基于深度运动轨迹信息的人体动作描述算法

受到dense轨迹特征的启发,本文提出了基于深度运动轨迹信息的动作描述算法, 首先,利用稠密光流场对L帧深度视频提取稠密(dense)兴趣点并 形成稠密轨迹,其次,利用轨迹前后兴趣 点的深度信息计算深度变化值,并将它加入到稠密轨迹和HOG描述算子的计算中;再次,在 整个数据集上, 计算所有动作的平均深度变化值并利用它判断每类动作的深度信息变化情况;最后,根据深 度信息变化剧 烈程度选择不同的码书,对视频样本进行投影并分类。在两个公开深度动作数据集DHA -17和UTkinect 上进行了实验,实验结果表明基于深度运动轨迹信息的动作描述算法具有较好的区分性和鲁 棒性,其性能与一些先进的且具有代表性的算法具有可比性。     

一种新的多尺度深度学习图像语义理解方法研究

如何在深度学习中融合 图像的多尺度信息,是基于深度学习的视觉算法需要解决的一个关键问题。本文提出一种基 于多尺度交替 迭代训练的深度学习方法,并应用于图像的语义理解。算法采用卷积神经网络(CNN)从原始 图像中提取稠密性特征 来编码以每个像素为中心的矩形区域,将多个尺度图像交替迭代训练,能够捕获不同尺度下 的纹理、颜色和 边缘等重要信息。在深度学习提取特征分类结果的基础上,提出了一种结合超像素分割的方 法,统计超像 素块的主导类别,来校正分类错误的像素类别,同时描绘出目标区域边界轮廓,完成最终的 语义理解。在Stanford Background Dataset 8类数据集上验证了本文方法的有效性,准确 率达到77.4%。     

一次隆重的稀土界盛会即将召开

为加强稀土生产和应用企业、科研、贸易、管理部门间的联系,深入开展创稀土名优产品活动,增强我国稀土产品在国际市场上的竞争能力,促进我国稀土事业向更深层次发展,经全国稀土办同意,由中外产品报社和全国稀土情报网联合发起,将于8月10日～14日在北戴河举办“第一届稀土开发应用订货洽谈会暨中国第三届稀土企业家联谊会”。     

稀土学会及稀土金属情报网部分会议活动预报

86年3季度将在江苏杨州召开“稀土在铸钢中应用科研会”,会议联系人包头稀土研究院高振寰。拟于86年7～8月份在包头召开“稀土火法冶金学术会”,会议联系人包头包钢稀土一厂任助臣。     

介绍日本稀土事业的先驱者——盐川二郎

盐川二郎是日本大阪大学教授,现任日本稀土研究会会长。是日本从事稀土研究有贡献的先驱者和组织者。他从事稀土研究工作是多方面的。在制取高纯稀土方面,他从事过从处理原矿、到分离提取、金属冶炼等研究,他的研究促进了打火石工业化的发     

一种基于双重分割的立体匹配算法

立体匹配通过计算同一场景不同视点下图像的匹配像素的视差,恢复场景的深度信息.文中对传统的基于分割的立体匹配算法进行改进,提出了一种基于双重分割的立体匹配算法.首先对参考图像进行颜色欠分割,使每个区域包含足够的信息进行平面拟合;然后对初始匹配视差图进行分割,检测颜色分割中的欠分割区域并进行再分割,进而对再分割后的区域进行平面拟合;最后利用合作算法对不可信区域优化,以提高匹配算法的运行效率.Middlebury标准图像测试集上的实验结果表明,相对于传统分割算法,该算法时间开销更少、匹配精度更高.     

基于OFDM的协作通信系统的资源分配研究

为了在OFDM的协作通信系统中能够充分利用无线频谱资源,将携能无线通信和中继技术相结合,把认知中继的子载波分为两部分(一部分用于自身的信息传输,另一部分用于主用户的数据转发),并用分支定界法优化了最大次用户网络吞吐量.实验表明,优化后的最大化次用户网络的吞吐量明显优于填充式认知无线电和下垫式认知无线电,频谱资源也得到了充分的利用.     

基于辛几何迁移矩阵机的滚动轴承故障诊断方法

针对工程实践中获得的滚动轴承故障数据较少且包含大量噪声的问题,提出一种辛几何迁移矩阵机(SGTMM)的滚动轴承故障诊断方法。首先,利用辛几何相似变换重构辛几何系数矩阵,在保护信息结构的同时完成信号的降噪,有效提取信号的特征信息;然后,在SGTMM的目标函数中添加域权重差异项,通过最小化该项寻找不同域之间的相似特征以平衡模型间的差异,使得预测模型具有小样本分析能力;最后,利用交替方向乘子法求解模型,解决目标函数凸优化问题。2种滚动轴承故障试验结果表明,SGTMM利用辛几何相似变换和域权重差异项不仅可以保护原始信号结构化信息不变,而且能够充分利用小样本的状态信息,与支持向量机、支持矩阵机和鲁棒支持矩阵机相比,SGTMM具有优越的分类性能,平均识别率提高5%～10%。     

一种鲁棒的基于在线boosting目标跟踪算法研究

在线boosting的优点在于将跟踪问题看做分类问题,并且根据目标的变化实时选择相应的目标特征来进行跟踪。但该方法存在的主要问题是由于遮挡等情形的存在,目标特征的每次变换可能引入少量错误,长时间执行后,错误的积累将导致跟踪位置的漂移。实验发现,在线boos-ting方法中选择器权重在全局中的传递导致了漂移的发生,而现实跟踪问题中遮挡时只影响局部区域,而不是全局区域。对于这个问题,本文提出了结合在线boosting和分块的方法来解决这个问题。此boosting算法中选择器权重的变化仅在本块中,而不是全局传递,从而避免了错误在全局的累积,进而避免了漂移问题的产生。本文的方法通过跟踪各种目标视频序列实验表明,即使对于严重遮挡也具有很强的鲁棒性,同时也能实时的跟踪目标,即每秒跟踪目标量超过10个。     

基于层级化匹配的视图变形算法

为了提高基础矩阵的准确性和改善视图变形的视觉效果,提出一种基于层级化匹配的视图变形算法.首先对左右视图进行SIFT特征提取并使用传统的基于欧式距离的匹配算法进行粗匹配,然后使用基于局部结构的图匹配算法对粗匹配得到的匹配点对进行细匹配,最后使用细匹配得到的匹配结果计算基础矩阵,并通过视图变形算法合成虚拟视图.实验结果表明,少量的误匹配点对对视图变形的视觉效果有较大的影响,同时所提出的层级化匹配方法能够提高匹配的准确率,使计算得到的基础矩阵更加准确、虚拟视图的视觉效果获得了改善.