近红外光谱仪器远程监控平台的开发

针对近红外光谱仪器分布广、操作人员专业化要求高、测量外部条件相对敏感等特点,开发了一套远程控制系统.本系统综合利用了传感器技术、数据采集技术及网络通信技术,实现了同时对多台近红外光谱仪器的环境温度、电源电流、电压、光源强度等物理参数的远程监控.实验证明,该系统可以在近红外仪器运行时精确、实时地记录下仪器的运行状况,为仪器的调整和维修提供丰富的参考.     

基于PCB特征加权的行人重识别算法

为充分挖掘行人重识别特征,最近流行的PCB算法给出了一种特征均匀分块并通过RPP网络对齐特征的方法。PCB算法充分发挥了局部特征的作用,有效提高了行人重识别的准确率。为进一步提高行人重识别的性能,本文基于全局特征与局部特征对网络性能的影响差异提出了一种特征加权的PCB行人重识别算法。在典型的行人识别数据库Market1501、DukeMTMC-Reid上的实验结果表明:所提算法具有更好的首中准确率（Rank1）和平均准确率（mAP）;相比与经典的PCB+RPP算法,所提算法在Market1501数据集上Rank1提高了0.8%,mAP提高了4.5%;在DukeMTMC-Reid数据集上Rank1提高了5.5%,mAP提高了约7%。      

基于多分支协作的行人重识别网络

设计多分支网络以提取分集特征已成为行人重识别领域的重要方向之一.由于单分支学习到的特征表达能力有限,所以文中提出基于多分支协作的行人重识别网络.在局部分支、全局分支、全局对比池化分支、关联分支这4个相互协作的分支上进行特征提取,获得强大的分集行人特征表达能力.文中网络可应用于不同的主干网络.实验中考虑OSNet、ResNet作为文中网络的主干网络进行验证.实验表明,文中网络在行人重识别数据集上均取得Start-of-the-art结果.     

基于声学特性的苹果无损检测方法

本文提出一种以检测苹果受敲击后所发出声音的频谱特性为手段对果品品质进行评价和分类的无损检测方法,并用该方法对苹果进行声学测定试验。发现随着存放时间的延长苹果受敲击发声的频谱峰值逐渐减小,而质量越小的苹果受敲击后发出声音的基频越低。实验结果证明,基于声学特性对苹果进行无损检测的有效性和可行性,对几种常见水果的声学特性比较试验说明该方法可以作为水果品质检测。     

广义均值移动跟踪算法

CAMSHIFT算法和Comaniciu/Meer算法是均值移动在视频目标跟踪中最为常用的两个基本算法.本文对Bradski和Comaniciu/Meer等人的工作加以推广,给出了广义均值移动跟踪算法.论文采用一个一般形式的相似性度量函数,并推导了其相应的像素权值计算和搜索窗口位置更新公式.新算法基于搜索窗内各像素权值的零阶矩来计算更新其搜索窗口尺寸.然后证明现有的两种基本算法都可以归纳到广义均值移动跟踪算法的统一框架中.对多段视频序列的跟踪实验分析比较了统一框架中3种均值移动算法的跟踪性能.     

基于核共生矩阵的均值移动跟踪算法

以核颜色直方图为跟踪特征的均值移动算法易受环境光照、视角和摄像机参数等因素的影响。根据灰度共生矩阵的思想构造了核共生矩阵来描述目标模型和候选目标,并在此基础上提出了一种基于核共生矩阵的均值移动跟踪算法。在算法的实现过程中做了一些改进工作：构造核共生矩阵时对相反方向上的像素加以区分,从而更好地刻画目标的不对称特性;将目标模型和候选目标的核共生矩阵规整到同一常数以提高计算精度;对各像素权值的计算公式进行修正以提高算法速度。光照较暗,照度变化和存在部分遮挡等条件下的真实场景实验结果表明,该算法在这些情况下仍能有效地跟踪目标。     

等级关联的粒子群迭代多目标检测跟踪

针对目标在跟踪过程中受环境变化影响(光照、遮挡等)使其跟踪发生偏移的问题,提出一种从目标粗匹配到粒子群算法精确定位的等级关联结构的多目标跟踪算法.与现有跟踪算法相比,在粗匹配阶段粒子随机产生过程中融入了上下文信息,提高了目标匹配的准确度,降低了错误跟踪的目标数;对于在粒子群精确定位阶段有显著偏差的目标位置,采用Metropolis-Hastings采样算法进行纠正,同时完成模板更新,从而保证了目标跟踪的准确性.实验结果表明,该算法在目标被遮挡的情形下能够准确地跟踪被遮挡的目标.     

数据集类别不平衡性对迁移学习的影响分析

数据集类别不平衡性是机器学习领域的常见问题,对迁移学习也不例外。本文针对迁移学习下数据集类别不平衡性的影响研究不足的问题,重点研究了以下几种不平衡性处理方法对迁移学习的影响效果分析:过采样、欠采样、加权随机采样、加权交叉熵损失函数、Focal Loss函数和基于元学习的L2RW（Learning to Reweight）算法。其中,前三种方法通过随机采样消除数据集的不平衡性,加权交叉熵损失函数和Focal Loss函数通过调整传统分类算法的损失函数以适应不平衡数据集的训练,L2RW算法则采用元学习机制动态调整样本权重以实现更好的泛化能力。大量实验结果表明,在上述各种不平衡性处理方法中,过采样处理和加权随机采样处理更适合迁移学习。      

基于直方图插值的均值移动小尺寸目标跟踪算法

小尺寸目标跟踪是视觉跟踪中的难题.该文首先指出了均值移动小尺寸目标跟踪算法中的两个主要问题:算法跟踪中断和丢失跟踪目标.然后,论文给出了相应的解决方法.对传统Parzen窗密度估计法加以改进,并用于对候选目标区域的直方图进行插值处理,较好地解决了算法跟踪中断问题.论文采用Kullback-Leibler距离作为目标模型和候选目标之间的新型相似性度量函数,并推导了其相应的权值和新位置计算公式,提高了算法的跟踪精度.多段视频序列的跟踪实验表明,该文提出的算法可以有效地跟踪小尺寸目标,能够成功跟踪只有6×12个像素的小目标,跟踪精度也有一定提高.     

面向目标检测的SSD网络轻量化设计研究

在基于深度卷积神经网络的目标检测方法中，模型的参数量动辄数十兆字节，在计算资源有限的移动终端等边缘设备中部署这样的大模型比较困难。为了解决这个问题，本文在Single Shot MultiBox Detector(SSD)的基础上联合轻量化网络设计和参数量化两种技术来实现网络模型的轻量化。首先，基于ResNet50和MobileNet我们重新设计了SSD目标检测框架，并训练了一个全精度参数模型。然后，在全精度参数模型的基础上，采取逐块量化的策略将特征提取层中卷积层的参数精度降低到三值(零和正负一)。实验结果表明，本文提出的联合方案在Pascal VOC2007数据集上测试能够达到72.54%的mAP，和其他业界领先的轻量级目标检测方法相比检测精度更高且能使模型占用的内存空间更小。