复杂交通环境下多层交叉融合多目标检测

针对目前复杂交通环境下还存在多目标检测精度和速度不高等问题,以特征金字塔网络(Feature Pyramid Network, FPN)为基础,提出了一种多层融合多目标检测与识别算法,以提高目标检测精度和网络泛化能力。首先,采用ResNet101的五层架构将空间分辨率上采样2倍构建自上而下的特征图,按照元素相加的方式将上采样图和自下而上的特征图合并,并构建一个融合高层语义信息与低层几何信息的特征层;然后,根据BBox回归存在训练样本不平衡问题,选择Efficient IOU Loss损失函数并结合Focal Loss提出一种改进Focal EIOU Loss;最后,充分考虑复杂交通环境下的实际情况,进行人工标注混合数据集进行训练。该模型在KITTI测试集上的平均检测精度和速度比FPN分别提升了2.4%和5 frame/s,在Cityscale测试集上平均检测精度和速度比FPN提升了1.9%和4 frame/s。     

基于卷积神经网络的跨层融合边缘检测算法

针对目前边缘检测算法因过于依赖全连接层,使得边缘线条粗糙,且损失函数设定不当,造成梯度消失和大量主要特征信息丢失等问题,提出了基于卷积神经网络的交叉融合边缘检测算法.该算法利用1×1多卷积核的梯度方式来降维,完成横纵向图像低级与高级特征对象的采集;然后通过自上而下和自左向右循环卷积流向方式,保证每层的损失函数可以较平稳地前向和反向传播;最后利用跨层交叉融合对图像边缘特征进行细化.实验结果表明,该算法在伯克利大学数据集(BSDS500)上最优数据集规模(ODS)F-measure为0.806,接近人类平均视觉感知.     

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程，是计算机视觉领域研究热点，也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来，针对边缘轮廓线过粗以及检测精度不高等问题，业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状，首先，介绍了传统边缘检测的实现理论及方法；然后，总结了近年来基于深度学习的主要边缘检测方法，并依据实现技术对这些方法进行了分类，对其涉及的关键技术进行分析，发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较，可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集规模（ODS）经过多年研究从0.598提高到了0.828，接近人类视觉水平。最后，展示了边缘检测算法研究的发展方向。     

一种避免拥塞的片上网络通信协议

为了平衡通信协议的自适应性和性能,提出一种避免拥塞的片上网络通信协议.该通信协议采用区分服务和自适应路由算法,区分服务提供不同等级数据流的质量保证型服务,自适应路由算法是一种避免拥塞的无死锁路由算法.通过OPNETM odeler建模仿真,结果表明该协议极大地改善了网络的平均链路利用率和端到端延迟.     

一种新的分级扭Torus结构RTTM

针对互连网络中长方形Torus链路利用率低和负载不匀衡问题,提出了一种新的分级互连网络结构RTTM.该拓扑结构分为N级,第1级由2m×2m个节点的 Mesh拓扑结构构成,第2级到第N级由a×2a个节点的长方形扭Torus拓扑结构以递归方式连接而成.RTTM结构具有网络直径短、平均距离小以及良好的扩展性等特点.通过OPNET建模与仿真,结果表明RTTM拓扑结构链路利用率高,端到端延迟小,吞吐量大.     

基于OPNET的分级扭Torus结构的设计与实现

对互连网络中Torus拓扑结构的链路利用率低和负载不匀衡问题,本文提出了一种新的分级互连网络结构——RTTM网络拓扑结构。该拓扑结构分为N级,第1级由2m×2m个节点的Mesh拓扑结构构成,第2级到第N级由a×2a个节点的长方形扭Torus拓扑结构以递归方式连接而成。本文在OPNET的建模环境下分别完成了RTTM网络拓扑结构的两级建模,第一级由4×4个节点的Mesh拓扑结构构成,第二级由4×8个节点的扭Torus拓扑结构构成。仿真结果表明RTTM网络拓扑结构链路利用率高,端到端延迟小,吞吐量大。     

基于深度学习的图像边缘检测算法综述

边缘检测是将图像中的突变的重要信息提取出来的过程，是计算机视觉领域研究热点，也是图像分割、目标检测与识别等多种中高层视觉任务的基础。近几年来，针对边缘轮廓线过粗以及检测精度不高等问题，业内提出了谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。为了使更多研究者了解边缘检测的研究现状，首先，介绍了传统边缘检测的实现理论及方法；然后，总结了近年来基于深度学习的主要边缘检测方法，并依据实现技术对这些方法进行了分类，对其涉及的关键技术进行分析，发现对多尺度多层次融合与损失函数的选择是重要的研究方向。通过评价指标对各类方法进行了比较，可知边缘检测算法在伯克利大学数据集（BSDS500）上的最优数据集规模（ODS）经过多年研究从0.598提高到了0.828，接近人类视觉水平。最后，展示了边缘检测算法研究的发展方向。     

一种片上网络自适应路由算法仿真与验证

针对片上网络的死锁问题,提出一种片上网络自适应路由算法--虚拟网络(VN)路由算法,该算法根据报文源地址和目的地址将网络分成4个虚拟网络.一旦报文在某个给定的虚拟网络中路由,所有属于最小路径的通道都可用于路由.但是,报文不能被传到另一个虚拟网络.显然,通道间没有环相关,从而避免了死锁.通过OPNET仿真,得出此算法吞吐量大、网络延迟小.