基于在线多示例学习的目标跟踪

分析了多示例学习法,研究了在线多示例学习目标跟踪技术的应用,对现有的一些方法进行了比较,并指出了今后多示例学习目标跟踪的研究方向.     

基于时空大数据与卫星图像的城市火灾风险预测

火灾事故在全世界范围内普遍存在且频繁发生。然而，针对城市火灾的风险预测研究尚在起步中。为此，提出一种针对城市火灾风险的预测模型HISS。基于多重分形维度从卫星图像中提取视觉特征，并将卫星图像的视觉特征与从历史火灾数据、气象数据、出租车流动记录、区域用电量数据和POI数据中提取的非视觉特征相融合，构成静态特征。基于静态特征对XGBoost进行预训练，并设计一种特征嵌入模块，将XGBoost的预测结果作为基准值嵌入到包含时序关系的动态特征中，通过Transformer学习火灾的时间波动模式。采用动态加权模块实现XGBoost和Transformer在模型层面的融合，进一步提升模型的性能。实验结果表明，HISS模型的确定系数R²达到了72.56%，与长短期记忆网络和门控循环单元相比R²分别提升4.25和3.92个百分点，与Lasso、随机森林和梯度提升决策树相比R²分别提升10.88、5.62和3.93个百分点，具有较优的预测性能。     

具有多个相交修复集的局部修复码的新构造

局部修复码可以通过仅访问很少的有效节点完成故障节点的修复。作为局部修复码的推广，具有可用性的局部修复码允许每个节点拥有多个不相交的修复集，这种特性对于分布式存储系统的部署非常有利，但是其中的可用性会降低其码率上界。对该类编码进行了推广，使同一节点的不同修复集可以相交较小的次数，这使得码率得以提升，并令该类编码具有负载平衡特性。将具性质较好的文献[14]提出的WZL码推广至修复集可以相交的情况，提高了码率，并且该构造的最小距离也优于文献[10]中关于此类编码的构造。     

基于像素语义信息的单图像视图生成深度预测方法

单幅图像的深度预测具有重要的应用前景。为解决现有视图生成方法中图像扭曲的问题，创新性引入目标检测思想改进了视图生成网络Deep3D,提出基于像素语义信息的单图像视图生成模型。把视图生成网络得到视差概率分布和目标检测模型提取到中心点概率分布加权结合到一起。把模型得到的视差图与输入图结合来产生右图，最后利用左右图计算得到深度图。实验结果显示，该方法有效提升了生成右图和计算得到深度图的精度。