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。     

单片机中基于查表法的多变量函数求解方法设计

针对多变量非线性复杂函数关系式在单片机中难以实现的问题,提出了一种快速有效的查表求解算法。首先建立顺序存储数据块,接下来查找输入变量在已存变量存储块中的自然序号,最后利用查得的变量自然数序号及事先确定的算法查找这些变量所对应的函数值的存储地址,进而得到计算结果。实现了非线性复杂关系式的快速精确求解,可推广于各种运算能力有限的单片机,提高了单片机的整体使用效率。     

单片机中基于查表法的多变量函数求解方法设计

针对多变量非线性复杂函数关系式在单片机中难以实现的问题,提出了一种快速有效的查表求解算法。首先建立顺序存储数据块,接下来查找输入变量在已存变量存储块中的自然序号,最后利用查得的变量自然数序号及事先确定的算法查找这些变量所对应的函数值的存储地址,进而得到计算结果。实现了非线性复杂关系式的快速精确求解,可推广于各种运算能力有限的单片机,提高了单片机的整体使用效率。     

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。     

μ阿片受体三维结构模建与芬太尼类似物分子对接研究(英文)

本文通过牛视紫质蛋白质晶体结构使用Composer模建程序进行了人类μ阿片受体的同源模建,预测了μ阿片受体的二级结构,用Ramachandran图和ProTable验证模型的可靠性.得到的模型91%的氨基酸残基位丁最佳区域,7个疏水区域表明有7个跨膜区与模型一致.并使用Surflex-Dock程序进行一系列芬太尼类似物分子与μ阿片受体的对接研究进而研究了其作用机制.活性位点主要包括ILE109,ASP112,TYR113,MET116,HIS262,TYR291.这些氨基酸残基都是芬太尼类似物与μ阿片受体的相互作用的主要残基.对接打分较高的分了均为与活性位点结合较好的分子,由此可对μ阿片受体有更深入的了解从而为设计出活性更高的芬太尼类化合物提供依据.     

一种基于线段特征的室内环境主动SLAM方法

在SP模型的框架下,从激光扫描点中提取线段特征用于描述室内环境．提出一种基于最优控制的主动同时定位与建图方法;该方法综合考虑系统不确定性的大小和对环境的探索程度,为机器人确定最佳的控制输入,使机器人能够建立精确和完整的环境地图．在Poineer3DX移动机器人平台上进行了实验,实验结果验证了该方法的有效性．     

明明白白我的芯 如何得知自己电脑的配置

你知道自己的身高吗?是偏高还是偏矮?知道自己的体重吗?是偏瘦或是偏胖?知道自己的血型吗?是万能、和善的O型还是性格固执的A型?这些你都知道吧?!但是你的电脑CPU频率是多少?用的什么显卡?内存容量有多大?这些你都知道吗?这些就像是电脑的身高、体重、血型等等,你怎能不知道呢?     

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...     

基于稀疏点云分割的适应视角变化的场景识别方法

在机器人自主导航中,同时定位与建图负责感知周围环境并定位自身位姿,为后续的高级任务提供感知支撑。场景识别作为其中的关键模块,可以帮助机器人更加准确地感知周围环境,它通过识别当前的观测和之前的观测是否属于同一个场景来校正传感器硬件固有误差导致的误差累积。现有的方法主要关注稳定视角下的场景识别,根据两个观测之间的视觉相似性来判断它们是否属于同一个场景。然而,当观测视角发生变化时,同一个场景的观测可能存在较大的视觉差异,使得观测之间可能只是局部相似,进而导致传统方法失效,因此,一种基于稀疏点云分割的场景识别方法被提出。它将场景进行分割,以解决局部相似的问题,并且结合视觉信息和几何信息实现准确的场景描述和匹配,使得机器人能识别出不同视角下的相同场景,支撑单机的回环检测模块或多机的地图融合模块。该方法基于稀疏点云分割将每个观测分割为若干部分,分割结果对视角具有不变性,并且从每个分割部分中提取出局部词袋向量和β角直方图来准确描述其场景内容,前者包含场景的视觉语义信息,后者包含场景的几何结构信息。之后,基于分割部分匹配观测之间的相同部分,丢弃不同部分,实现准确的场景内容匹配,提高场景识别的成功率。最...