结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。     

基于DirectX的动量定理仿真系统的设计和实现

提出了一种基于DirectX的实时双缓冲图形系统的实现方法,并将其应用于质系动量定理的仿真系统的设计中。通过构造出质系动量系统碰撞模型和采用线性编址双缓冲图形绘制技术,实现了质系动量定理的实时仿真。仿真结果较好地满足了质系动量定理的试验仿真要求。     

应用RBAC技术实现MIS用户权限管理的统一

针对管理信息系统中存在的客户端应用系统和服务器端数据库系统用户权限管理不统一的问题，提出了一种应用RBAC技术的解决方案，通过对用户、角色和权限的定义和管理，结合存储过程技术，实现了前后台用户权限的统一和动态的管理。     

基于九叉树分割的曲面片上点的快速反解算法

本文针对曲面造型中，“由参数样条曲面上点的笛卡尔坐标，反求其对应参数”的反解问题，提出了一种通过曲面快速分割来逼近最终解的快速、简单、可靠的反解算法；并以Ｂ样条参数曲面为例，介绍了算法的实现过程。     

绝缘子等级评定中水珠图像检测方法的研究及其应用

在绝缘子等级评定的喷水等级法中采用数字图像处理时,由于其水珠图像检测的关键技术不成熟导致等级评定存在误差.通过改进算法,在霍夫变换检测水珠前先判定光照方向去除图像噪音和误差较大的水珠后,再进行检测和拟合.实验表明,等级评定较准确.     

基于JPEG2000的任意形状ROI编码方法研究

介绍JPEG2000感兴趣区域编码技术的基本原理和编码方法,比较一般移位法和最大移位法,提出一种新的基于JPEG2000的任意形状感兴趣区域(ROI)编码方法GPBShift,它结合了两种标准ROI编码算法的优点.     

基于残差的门控循环单元EI北大核心CSCD

传统循环神经网络易发生梯度消失和网络退化问题.利用非饱和激活函数可以有效克服梯度消失的性质,同时借鉴卷积神经网络中的残差结构能够有效缓解网络退化的特性,在门控循环神经网络(Gated recurrent unit,GRU)的基础上提出了基于残差的门控循环单元(Residual-GRU,Re-GRU)来缓解梯度消失和网络退化问题.Re-GRU的改进主要包括两个方面:1)将原有GRU的候选隐状态的激活函数改为非饱和激活函数;2)在GRU的候选隐状态表示中引入残差信息.对候选隐状态激活函数的改动不仅可以有效避免由饱和激活函数带来的梯度消失问题,同时也能够更好地引入残差信息,使网络对梯度变化更敏感,从而达到缓解网络退化的目的.进行了图像识别、构建语言模型和语音识别3类不同的测试实验,实验结果均表明,Re-GRU拥有比对比方法更高的检测性能,同时在运行速度方面优于Highway-GRU和长短期记忆单元.其中,在语言模型预测任务中的Penn Treebank数据集上取得了23.88的困惑度,相比有记录的最低困惑度,该方法的困惑度降低了一半.     

基于多尺度分割的图像识别残差网络研究

深度卷积神经网络能够解决复杂的计算机视觉问题,被广泛应用于图像识别任务中。在基于深度卷积神经网络的图像识别过程中,增加网络的深度和宽度能够产生丰富的特征信息,使用多尺度分割方法能够有效减少冗余的特征信息。然而,增加网络的深度和进行多尺度分割都会影响识别速度。如何在保证精度的同时提高识别速度,成为设计高效网络的关键问题。通过增加网络宽度的方法对ResNet残差网络进行改进,在保证精度的基础上提升识别速度。使用ResNet-D中的残差结构并减少网络长度,得到长度只有7层的残差网络,同时对HS-ResNet中的多尺度分割方法进行优化,只保留最后一次连接合并操作,得到图像识别残差网络SSRNet。在CIFAR 10和CIFAR 100数据集上的实验结果显示,SSRNet速度最高较ResNet网络提升7倍多,同时错误率最高下降8.81%,表明缩短网络长度可大幅加快图像识别速度,同时结合多尺度分割方法能够有效提升识别精度。     

基于YOLOv5s的航拍小目标检测改进算法研究

针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision, mAP)达到了39.01%,相比YOLOv5s提高了6.26%。