基于影响函数的跨领域小样本的行人重识别方法

在行人重识别领域,如何快速在一个新城市进行行人重识别系统的部署为行人重识别领域带来了巨大的挑战。一般情况下,在新城市中没有足够的标注数据来训练一个强大的行人重识别模型,只能依赖少量由目击者提供的罪犯照片。首次对该实际应用场景进行正式研究,将其定义为跨领域小样本行人重识别问题,并仔细讨论分析其与现有行人重识别场景的异同。随后,提出一种基于影响函数的样本权重法来指导模型的训练,并在三个公开数据集Market、Duke和CUHK上对方法进行实验对比。实验结果表明,该方法可以有效地处理不同数据集之间的偏置,性能也超过了已有的方法。     

无线传感器网络中受时间窗限制的移动充电调度算法

对于能量受限的无线传感器网络而言,移动充电是一个迫切需要解决的关键问题。针对已有工作认为节点一旦有能量消耗就需要进行充电这一不合理的假设,提出了一种受时间窗限制的移动充电调度算法ScheduleAlgorithm。该算法将移动充电问题转化为受时间窗约束的车辆多路径问题,同时通过增加虚拟点的方式将多路径转化为单路径问题,从而选择适当的时间来为每个传感器节点进行充电。仿真结果表明,ScheduleAlgorithm算法比HηClusterCharging(β)算法表现出了明显的优势。     

基于智能手机精确车辆速度估算研究*

随着智能手机的普及,旨在利用智能手机加速度传感器估算车辆速度,通过实际的测量,发现用手机加速度传感器测得的数据与真实值存在明显误差。从理论上分析手机加速度传感器误差对车辆速度估算的影响,提出一种车辆在运动状态下,手机传感器误差分布确定的算法;进而提出了基于卡尔曼滤波算法手机传感器误差矫正的方法。通过矫正后的数据,获得了更高精度的车辆速度估计值。实验结果表明,该手机传感器误差矫正方法在车辆运动状态下能较好矫正手机加速度传感器误差,并且车辆速度估计误差在２．１ｍ／ｓ以下。     

求解二次指派问题的最优迭代最大最小蚂蚁算法

为提高二次指派问题的求解质量,设计了一个有效的最大最小蚂蚁求解算法。首先,运用最优迭代思想,让每只蚂蚁从当前最优路径中随机地选择位置及其对应的任务作为下一轮迭代的初始值,增强每轮搜索的有效性;其次,采用加入新任务后目标值的增量作为启发式因子来引导状态转移,增加每步搜索的目的性;然后,应用多精英策略来进行信息素更新,增加解的多样性;并设计有效的双重变异技术来提高解的质量,提高算法的收敛速度;最后,应用QAPLIB数据集进行了大量实验,结果表明:该算法在二次指派问题的求解质量和稳定性上显著优于其他算法。     

基于端到端句子级别的中文唇语识别研究

近年来，随着深度学习的广泛应用，唇语识别技术也取得了快速的发展.与传统的方法不同，在基于深度学习的唇语识别模型中，通常包含使用神经网络对图像进行特征提取和特征理解两个部分.根据中文唇语识别的特点，将识别过程划分为两个阶段——图片到拼音（P2P）以及拼音到汉字（P2CC）的识别.分别设计两个不同子网络针对不同的识别过程，当两个子网络训练好后，再把它们放在一起进行端到端的整体架构优化.由于目前没有可用的中文唇语数据集，因此采用半自动化的方法从CCTV官网上收集了6个月20.95GB的中文唇语数据集CCTVDS，共包含14 975个样本.此外，额外采集了269 558条拼音汉字样本数据对拼音到汉字识别模块进行预训练.在CCTVDS数据集上的实验结果表明，所提出的ChLipNet可分别达到45.7%的句子识别准确率和58.5%的拼音序列识别准确率.此外，ChLipNet不仅可以加速训练、减少过拟合，并且能够克服汉语识别中的歧义模糊性.