基于分层细分超像素和信息完整性先验的红外图像去雾

雾霾天气由于悬浮粒子的存在,降低了红外成像系统的对比度和视觉质量。现有的去雾方法大多侧重于增强全局对比度或在图像中采取局部网格透射率估计策略,容易导致图像信息丢失、光晕伪影以及天空区域失真的现象。针对这些问题,本文提出了一种基于超像素结构分解以及信息完整性保护的单幅图像去雾方法。在该模型中,首先基于局部结构信息,设计了分层超像素算法自适应地将图像分割成多个目标区域以消除光晕伪影。同时为了避免局部高亮目标造成估计误差,采用基于超像素块的改进四叉树细分方法获得全局大气光值。在此基础上,利用组合约束通过最小化信息损失实现透射率图最优化。在真实红外雾天图像上的实验表明,在定性和定量方面与现有的经典算法相比,本文所提方法在对比度和可见性方面具有优越性。     

噪声环境下基于单像素成像系统和深度学习的目标识别方法

单像素成像系统由于其独特的成像方式受到广泛关注,但其在噪声环境中的目标识别方法并未得到深入研究。针对该问题,文中分别采用桶探测器获取的信号值和重构出的二维图像作为训练样本进行深度学习,并以此识别噪声环境中的目标。通过对比两者识别结果,发现在采样率较低时,前者即使在较强噪声环境中也可以获得较高的识别率;而后者的识别率虽然一直比较稳定,但其预处理时间较高,因此前者更适用于快速成像中的目标识别。此外,对于仅利用桶探测器信号进行训练的方法,文中还研究了目标稀疏度对其识别精度的影响,发现当外界噪声和采样率一定时,稀疏度越高的目标,其识别精度也越高。文中为噪声环境中单像素成像的目标识别方法提供了选择依据。     

基于假想对象的无目标图像检索对抗攻击方法

对抗攻击能够欺骗图像检索模型,使其得到错误的检索结果,因此利用对抗攻击技术能够实现对图像信息的保护。但传统的对抗攻击方法攻击效果有限,生成的对抗样本失真程度较高。针对该问题,提出了一种基于假想对象的无目标图像检索对抗攻击方法。通过引入一批图像作为辅助样本,从中选取与查询图像特征差距最大的样本作为假想对象以引导攻击方向,从而提高攻击的效率。在Paris6k和Oxford5k两个图像检索数据集上的实验结果表明,相比传统方法,该方法生成的对抗样本具有更强的攻击效果和更高的图像质量,从而能够更好地保护图像信息。     

网络攻击检测的门控记忆网络方法

针对互联网大规模网络攻击检测难题,结合词向量特征表示与循环神经网络,提出了一种门控记忆网络检测方法。该方法首先将网络请求数据转化为低维实值向量序列表示,然后利用门控循环神经网络的长时记忆能力提取请求数据的特征,最后采用逻辑斯特回归分类器实现了对网络攻击的自动检测。在CSIC2010公开数据集上,达到了98.5%的10折交叉验证F1分数,与传统方法相比,较大幅度地提高了网络攻击检测的准确率和召回率。所提方法可自动检测网络攻击,具有良好的检测效果。     

基于Labview的钢卷尺自动调零系统设计

为了提高钢卷尺零位对齐的效率和精度,本系统采用摄像头,通过图像处理技术实现钢卷尺刻度误差自动测量,利用运动控制卡控制机电系统实现被检钢卷尺与标准钢卷尺零位刻度对齐,同时基于Labview开发的上位机软件完成钢卷尺刻度误差数据采集和分析处理,并反馈控制机电系统运动,最终实现钢卷尺自动调零。试验表明该系统运行稳定可靠,钢卷尺调零效率和精度大幅提高。     

贪心非对称深度有监督哈希图像检索方法

近年来,深度有监督哈希检索方法已成功应用于众多图像检索系统中。但现有方法仍然存在一些不足：一是大部分深度哈希学习方法都采用对称策略来训练网络,但该策略训练通常比较耗时,难以用于大规模哈希学习过程;二是哈希学习过程中存在离散优化问题,现有方法将该问题进行松弛,但难以保证得到最优解。为解决上述问题,提出了一种贪心非对称深度有监督哈希图像检索方法,该方法将贪心算法和非对称策略的优势充分结合,进一步提高了哈希检索性能。在两个常用数据集上与17种先进方法进行比较。在CIFAR-10数据集上48 bit条件下,与性能最好的方法相比mAP提高1.3%;在NUS-WIDE数据集上所有bit下,mAP平均提高2.3%。在两个数据集上的实验结果表明,该方法可以进一步提高哈希检索性能。     

网格环境下基于Weka4WS的分布式聚类算法*

Weka4WS采用WSRF技术用于执行远程的数据挖掘和管理分布式计算,支持分布式数据挖掘任务。基于Weka4WS和网格环境,尝试了一种新的分布式聚类方法,并成功地将其嵌入到Weka4WS框架中,借助Weka Library实现分布式数据挖掘算法,同时引入了距离代价和混合概率的概念,将网格与Web服务技术融合,以分布式问题求解环境和开源数据挖掘类库Weka为底层支持环境,构建了网格环境下面向服务的分布式数据挖掘体系,并以基于Weka4WS的分布式聚类算法验证了算法的有效性和体系结构的可行性。     

信联闭揭示LKJ精确控制优化设计与实现

在复杂站场等特定条件下,LKJ列控设备对于停基改电、绿色许可证、特定引导等信联闭揭示存在模糊多控、无法精准控制的情况,需要在列车运行途中通过人工操作协助控制,存在机车乘务员误操作导致信联闭揭示误控或不控的风险。为此,本文提出通过丰富信联闭揭示内容,实现LKJ信联闭揭示精确控制的方案。     

基于Movidius神经计算棒的行人检测方法

Movidius神经计算棒是基于USB模式的深度学习推理工具和独立的人工智能加速器，为广泛的移动和嵌入式视觉设备提供专用深度神经网络加速功能。针对深度学习的嵌入式应用，实现了一种基于Movidius神经计算棒的近实时行人目标检测方法。首先，通过改进RefineDet目标检测网络结构使模型大小和计算适应嵌入式设备的要求；然后，在行人检测数据集上对模型进行重训练，并部署于搭载Movidius神经计算棒的树莓派上；最后，在实际环境中对模型进行测试，算法达到了平均每秒4帧的处理速度。实验结果表明，基于Movidius神经计算棒，在计算资源紧张的树莓派上可完成近实时的行人检测任务。