基于密度的K-means聚类中心选取的优化算法

针对传统的K-means算法对于初始聚类中心点和聚类数的敏感问题,提出了一种优化初始聚类中心选取的算法。该算法针对数据对象的分布密度以及计算最近两点的垂直中点方法来确定k个初始聚类中心,再结合均衡化函数对聚类个数进行优化,以获得最优聚类。采用标准的UCI数据集进行实验对比,发现改进后的算法相比传统的算法有较高的准确率和稳定性。     

一种新颖的低层视觉特征到高层语义的映射方法*

通过在低层视觉特征上提取图像的局部颜色和纹理特征,再利用模糊神经网络建立低层视觉特征和高层语义特征之间的映射,实现了图像属性信息的有效传递和可靠检索.最后,为了提高检索效率,把相关反馈引进到图像检索系统中.实验证明,该方法取得了较好的检索查全率和准确率.     

一种新的动态权重更新相关反馈方法*

提出了正负相关图像所占比例与特征值的标准方差相结合来调整对应权值的方法.为了避免相关反馈的权值调整陷入局部最优状态,引入一个干扰因子,使权值跳出局部最优区域.结果表明了该方法的优越性.     

一种新型智能水表抄表系统

由抄表人员逐户查抄表的传统方式,需要消耗大量的人力、物力,且采集数据的时间跨度大,准确度低。针对此问题,文中设计了一种用于水表抄表的新型智能系统,该方式采用微处理器作为数据处理的核心平台,结合低成本的ZigBee无线组网技术与PSTN网络,来构建智能系统的通信结构,并针对ZigBee无线组网覆盖面积小的不足,设立了小区集中器,极大地拓宽了该智能抄表系统的有效覆盖区域。该智能抄表系统,不仅可以降低抄表成本,而且可以实现水表管理的集中化与智能化,具有重要的实际应用价值。     

监视图像的采集与特征值的存储检索策略

针对示例图像的监视对象，就CCD采集图像数字化后，如何快速地在示例人面图像库中检索目标的问题，提出了一种基于非等长特征值的图像描述方法，并采用类聚的邻接有序链表存储结构来存储图像特征值。实验给出了具有控制匹配算法效率的阈值M和查准率的关系表，探讨了图像匹配检索中特征值存储的一种新方法，为示例监视的快速检索研究提供了一种新的思路。     

基于内容的图像检索在智能监控系统中的应用

针对基于内容的图像检索与识别在智能监控中应用的问题，建立了基于区域划分的颜色链码，利用图像颜色的区域特征值来构成一个区域与整体的特征描述，并将它应用到捕获图像的识别。捕获的图像，通过梯度特征对来定位与检测，对获取的脸部图像进行链码特征匹配与识别，并将计算结果作为监控系统的判断与决策依据。运用这一方法的监控系统，提高了监控系统的辨别对象能力，拓展了智能监控研究领域。     

基于阶梯型特征空间分割与局部注意力机制的行人重识别

为了让网络捕捉到更有效的内容来进行行人的判别,该文提出一种基于阶梯型特征空间分割与局部分支注意力网络(SLANet)机制的多分支网络来关注局部图像的显著信息。首先,在网络中引入阶梯型分支注意力模块,该模块以阶梯型对特征图进行水平分块,并且使用了分支注意力给每个分支分配不同的权重。其次,在网络中引入多尺度自适应注意力模块,该模块对局部特征进行处理,自适应调整感受野尺寸来适应不同尺度图像,同时融合了通道注意力和空间注意力筛选出图像重要特征。在网络的设计上,使用多粒度网络将全局特征和局部特征进行结合。最后,该方法在3个被广泛使用的行人重识别数据集Market-1501,DukeMTMC-reID和CUHK03上进行验证。其中在Market-1501数据集上的mAP和Rank-1分别达到了88.1%和95.6%。实验结果表明,该文所提出的网络模型能够提高行人重识别准确率。     

基于骨架动作识别的协作卷积Transformer网络

近年来,基于骨架的人体动作识别任务因骨架数据的鲁棒性和泛化能力而受到了广泛关注。其中,将人体骨骼建模为时空图的图卷积网络取得了显著的性能。然而图卷积主要通过一系列3D卷积来学习长期交互联系,这种联系偏向于局部并且受到卷积核大小的限制,无法有效地捕获远程依赖关系。该文提出一种协作卷积Transformer网络(Co-ConvT),通过引入Transformer中的自注意力机制建立远程依赖关系,并将其与图卷积神经网络(GCNs)相结合进行动作识别,使模型既能通过图卷积神经网络提取局部信息,也能通过Transformer捕获丰富的远程依赖项。另外,Transformer的自注意力机制在像素级进行计算,因此产生了极大的计算代价,该模型通过将整个网络分为两个阶段,第1阶段使用纯卷积来提取浅层空间特征,第2阶段使用所提出的ConvT块捕获高层语义信息,降低了计算复杂度。此外,原始Transformer中的线性嵌入被替换为卷积嵌入,获得局部空间信息增强,并由此去除了原始模型中的位置编码,使模型更轻量。在两个大规模权威数据集NTU-RGB+D和Kinetics-Skeleton上进行实验验证,该模型分...     

一种新的粒子群优化聚类方法

针对K-均值聚类方法受初始聚类中心影响,容易陷入局部最优解的问题。提出了一种新的粒子群优化聚类方法,该聚类方法采用改进的交叉、变异算子,使群体粒子保持品种的多样性和优良性,减小随机初始聚类中心的影响,同时结合粒子群优化算法,增加粒子群的全局搜索能力。实验结果表明,提出的方法在稳定性和分类准确率上都有所提高。     

基于提升小波变换的图像融合新算法

给出了一种基于提升小波变换的图像融合方法,并对小波分解的不同频率域,分别采用不同的融合规则。选择低频系数时,是基于边缘的方法,选择高频系数时,把小波系数的方差与绝对值综合起来考虑来决定融合小波系数。实验结果表明,提出的方法融合效果要优于一般融合方法。