基于树修剪和多特征融合的场景文本检测

为了解决最大稳定极值区（MSER）提取过程中产生的大量重复文本区域和非文本区域难以被剔除影响算法精度的问题,提出了一种基于树修剪和多特征融合的场景文本检测方法。首先提取出边缘叠加的MSER作为文本候选区域;其次设计了一种MSER树修剪算法剔除重复文本区域;然后采用贝叶斯分类器融合多特征剔除非文本区域;最后设定了一系列相似性标准合并文本区域。ICDAR 2011数据集（f=76.8%）上的实验结果低于目前最好的算法\[19\],但算法在速度上具有明显的优势。     

基于图注意力网络字词融合的中文命名实体识别

命名实体识别指识别文本中具有特定意义的实体,是自然语言处理诸多下游任务的重要基石。在命名实体识别任务中,协同图网络（CGN）模型通过引入多个图注意力网络获得较强的知识整合能力及较高的处理速度,但CGN模型在嵌入层中没有充分利用词边界信息,且采用的传统静态图注意力网络影响了图注意力的表达能力。在对CGN模型的图注意力网络进行改进的基础上,提出一种中文命名实体识别新模型,在嵌入层融入词语的分词信息,以生成包含词边界信息的字向量,从而充分利用词边界信息。通过在编码层使用BiLSTM模型获取文本的上下文信息,采用改进后的图注意力网络提取文本特征,并通过优化传统图注意力网络中相关系数的计算方式,增强模型的特征提取能力。最后,利用条件随机场对文本进行解码,从而实现对实体的标注。实验结果表明,该模型相比CGN模型在MSRA、OntoNotes4.0、Weibo数据集上的F1值分别提升了0.67%、3.16%、0.16%,验证了其在中文命名实体识别任务上的有效性。     

基于自注意力胶囊网络的伪造人脸检测方法

当前以换脸为代表的伪造视频泛滥,给国家、社会和个人带来潜在威胁,有效检测该类视频对保护个人隐私和维护国家安全具有重要意义。为提高视频伪造人脸检测效果,基于可解释性好的胶囊网络,以Capsule-Forensics检测算法为基础,提出一种结合自注意力胶囊网络的伪造人脸检测方法。使用部分Xception网络作为特征提取部分,降低模型的参数量,在主体部分引入带注意力机制的胶囊结构,使模型聚焦人脸区域,将综合多维度的Focal Loss作为损失函数,提高模型对难分样例的检测效果。实验结果表明,与Capsule-Forensics算法相比,该方法能够减少模型参数量和计算量,在多种伪造类型数据集上均具有较高的准确率。     

基于韦伯局部算子和颜色特征的行人再识别

在视频监控中,行人再识别有着重要作用。针对当前识别精度高的行人再识别特征数值复杂、提取困难的问题,提出一种数值简单、提取速度快的融合特征。在分析韦伯局部算子差分激励和方向分量的基础上,用圆形邻域的差分激励表现图像的纹理特性,然后用Local Binary Pattern编码的方向分量表现图像边缘方向,再用HSV颜色空间直方图表现图像颜色信息,最后串联特征。实验结果表明在ETHZ、VIPeR行人再识别数据集上,该特征提取速度快,对姿态、视角、光照、身体部分被遮挡变化有强鲁棒性。     

基于TMS320C6678的语种识别并行算法设计与实现

针对语种识别在实际应用中的实时性需求,在分析语种识别算法原理和多核DSP任务并行的基础上,设计了一种基于TMS320C6678的语种识别算法并行实现方法。该方法实现了任务级并行流水和核间高效通信。实验结果表明,该方法可靠、有效,并且使该系统至少能够完成132路的实时识别任务。     

参数最小割中基于层次化融合的前景种子生成算法

参数最小割是一种常用的似物性推荐方法,主要用于在图像中快速定位物体区域。针对该类方法中容易生成大量无效前景种子影响处理效率,提出一种基于层次化融合逐级筛选的前景种子生成算法。首先,基于由颜色、纹理复杂度控制的层次化融合方法得到候选区域集;然后,从候选区域集中结合尺度变化率选出具有稳定外观的候选前景种子;最后,基于似物性分数排序,确定有效的前景种子。实验结果表明,提出的前景种子生成算法具有较高的物体发现率,将其应用于参数最小割方法中,在使用更少的种子,生成较少区域时,可达到与前沿算法相近的区域级物体定位能力。     

一种基于SVM的VoIP网关节点识别方法

针对互联网中常见的VoIP语音网关,重点从呼叫及语音数据流特征的选取出发,提出了一种基于SVM的VoIP网关节点识别方法,并利用真实网络数据对其进行了测试。结果表明,该方法能使待识别数据的时段规律和周期性得到较好体现,识别准确率高,适用于对不同VoIP的语音网关节点进行识别。     

基于自适应分层结构的压缩分布场跟踪算法

为了提高分布场跟踪算法的运算效率,增强其在复杂背景下的鲁棒性,提出基于自适应分层结构的压缩分布场跟踪算法.该方法充分考虑目标区域像素值分布情况,引入k-means算法对首帧标记的目标区域进行聚类分析,根据聚类结果自适应的产生分布场结构.针对分布场模型维数较高的缺点,融合压缩感知方法对分布场进行压缩,降低模型维数,提高算法效率.此外,改变原始分布场跟踪算法采用的局部搜索跟踪策略,利用随机抽样的方式来提高算法跟踪精度.实验结果表明,提出的算法与当前流行的跟踪算法相比,具有更好的表现.     

基于因子图模型的动态图半监督聚类算法

针对动态图的聚类主要存在着两点不足:首先, 现有的经典聚类算法大多从静态图分析的角度出发, 无法对真实网络图持续演化的特性进行有效建模, 亟待对动态图的聚类算法展开研究, 通过对不同时刻图快照的聚类结构进行分析进而掌握图的动态演化情况.其次, 真实网络中可以预先获取图中部分节点的聚类标签, 如何将这些先验信息融入到动态图的聚类结构划分中, 从而向图中的未标记节点分配聚类标签也是本文需要解决的问题.为此, 本文提出进化因子图模型(Evolution factor graph model, EFGM)用于解决动态图节点的半监督聚类问题, 所提EFGM不仅可以捕获动态图的节点属性和边邻接属性, 还可以捕获节点的时间快照信息.本文对真实数据集进行实验验证, 实验结果表明EFGM算法将动态图与先验信息融合到一个统一的进化因子图框架中, 既使得聚类结果满足先验知识, 又契合动态图的整体演化规律, 有效验证了本文方法的有效性.     

垃圾网络电话检测技术研究

为了对电信网中的垃圾网络电话（SPIT）进行有效的检测,解决该项技术应用中面临的检测精度和检测效率之间的矛盾,基于SPIT呼叫的典型特征,提出了一种粗过滤和精判别相结合的检测方法。基于语音激活检测（VAD）对疑似SPIT进行快速筛选,基于支持向量机通过语音特征对SPIT进行精确识别。仿真实验结果表明,该方法计算代价小、检测效果好、实时性高,并且随着检测语音长度的增加,该方法的检测精度和实时倍率都有所增长。