基于变换域Wyner-Ziv视频编码的有效重建算法

为了减少分布式视频编码系统重建值与真实值之间误差,提出了基于变换域Wyner-Ziv视频编码最小均方误差(MMSE)重建的一种有效重建算法.该算法充分利用视频帧间相关性,对MMSE重建算法积分区间做出调整,当边信处于解码值对应量化区间之内时,在量化区闻内利用MMSE重建;当边信息处于解码值对应量化区间之外时,对量化区间做出调整,在改进后的区间利用MMSE重建.实验结果表明,与最佳重建最小均方误差重建算法相比,该算法可以有效提高解码视频的平均PSNR.     

基于RSSI和LQI的分段距离估计改进算法

针对无线传感器网络（WSN）中单一通过RSSI估计距离的算法易受环境影响产生误差,提出了一种基于RSSI和LQI的分段距离估计改进算法。首先分析了RSSI算法特点,然后在距离估计过程中引入了链路质量,根据预设范围调整定位算法,从而降低RSSI距离估计算法的误差,提高了距离估计精度。实验结果表明,基于RSSI和LQI的分段距离估计改进算法的距离估计精度与原算法相比有了明显提高。     

基于非对称离散高斯似然的深度图像压缩方法

相较于传统的图像压缩技术,深度图像压缩可以提供更优的率失真性能,甚至可以超越最新的压缩编码标准多功能视频编码（Versatile Video Coding,VVC）。然而,随着网络复杂度的提升,深度图像压缩技术的提升亦有瓶颈。因此,提出了非对称离散高斯分布的深度图像压缩方法。并非优化编解码器或是熵模型,该方法在隐空间借助语义信息和稀疏过程,实现单高斯分布向非对称高斯分布的迁移,以节约码流。相较其他方法,所提方法具有更优的率失真性能,在Kodak数据集上解码的图像更加真实自然。     

图像特征融合的行人重识别方法

行人重识别的目的是在跨区域、跨场景的情况下,检索出特定目标行人.由于行人外观可能相似,以及存在姿态变化和遮挡的问题,因此要求行人重识别模型能够捕捉到足够的细节信息.基于此,提出了图像特征融合的行人重识别算法,融合图像的全局特征与局部特征进行目标行人的检索.该算法构建了特征融合的图像通道,由卷积神经网络提取图像的视觉信息...     

基于LiDAR点云的单根电力线分离提取与多维度拟合重建

激光雷达技术能够快速高效地获取高精度的三维点云数据,机载LiDAR不受天气影响且能在复杂地理条件下工作,已成为电力线巡检的重要方法。而从获取的LiDAR点云数据中高效提取架空电力线点云是机载LiDAR电力巡检后期数据处理的重要内容。本文基于某地输电线走廊的LiDAR点云数据,设计了一套单根电力线分离提取和多维度拟合重建的方案。该方案首先使用统计滤波算法去除LiDAR数据中的异常离群点;再采用布料模拟滤波算法,结合数据高程信息去除地面点,利用PCA主成分分析法与快速欧式聚类算法,从电力线走廊点云中分离提取单根电力线;最后基于提取结果对单根电力线进行多维度拟合重建。实验结果表明,本文方法能精准且快速地分离提取单根电力线并进行多维度拟合重建,在电力线智能巡检中具有良好的工程应用价值。     

基于递归预测的分布式双视角图像无损压缩

针对星载双视角图像压缩中存在数据量大和卫星编码端计算能力受限、内存资源不足的问题，提出了一种基于递归预测的分布式双视角图像无损压缩方法。该方法中2个视角的图像采用不同的编码方法，视角1作为关键视角采用JPEG2000无损模式进行独立压缩；视角2经图像分块预处理之后，其中一个局部图像块作为关键图像块仍用JPEG2000无损模式独立压缩，其余部分采用分布式编码方法。编码端进行二维整数小波变换去除各视角内的空间冗余，解码端利用利用视角间的相关性采用递归预测的结构，通过配准和多元线性回归的方法生成视角2其余图像的边信息辅助其余图像块解码。实验结果表明，与未考虑双视角图像间冗余的JPEG2000无损压缩编码相比，平均编码比特率大约节约了0.296～0.6 bpp,时间复杂度降低到其5.97%～14.3%;与使用初始边信息的分布式编码方案相比时间复杂度相同，但平均编码比特率大约节约了0.45～0.51 bpp;与考虑了图像间冗余的相关文献图像算法相比，所提方法的编码比特率损失0.2 bpp,但编码复杂度降低到其4.3%,说明所提方法更具优势，满足星载图像压缩需求。     

老年认知障碍多维度评估系统

老年认知障碍逐渐成为影响老年人生活质量的主要威胁之一,但是目前针对老年认知障碍群体的预防措施、诊疗技术、医养模式等尚不成熟,并且缺少能够完整地、分门别类地存储医疗数据的老年认知障碍数据系统,这便导致了老年认知障碍诊断不准确、认知障碍患者治疗时机延误、认知障碍患者没有得到相应的医养服务等问题.针对以上问题,本文设计了一种基于B/S架构的老年认知障碍多维度数据管理系统,利用FastDFS分布式文件存储系统的功能,保障了系统数据的安全性和稳定性.利用递归树结构帮助提取表格数据,加快筛查速度.系统的兼容性好,能够在目前主流的浏览器下稳定运行.     

一种基于多模型联合学习的方面情感分析方法

基于方面词的情感分类是情感分析的一个重要子任务，通过学习文本上下文的信息，判别文本中特定方面的情感极性。常用的方法大多都是依赖于给定方面词和上下文词之间的语义关系来构建模型，这在一定程度上忽视了它们之间的句法关系。针对上述问题，提出一种融合注意力机制和句法信息的联合学习方法，不仅能同时学习方面词和上下文词之间的句法及语义关系，在训练过程中自动调整对方面词周围上下文词的关注度，而且同时考虑不同上下文词对方面词在句法上的修饰关系。在SemEval 2014的Restaurant数据集和Laptop数据集上进行实验，与目前最好模型相比，分类准确率和F1值都得到了较大提高。     

基于时空和频域特征的EEG帕金森疾病识别

脑电图(EEG)中蕴含着有关脑功能的丰富信息，这些信息对不同类型神经系统疾病的检测和诊断非常重要。针对单一特征无法充分表达脑电信号的问题，本文融合了频域特征和时空信息来更好的对信号进行表征，并提出一种基于时空和频域特征的注意力网络(STFACN)用于帕金森疾病(PD)的自动检测。在频域角度，利用快速傅里叶变换法从多通道脑电图中求取Delta、Theta、Alpha频段的平均功率特征。同时构建基于时空特征的紧凑型卷积神经网络，并将通道注意力机制嵌入到网络中，自适应提取表征PD的时空特征。最后将基于频域特征的模型与基于时空特征的紧凑型卷积神经网络模型进行融合，在新墨西哥州大学(UNM)数据集上进行实验，特异性、敏感性、准确率分别达到87.97%、84.39%、86.89%。在爱荷华大学(UI)数据集上进行跨数据集实验，准确率达到77.33%。实验结果表明：与现有的方法相比，本文提出的方法能够从原始脑电图中挖掘出有效特征，在基于EEG的帕金森疾病识别问题上准确率高，泛化能力强。