基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。     

结合边缘特征先验引导的深度卷积显著性检测

针对当前基于深度学习的显著性检测算法缺少利用先验特征和边缘信息，且在复杂场景中难以检测出鲁棒性强的显著性区域的问题，提出了一种结合边缘特征，利用先验信息引导的全卷积神经网络显著性检测算法。该算法利用三种被经常用到的先验知识结合边缘信息形成先验图，通过注意力机制将提取的先验特征与深度特征有效融合，最终通过提出的循环卷积反馈优化策略迭代地学习改进显著性区域，从而产生更可靠的最终显著图预测。经过实验定性定量分析，对比证明了算法的可靠性。     

基于统计软件R的安全壳泄漏率试验数据有效性分析

安全壳泄漏率计算过程中，最重要的环节是以不同时刻测量数据对时间进行线性回归分析。对回归的显著性检验以及方差分析是评价试验结果有效性的重要手段。本文基于统计软件R对某电厂调试阶段安全壳泄漏率试验的数据进行分析，通过对线性回归模型的独立性、正态性和异方差性检验以及极端样本点的剔除等方式，探讨泄漏率计算前的回归诊断对计算结果可靠性的影响。通过回归诊断的实例分析发现，在安全壳泄漏率计算的数据样本中，可能存在自相关、非正态和异方差性等问题影响回归结果，进而影响泄漏率的最终结果。因此，在计算泄漏率结果时，须通过回归诊断方法评价数据的有效性，对不能通过检验的样本应通过适当方法对最终结果进行修正。