信息处理中有效维持动态有序集的新方法

文中研究了信息搜索及信息处理领域中的一个重要问题,就是如何有效地维持关键字为位串的动态有序集,以支持查找、加入、删除、求最值等操作.基于前人的研究成果,我们提出了一种性质更为完备的二叉树(RBT,rich binary tree).它同时具备二叉搜索树和数字查找树的性质;并且,所有结点都保存了它与祖先结点中次大者和次小者的最高差别位.于是,动态有序集的维持转化为对树结点的动态操作并且保证RBT的性质不变.该方法的最坏复杂度是O(L),其中L是关键字的字长.因为一般对象在计算机中都是以二进制形式存储的,所以该方法具有明显的应用潜力及可观的经济效益.文中的RBT可视为一种通用的数据结构,可以非常高效地解决与序有关的问题,比如查找、排序和维持优先队列等.例如,实验证明对于长关键字的排序,我们的算法基本上线性增长,优于快速排序,而且支持常数时间的动态插入和动态删除.     

基于分层学习的三维模型兴趣点提取算法

针对基于学习的三维模型兴趣点提取问题,提出一种兴趣点分层学习的全监督算法.提取三维模型表面所有顶点的特征向量后,将人工标注的兴趣点分为稀疏点和密集点,对于稀疏点使用整个三维模型进行神经网络训练,对于密集点则找出兴趣点分布密集的区域进行单独的神经网络训练;然后对2个神经网络进行特征匹配,得到一个用于三维模型兴趣点提取预测的分类器.测试时,提取新输入的三维模型上所有顶点的特征向量,将其输入到训练好的分类器中进行预测,应用改进的密度峰值聚类算法提取兴趣点.算法采用分层学习的策略,解决了传统算法在模型细节处难以准确提取密集兴趣点的问题.在SHREC’11数据集上的实验结果表明,与传统算法相比,该算法提取兴趣点的准确率更高,出现的遗漏点和错误点更少,对解决越来越精细的三维模型的兴趣点提取问题有较大帮助.     

基于权重能量自适应分布的三维形状分割算法

针对三维形状分割问题,提出一种引入权重能量自适应分布参与深度神经网络训练的全监督分割算法.首先对三维形状表面进行过分割得到若干小块,提取每一个小块的特征描述符向量作为神经网络的输入,计算权重能量自适应分布,将经过加权后的分割标签作为神经网络的输出,训练深度神经网络.对于新的未分割的三维模型,提取模型表面三角面片的特征向量后输入到神经网络中进行预测分割后,对预测分割的边缘进行修整得到分割结果,实现三维模型的自动分割.在普林斯顿三维模型分割数据集上的实验结果表明,算法通过在训练过程中引入权重能量自适应分布,可以大幅降低神经网络训练时的均方误差,提高神经网络预测结果的准确率;与传统算法相比,该算法具有高准确率、强鲁棒性、强学习扩展能力等优点.     

二维形状的热核特征及其在分类问题中的应用

为了在二维形状上寻求具有不变特征的形状描述,从三维的角度考察二维物体的形状信息,提出基于热核的形状分类算法.首先对原始物体的边界进行采样,并将内部区域三角化;然后通过优化的方法,把二维形状转化为表面光滑且封闭的三维网格曲面;最后提取三维模型表面的热核特征,利用词袋模型得到物体的特征向量,最终实现物体的形状分类.在MPEG-7与Animal Shapes数据库上的实验结果表明,与传统算法相比,该算法分类的准确率更高,鲁棒性更强.     

密度函数驱动的度量重构及其应用

一般情况下,以密度函数作为权重的带权测地距离并不满足严格的三角不等式,给诸多几何问题的解决带来了一定的困难.为此,提出一种基于密度函数重构非退化度量的鲁棒算法.该算法将给定密度函数与网格曲面的缺省密度场相结合重设网格曲面的边长,并保证每个三角形的新边长仍然满足三角不等式;然后使用精确的测地线算法计算任意两点之间的带权测地距离.实验结果表明,文中算法以平均曲率作为密度函数重构度量,在自适应采样与重新网格化问题上得到了高质量的结果,展示了该算法的有用性和有效性.     

概率加权测地距离的脑部MR图像超像素分割

超像素是一种重要的图像过分割,因为医学图像具有边界模糊、不同组织的灰度范围互相重叠的特点,为超像素分割带来极大困难.针对脑部MR图像超像素生成问题,从脑部MR图像的特点出发,充分利用脑部MR图像表达先验知识,结合脑部MR图像的一般结构,定义每个像素属于脑组织中一个类别的概率,并基于分类概率提出一种有效的边界梯度计算方法;在此基础上,提出一种概率密度加权的测地距离脑部MR图像超像素分割算法;最后应用模糊C均值聚类算法作为后续分割处理,获得脑部MR图像的组织分类.与现有算法在分割性能上进行定量比较的实验结果表明,文中算法能够产生更准确的分割边界.     

结合DBSCAN聚类的室内场景分割

针对RGB-D图像具有丰富的三维几何特征,复杂度高这一具有挑战性的难题,提出一种针对室内场景RGB-D图像的分割算法.首先,经过RGB-D图像过分割生成超像素,并基于超像素之间的距离度量测量超像素之间的相似性;然后,采用DBSCAN算法将具有相似的颜色信息和几何信息的超像素聚类到一个分类中.在该聚类过程中,通过限制扩散区域来降低计算复杂度.在室内场景RGB-D图像库上大量实验结果表明,文中算法分割精确度和速率均超过了其他算法,证明了其高效性和准确性.     

扰动C半群的紧性

讨论了 C半群 {T( t) }t≥ 0 在有界线性算子 (或正算子 ) B的扰动下生成的拢动 C半群{S( t) }t≥ 0 的紧性 ,得到了 S( t) - T( t)是最终紧的一个充分条件     

测地环的实时计算与交互选择

针对测地环在模型分割等应用中的实时性和交互易用性的要求,提出一种基于测地环与测地Morse-Smale鞍点之间的内在联系的快速测地环算法.首先利用快速前进法计算以曲面上给定点为源点的测地距离场;然后对于距离场中的每一个测地Morse-Smale鞍点,追踪出其对应的测地环;最后给出2种测地环交互的方式:借助人工交互选出与笔画轨迹最匹配的测地环,基于与模型凹陷特征的匹配程度自动选出最佳测地环.通过大量的实验结果,展示了该算法的有效性和有用性.     

面向人体动作识别的局部特征融合时间卷积网络

针对3D人体骨架序列动作识别这一问题,提出了一种结合了局部特征融合的时间卷积网络方法.首先,对一个动作中整个骨架序列的所有关节点的空间位置变化进行建模,提取其骨架序列的全局空间特征;然后,根据人体关节点及连接关系的拓扑结构将全局空间特征划分为人体局部空间特征,并将得到的局部空间特征分别作为对应TCN的输入,进而学习各关节内部的特征关系;最后,对输出的各部分特征向量进行融合,学习各部分关节之间的协作关系,从而完成对动作的识别.运用该方法在当前最具挑战性的数据集NTU-RGB+D进行了分类识别实验,结果表明,与已有的基于CNN,LSTM以及TCN的方法相比,其在对象交叉(cross-subject)和视图交叉(cross-view)的分类准确率上分别提高到了79.5%和84.6%.