高精度AD转换器AD7705／06在单片机数据采集系统中的应用

介绍了AD7705转换器件的基本应用方法及在单片机数据采集系统中的具体应用，提供了原始程序清单，在对器件进行详细分析的基础上，给出了与模拟开关相结合在单片机系统下的应用，得出了正确应用模拟开关与此类AD转换器的方法，分析了容易产生的错误现象及原因，总结了应用中的注意事项。     

基于FPGA的高速浮点FFT的实现研究

研究了利用FPGA实现浮点FFT的技术,提出了一种循环控制、RAM访问和蝶形运算三大模块以流水线方式协同工作的方案,结合数据缓冲和并行处理技术,讨论了蝶形运算单元的工作机制。浮点乘法器采用并行Booth编码和3级Wallace压缩树的结构,浮点加法器中采用独立的定点加法器和减法器,使运算得以高速进行。RAM读/写时序和运算参数都可利用寄存器设置。本设计已在Cyclone-Ⅱ系列芯片EP2C8Q208中实现,200MHz主频下,采用外部RAM,完成1024点复数FFT只需750μs。     

Re-GAN：残差生成式对抗网络算法

目的 生成式对抗网络（generative adversarial network,GAN）是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。另外,随着网络层数的增加,参数变多,反向传播变得困难,出现训练不稳定和梯度消失等问题。针对上述问题,基于残差网络（residual network,ResNet）和组标准化（group normalization,GN）,提出了一种残差生成式对抗网络（residual generative adversarial networks,Re-GAN）。方法 Re-GAN在生成模型中构建深度残差网络模块,通过跳连接的方式融合上级网络学习的特征,增强生成图像的多样性和质量,改善反向传播过程,增强生成式对抗网络的训练稳定性,缓解梯度消失。随后采用组标准化（GN）来适应不同批次的学习,使训练过程更加稳定。结果 在Cifar10、CelebA和LSUN数据集上对算法的性能进行测试。Re-GAN的IS （inception score）均值在批次为64时,比DCGAN （deep convolutional GAN）和WGAN （Wasserstein-GAN）分别提高了5%和30%,在批次为4时,比DCGAN和WGAN分别提高了0.2%和13%,表明无论批次大小,Re-GAN生成图像具有很好的多样性。Re-GAN的FID （Fréchet inception distance）在批次为64时比DCGAN和WGAN分别降低了18%和11%,在批次为4时比DCGAN和WGAN分别降低了4%和10%,表明Re-GAN生成图像的质量更好。同时,Re-GAN缓解了训练过程中出现的训练不稳定和梯度消失等问题。结论 实验结果表明,在图像生成方面,Re-GAN的生成图像质量高、多样性强;在网络训练方面,Re-GAN在不同批次下的训练具有更好的兼容性,使训练过程更加稳定,梯度消失得到缓解。     

基于深度学习的显著性目标检测综述

随着深度学习的不断发展,基于深度学习的显著性目标检测已经成为计算机视觉领域的一个研究热点。首先对现有的基于深度学习的显著性目标检测算法分别从边界/语义增强、全局/局部结合和辅助网络三个角度进行了分类介绍并给出了显著性图,同时对三种类型方法进行了定性分析比较;然后简单介绍了基于深度学习的显著性目标检测常用的数据集和评估准则;接着对所提基于深度学习的显著性目标检测方法在多个数据集上进行了性能比较,包括定量比较、P-R曲线和视觉比较;最后指出现有基于深度学习的显著性目标检测方法在复杂背景、小目标、实时性检测等方面的不足,并对基于深度学习的显著性目标检测的未来发展方向,如复杂背景、实时、小目标、弱监督等显著性目标检测进行了探讨。     

基于Hessian半监督特征选择的网络图像标注

针对半监督特征选择算法进行了研究,采用有标签图像和无标签图像的半监督特征选择方法来提升网络图像标注的性能。基于二阶Hessian能提出一个新的半监督特征选择方法,该方法具有更好的局部拓扑结构保持特性和推断能力,从而能够克服基于图拉普拉斯半监督学习方法的缺点。将所提出的半监督特征选择算法应用到网络图像标注任务中,在两个大规模网络图像数据库上进行了实验,结果表明Hessian半监督特征选择方法优于拉普拉斯半监督特征选择方法,适合大规模网络图像标注。     

基于CPLD的HDTV图像测试信号发生器设计

以CPLD为核心器件实现了符合我国高清数字电视视频信号接口参数标准的HDTV图像测试信号发生器的设计,对系统基本原理、CPLD内部逻辑功能设计和硬件构成进行了详细介绍.系统采用MAX+PLUS II软件进行编译、仿真,性能稳定.采用CPLD简化了电路的设计,易于功能扩展.     

“数字图像处理”课程教学改革与实践

"数字图像处理"课程具有内容宽泛、难度大、与其他课程和实际联系紧密等特点。从教学内容、教学手段和方法等方面出发,提出教改措施,结合课程特点和实际教学经验,对教学内容整合完善,传统与现代教学手段并用,多种教学方法协同互补,如启发性教学、研究性教学和讨论性教学等,经过教学实践取得了很好的教学效果。     

利用构造导向滤波技术识别复杂断块圈闭

构造导向滤波的实质是针对平行于地震同相轴信息的一种平滑操作,这种平滑操作不超出地震反射的终止形式(断层),其目的是沿着地震反射界面的倾向和走向,利用有效滤波方法去噪,增加同相轴的连续性,提高同相轴终止处(断层)的侧向分辨率,保存或改善断层的尖锐性;在构造导向滤波处理后的地震数据体上进行相干属性计算,可突显小断层。本文针对B盆地R构造断裂发育,构造复杂,断层解释和断层组合困难的特点,采用构造导向滤波技术对地震数据进行处理,再以处理后的地震数据体为基础,应用相干体分析技术,新识别出小断层30多条,重新落实10个复杂圈闭,并按断块圈闭进行井位部署,取得了较好的地质效果。     

多尺度特征金字塔网格的显著性目标检测

现有算法所提取的语义信息还不够丰富,影响了显著性目标检测的性能．因此,提出了一种多尺度特征金字塔网格模型来增强高层特征包含的语义信息．首先,采用特征金字塔网格结构对高层特征进行增强;其次,采用金字塔池模块对最高层特征进行多尺度操作;最后,引入非对称卷积模块,进一步提高算法性能．所提模型与其他14种显著性目标检测算法在4个数据集上进行了比较,实验结果表明所提算法能够有效提升著性目标检测的性能,特别是在复杂场景下效果更加明显．     

基于结构化多视图稀疏限定的 监督特征选择算法研究

为了有效利用多视图数据信息提升监督特征选择的性能,构建了一种结构化多视 图稀疏限定,并基于该稀疏限定提出了一种监督特征选择方法,即结构化多视图监督特征选择 方法(SMSFS)。该方法在特征选择过程中能够同时考虑不同视图特征的重要性以及同一视图中 不同特征的重要性,从而有效的结合多视图数据信息,提升监督特征选择的性能。SMSFS 目标 函数是非凸的,设计了一个有效的迭代算法对目标函数进行求解。将所提结构化多视图监督特 征选择方法 SMSFS 应用到了图像标注任务,在 NUS-WIDE 和 MSRA-MM2.0 图像数据库上进 行了实验,并与其他特征选择算法进行了比较,实验结果表明该算法能够有效结合多视图数据 信息,提升特征选择性能。