

提出了一种多视角运动目标检测与对应算法---基于目标存在概率场的运动目标检测和对应算法. 目标存在概率场是算法的核心, 其融合各视角的信息, 并依据融合结果在空间中检测目标. 目标窗结构是快速计算目标存在概率场的关键, 并给出了一种同时实现目标检测和对应的框架. 实验结果表明该算法具有遮挡处理能力强, 计算复杂度低的优点.     

基于多视角信息融合的棒材识别计数方法

棒材出厂前要按根数打捆,基于单视角视觉识别计数方法难以处理多个目标之间的互遮挡等问题。文章提出多视角信息融合方法,从2个视角分别捕获目标图像,分别识别,再进行融合,对单视角目标识别信息的补偿与纠错,达到消除互遮挡、准确计数的目的。实践证明,该方法能很好地解决单视角的遮挡目标识别问题,对于因存在遮挡和光照条件限制而难以处理的多目标识别和跟踪问题具有一定的普适性。     

最近发售游戏的多视角评价 黄金眼

前两期出现了一点小BUG,部分得分超过24分的游戏忘记归类到“热血推荐”里了,实在是不该有的失误,向大家致歉,以后一定不再犯,还请大家监督。     

基于黎曼流形的多视角谱聚类算法

现有的多视角谱聚类算法大多只线性结合了各视角的基拉普拉斯矩阵,未考虑不同视角数据的差异性对最优拉普拉斯矩阵的影响,存在聚类性能受限的问题。提出一种基于黎曼几何均值与高阶拉普拉斯矩阵的谱聚类算法(RMMSC),挖掘多视角数据中的高阶连接信息与流形信息,提高最优拉普拉斯矩阵对各视角的信息利用率。按一定的权重线性结合数据单一视角的各阶拉普拉斯矩阵,得到每个视角的基拉普拉斯矩阵,通过低阶与高阶连接信息的结合使用,充分体现多视角数据集的全局结构。在此基础上,计算各视角基拉普拉斯矩阵的黎曼几何均值,将其作为最优拉普拉斯矩阵输入谱聚类算法,得到聚类结果。相比于传统矩阵算数均值的计算,基于黎曼流形的黎曼几何均值能够更好地恢复互补层数据的流形信息。实验结果表明,RMMSC在多组标准数据集上聚类效果优于ONMSC、MLAN、AMGL等算法。其中,在Flower17数据集上,精确度较基准算法ONMSC提高了2.14%,纯度提高了1.7%,且收敛性较好。     

基于多视角的多类型错误全面检测方法

随着信息化社会的发展,数据的规模越发庞大,数据的种类也越发丰富.时至今日,数据已经成为国家和企业的重要战略资源,是科学化管理的重要保障.然而,随着社会生活产生的数据日益丰富,大量的脏数据也随之而来,数据质量问题油然而生.如何准确而全面地检测出数据集中所包含的错误数据,一直是数据科学中的痛点问题.尽管已有许多传统方法被广泛用于各行各业,如基于约束与统计的检测方法,但这些方法通常需要丰富的先验知识与昂贵的人力和时间成本.受限于此,这些方法往往难以准确而全面地检测数据.近年来,许多新型错误检测方法利用深度学习技术,通过时序推断、文本解析等方式取得了更好检测效果,但它们通常只适用于特定的领域或特定的错误类型,面对现实生活中的复杂情况,泛用性不足.基于上述情况,结合传统方法与深度学习技术的优点,提出了一个基于多视角的多类型错误全面检测模型CEDM.首先,从模式的角度,结合现有约束条件,在属性、单元和元组层面进行多维度的统计分析,构建出基础检测规则;然后,通过词嵌入捕获数据语义,从语义的角度分析属性相关性、单元关联性与元组相似性,进而基于语义关系,从多个维度上更新、扩展基础规则;最终,联合多个视角...