递归深度混合关注网络的细粒度图像分类方法

在细粒度图像的大量局部特征中,只有少量特征具有判别性,其提取较为困难。为此,提出递归深度混合关注网络方法。通过在卷积结构单元中添加通道关注模块和空间关注模块,实现网络的混合关注。以第1路网络输出特征的空间响应值为依据切割原图,并将切割后的图像放大输入第2路网络,进行由粗到细的网络递归。将2路网络提取的特征进行级联融合。在公开数据集Stanford Dogs、Stanford Cars中进行对比实验,结果表明,该方法的分类精度分别为87.1%、92.4%,优于FCAN、HIHCA等方法。     

基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度. 在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本. 实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.     

基于受控Markov链的软件自适应测试策略

基于简化的受控Markov链软件自适应测试模型大多是研究如何以最小的期望成本检测并移除所有的缺陷,并在构建模型时对部分条件进行特殊化和理想化处理.针对受控Markov链软件测试模型适用范围小、效率低的缺陷,在软件控制论思想基础上,对制约条件进行了一系列新的转换,提出一种改进的、资源约束的受控Markov链模型,该模型能够在高效性、复杂性和适用性3方面达到一个平衡.根据该模型设计一种新的软件缺陷优化测试策略,再通过参数估计对优化测试策略进行在线调整的方法,以构造软件自适应测试策略.为了证明其有效,利用该模型得到的新的软件自适应测试策略进行仿真实验,进一步得到了有效结果.     

基于Tent混沌的测试用例优先级排序

针对标准粒子群算法（Particle Swarm Optimization,PSO）后期出现的早熟收敛,提出了一种基于Tent混沌的粒子群优化算法（Tent-Chaos Particle Swarm Optimization,TCPSO）用于测试用例优先级排序。首先,利用改进的Tent映射的三大特性初始化种群,使得粒子均匀分布,提高初始解的质量;并通过非线性递减的惯性权重函数对学习因子进行改进,以更新粒子速度与位置信息;其次,对陷入局部最优的粒子p_id进行混沌搜索,跳出局部最优,同时对当前种群中部分最差粒子p_iw进行混沌搜索,改善种群多样性;最后,采用测试用例的分支覆盖率和缺陷检测率作为评价标准,评判测试用例优劣程度。实验表明,提出的改进方法在分支覆盖率和缺陷检测率指标上均有优势。     

基于KCF和SIFT特征的抗遮挡目标跟踪算法

为了解决KCF目标跟踪中由于目标遮挡和目标尺度的变化造成跟踪目标丢失的问题,对核相关滤波器(KCF)目标跟踪的框架进行了研究,提出了一种基于KCF和SIFT特征的抗遮挡目标跟踪算法,引入了一种目标跟踪丢失后重新搜索定位目标的策略。利用尺度金字塔估计出目标的尺度,实现跟踪框自适应目标尺度大小,通过核相关滤波器(KCF)跟踪算法对目标进行跟踪。跟踪过程中对目标遮挡情况进行判断,当目标遮挡时,对当前帧跟踪框内的目标提取SIFT特征,生成模板特征。提取下一帧视频图像的SIFT特征并与模板特征进行匹配,框出与模板特征相匹配的目标,对目标继续进行跟踪。通过TB数据库标准视频序列和实际环境拍摄的视频序列进行测试。实验结果表明,跟踪框能适应目标的大小,在目标发生遮挡的情况下,能够重新找到目标并进行准确跟踪。     

基于自适应粒子群优化的组合测试用例生成方法

最小覆盖表生成是组合测试研究的关键问题。基于演化搜索的粒子群算法在生成覆盖表时能得到较优的结果,但其性能受配置参数的影响。针对此问题,将one-test-at-a-time策略和自适应粒子群算法相结合,以种群粒子优劣为依据对惯性权重进行自适应调整,使其在覆盖表生成上具有更强的适用能力。为进一步提升算法性能,构造了一个优先级度量函数用于度量每个组合的权值,优先选取权值最高的组合用于单条测试用例的生成。最后,编程实现该算法,并将其与原有粒子群算法在组合测试用例集生成上展开对比性实验分析,结果证实该算法在规模和执行时间上具有竞争力。     

基于广义随机Petri网的Web服务组合建模与可达性分析

针对目前Web服务组合性能分析研究中的不足,深入研究了基于构件服务的服务组合模型和Web服务组合的技术特点,提出了一种基于广义随机Petri网的Web服务组合可靠建模和可达性分析方法,提高了Web服务组合性能分析的准确性,从而更有效的指导Web服务的组合过程中构件服务的选择和系统建构的调整。     

基于分批估计的自适应加权数据融合算法

针对多传感器数据融合问题,文中提出了一种基于分批估计的自适应加权数据融合算法。该算法采用时间序列和空间序列对采集的数据分批求其方差,利用数据一致性检测对噪点进行剔除,进而得到自适应因子。随后采用自适应加权法对数据进行融合,得到预测值。文中模拟物联网数据进行仿真实验。结果表明,在处理数据时运用分批估计的自适应加权多传感器数据融合技术,能够提高传感器测量的精确度和系统的可靠性,基于分批估计的自适应加权平均法比传统自适应方法的均方根误差减少了10%,精度提高了2.3%。     

基于分频和多感受野残差密集的指静脉图像超分辨率重建

针对红外线CCD摄像头采集指静脉图像较为模糊造成指静脉识别误检率高的问题,提出了基于分频和多感受野残差密集的指静脉图像超分辨率重建方法。该方法构建了图像高低频信息处理子网络,并将RRFDB结构集成到高频子网络中,以RFB为核心的残差密集块设计提升了感受野并降低计算复杂度,更好地保留了原始指静脉图像的线状纹理特征。实验结果表明,该方法能有效改善指静脉图像质量,与SRCNN、VDSR,DRRN等超分辨率重建方法在FV-USM和MMCBNU-6000数据集上进行对比实验,该方法对指静脉特征提取效果好,重建的图像质量高,PSNR与SSIM均优于其他方法。     

基于核空间与稠密水平条带特征的行人再识别

行人再识别指的是在无重叠视域多摄像机监控系统中, 匹配不同摄像机视域中的行人目标。由于行人图像受到光照、视角和行人姿态等变化的影响,在视觉上容易形成很大的外观差异,针对上述问题,提出了一种基于核空间与稠密水平条带特征的行人再识别算法。该算法首先通过自顶向下的滑动水平条带提取每个水平条带的颜色特征和纹理特征,然后融合行人图像的多种特征,映射到核空间,最后在核空间里学习得到一个对背景、视角、姿势的变化具有鲁棒性的相似度函数,通过比较相似度来对行人进行再识别。在VIPeR和iLIDS两个行人再识别数据集上的实验结果表明,本文算法具有较高的识别率,其中Rank1(排名第1的搜索结果即为待查询行人的比率)分别达到48.2%和60.8%。