IT服务企业运营管理系统的选型与设计

企业运营管理效率高低决定了企业的战略目标能否达成。IT服务企业是典型的项目型企业。项目管理是项目型企业运营管理的核心。本文设计的运营管理系统基于先进的管理理念,即PMI组织级管理标准和框架,系统实现的主要功能包括利润计算器、人力资源使用情况动态展现、项目过程管理及预测、企业经营绩效KPI指标分层监控等,提升企业运营管理能力和效率,提高所有项目成功的机会。     

多对象图像数据集建立及显著性检测算法评估

图像视觉显著性检测算法在已有数据集上已经取得很好的结果,但是目前的多个数据集存在两个严重的问题:首先,数据集中的图像以只包含一个显著对象的图像为主;其次,在建立显著对象标注结果的过程中,忽略了用户对同一幅图像中包含的多个显著对象的不同认知。上述问题导致了在已有数据集上对显著性检测算法进行评估,不能体现算法在实际应用中的真实效果。为此,提出体现用户认知的多显著对象图像标注方法,首先设计并实现辅助软件,收集用户对各显著对象的重要程度的认知情况,包括显著区域与相应的重要程度;然后融合收集的多用户数据,绘制出以灰度图为表现形式的显著对象标注结果,并通过灰度值体现多用户对于每个显著对象的认知情况。基于改进的显著对象标注方法,建立了一个包含1000幅多显著对象图像的数据集,并为每幅图像提供了体现用户认知的显著对象标注结果。对10种具有代表性的显著性检测算法在已有数据集和建立的数据集上的性能进行了比较。实验结果表明,这些显著性检测算法在建立的数据集上的性能有大幅度的降低,例如受试者工作特征曲线下面积(ROC-AUC)评估参数的最大降幅超过了0.5,这证实了已有数据集存在的问题及建立新数据集的需求,同时指出显著性检测算法在处理包含多显著对象的复杂图像上存在的不足。     

视差注意力的立体图像颜色校正方法

立体图像左右视图间的差异影响了视觉任务对深度信息的重建.现有立体图像颜色校正方法在进行颜色校正时,颜色校正效果与整体时间效率不平衡.为了解决这个问题,本文提出一种端到端的基于视差注意力的立体图像颜色校正方法.该方法在一个卷积神经网络内同时进行立体图像对应关系获取和目标图像颜色校正.先采用共享参数的多尺度特征提取模块分别提取参考图像和待校正失真图像的特征,再通过视差注意力模块的双向匹配策略进行特征之间的对应关系匹配与融合,获取图像对应匹配关系,最后重建融合特征得到校正目标图像.视差注意力机制仅在图像水平视差方向进行搜索匹配像素,能够实现左右视图信息的高效融合.实验结果表明,与现有方法相比本文模型更有效,能够在保持高时间效率的同时获得更高质量的颜色校正结果.     

与主观感知相一致的颜色校正评估数据集建立

为了获得与用户主观感知相一致的颜色校正算法和对校正结果进行客观评估,本文首先创建了一个针对颜色校正的数据集ICCD（Image Color Correction Database）.ICCD数据集中的颜色差异涵盖了多种类型和粒度,其中颜色差异类型包括亮度、色相、饱和度、曝光度、对比度以及RGB中的R和G通道,每类颜色差异包括3个修改粒度.本文挑选了6种具有代表性的颜色校正算法对目标图像进行校正,并通过用户调查获得校正结果图像的主观平均得分值.基于ICCD数据集,本文对6种颜色校正算法的性能进行评估,得出在大多数颜色差异和粒度上,Pitie提出的迭代颜色分布转换算法的校正性能最好,同时具有较好的稳定性.最后,本文对14种图像质量评估方法进行评估,挑选出与已有的评估方法相比与主观感知一致性更好的评估方法.     

软件开发项目人工成本控制流程设计与应用

研究探讨软件开发项目人工成本控制方式，是项目型IT企业管理的一项基础性工作。软件开发项目中人工成本是最主要的成本，所占比重很高，直接人工戍本可高达60-70％。人工成本控制水平决定了项目赢利水平。本文介绍的人工成本控制流程覆盖了项目前期的成本估算、预算，以及项目执行过程中的成本投入分析等各个环节，估算过程以行业标准为依据，执行过程以精益化管理为手段，以信息系统支撑保障成本管理目标的有效落地。结合实例说明了采用上述模式的具体操作过程，实际应用效果证实了上述方法可有效降低成本支出。     

基于任务解耦的低照度图像增强方法

低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题,因此低照度图像增强是一个具有挑战性的任务.现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升,导致增强图像中仍然存在噪声等缺陷.针对上述问题,本文提出了一种基于任务解耦的低照度图像增强方法,根据低照度图像增强任务对高层和低层特征的不同需求,将该任务解耦为亮度与色彩增强和细节重构两组任务,进而构建双分支低照度图像增强网络模型（Two-Branch Low-light Image Enhancement Network,TBLIEN）.其中,亮度与色彩增强分支采用带全局特征的U-Net结构,提取深层语义信息改善亮度与色彩;细节重构分支采用保持原始分辨率的全卷积网络实现细节复原和噪声去除.此外,在细节重构分支中,本文提出一种半双重注意力残差模块,能在保留上下文特征的同时通过空间和通道注意力强化特征,从而实现更精细的细节重构.在合成和真实数据集上的广泛实验表明,本文模型的性能超越了当前先进的低照度图像增强方法,并具有更好的泛化能力,且可适用于水下图像增强等其他图像增强任务.     

融合深度特征和语义邻域的自动图像标注*

传统图像标注方法中人工选取特征费时费力,传统标签传播算法忽视语义近邻,导致视觉相似而语义不相似,影响标注效果.针对上述问题,文中提出融合深度特征和语义邻域的自动图像标注方法.首先构建基于深度卷积神经网络的统一、自适应深度特征提取框架,然后对训练集划分语义组并建立待标注图像的邻域图像集,最后根据视觉距离计算邻域图像各标签的贡献值并排序得到标注关键词.在基准数据集上实验表明,相比传统人工综合特征,文中提出的深度特征维数更低,效果更好.文中方法改善传统视觉近邻标注方法中的视觉相似而语义不相似的问题,有效提升准确率和准确预测的标签总数.     

基于多尺度特征的无参考屏幕内容图像质量评估

屏幕内容图像是一种组合图像,由计算机将图形、文字和图像组合起来而形成.由于人类视觉系统是从粗略到精细进行图像信息的提取,本文提出一种基于多尺度特征的无参考屏幕内容图像质量评估算法.屏幕内容图像中包含大量的图形和文本内容,以及色彩和布局结构信息,因此我们提取失真图像的边缘特征、结构特征和亮度特征.然后将多个图像尺度上提取的特征进行拼接,作为最终的失真图像质量感知特征.最后使用随机森林回归方法训练得到无参考屏幕内容图像质量评估模型.实验结果表明,本文引入的多特征和多尺度机制是有效的,相比较目前先进的无参考方法,本文模型可以取得与主观感知更高的一致性,甚至在整体性能上超过了多数全参考方法.     

基于循环神经网络的多阶段图像去噪方法

图像在采集和传输过程中往往受到噪声污染,去噪任务是图像预处理中的重要步骤.现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易产生过于平滑或者太多噪点未去除的结果且无法恢复.因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法.该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第1阶段的去噪结果包含部...