基于语义域语言模型的中文话题关联检测

关联检测是话题检测与跟踪领域的基础性研究,其任务是检测任意新闻报道对是否论述同一话题.通过分析报道内容的结构关系和语义的分布规律,提出基于语义域语言模型的关联性检测方法,并在此基础上检验融入依存分析的语义描述策略对该模型性能的影响.实验采用TDT4中文语料进行评测,结果显示语义域语言模型显著改进了现有检测系统的性能,其最小DET代价降低了约3个百分点.     

基于直线检测算法的卫星图片中建筑物轮廓提取

提出一种方法,可以从卫星图像中自动检测建筑物.介绍了直线提取和直线合并的算法,分别讨论算法的实现结果和对结果的评价.建筑物检测的结果为矢量的二维候选数据,缩短了原始图像数据和最后对图像理解之间的差距.     

基于直线生成的卷积霍夫线段检测

直线检测作为计算机视觉的上游任务,为下游包括工业视觉、遥感图像分析等任务提供支撑。直线检测的一大方向是霍夫直线检测,但现有霍夫检测基于近似原理设计计票器,直线检测准确度不高。为提高霍夫变换线段检测的准确度,利用卷积改进霍夫直线检测的计票器并提出基于直线生成的卷积霍夫线段检测方法。利用中值滤波对原始图像中的复杂纹理平滑处理后检测图像中的边界;通过按位异或卷积去除边界检测结果中的噪点并保留候选的线段端点;将候选的线段端点两两组合并使用布雷森汉姆算法进行线段生成,由利用卷积改进的计票器判断生成的线段是否存在于边界上;确认端点所构成线段位于边界后求取端点对之间的参数并合并参数相似的加检测结果,得到最终线段检测结果。对比实验中该方法的F1指标为0.762 6,优于对比方法中最高的0.652 3,证明该方法保留了霍夫变换较高鲁棒性的同时提高了检测结果的准确性。     

基于分级的快速霍夫变换直线检测

在分析标准霍夫变换、两点表决霍夫变换以及多级霍夫变换直线检测的基础上，针对算法的不足，结合他们的优点，设计并实现了基于分级的快速霍夫变换直线检测方法，对算法进行了详细描述和分析，并通过实验证明了算法的有效性，实验表明：所设计的直线检测运算速度快，检测精度高，鲁棒性强，有一定的应用价值。     

联合语义的深度学习行人检测

视频行人检测是计算机视觉的一个重要应用,本文利用深度学习检测近似垂直视角的行人,但若单纯检测行人,易受与行人语义相关的行人附属属性（如背包和帽子）的干扰,容易造成误检.本文提出一种基于更快区域卷积神经网络的联合语义行人检测方法：首先调整网络模型,增强对小目标的辨别力,使其可以有效的检测行人和行人的语义属性;然后利用空间关系建立行人及其语义属性的关联,合并行人与其语义信息,并对候选行人目标进行自适应得分调整,结合行人语义属性判断候选行人目标.大量的实验表明,本文的方法精度高,速度快,具有实用价值,且检出的行人与其语义属性还可用于后续的人数统计和行人行为分析.     

基于夹角的直线检测算法

为了能有效解决Hough变换计算量大、处理速度慢等问题,提出了一种基于夹角的直线提取算法.该算法直接在图像空间提取直线,通过判断图像中任意三点形成的直线夹角,获得一条可能的直线,然后再在数据空间中进一步判定这条直线的真实性.实验证明,该算法具有较高的直线检出率、检测精度和运行速度,与具有类似检出率的算法相比虚假直线数较少,综合性能具有优势.     

结合边缘检测的语义分割算法

针对语义分割中目标边缘模糊与分割不准确的问题,提出一种结合边缘检测的语义分割网络.整个网络由边缘检测网络和语义分割网络并行组成.利用边缘检测网络与语义分割网络分别提取图像的边缘特征和初步的语义分割特征,通过特征融合模块将边缘特征和语义分割特征进行融合,得到最终的语义分割结果.在CamVid数据集和Cityscapes数...     

基于深度卷积神经网络的变换域通信网络抗干扰优化算法

为了有效抑制变换域通信网络干扰信号,改善信噪比,研究了基于深度卷积神经网络的变换域通信网络抗干扰优化算法。应用傅里叶变换方法将信号从时域转换到频域,并以傅里叶变换通信信号获得的参数为依据构建干扰信号模型;嵌入干扰信号模型以形成接收信号,然后对接收信号进行处理并存储在干扰数据库中,利用深度卷积神经网络完成干扰信号的特征学习与干扰估计,并根据干扰估计结果,在接收信号中去除干扰信号,完成变换域通信网络抗干扰优化。实验结果表明：该算法可有效完成变换域通信网络抗干扰优化,优化后通信信号的信噪比改善性能与误码性能均较佳,输出的通信信号几乎无干扰信号存在。     

基于敏感特征深度域关联的Android恶意应用检测方法

利用机器学习或深度学习算法进行 Android 恶意应用的检测是当前主流方法, 取得了一定的效果。然而, 多数方法仅关注应用的权限和敏感行为等信息, 缺乏对敏感行为协同的深度分析, 导致恶意应用检测准确率低。对敏感行为协同深度分析的挑战主要有两个: 表征敏感特征域关联和基于敏感特征域关联的深层分析与检测。本文提出了一种新的 Android 恶意应用检测模型 GCNDroid, 基于敏感特征域关联关系图描述的应用程序主要敏感行为以及敏感行为之间的域关联关系来有效地检测Android 恶意应用。首先, 为了筛选出对分类更加敏感的特征, 同时减少图节点的数量, 加速分析, 本文构建了敏感特征字典。接着, 定义类或者包为域, 在同一个域中的敏感特征具有域关联关系。通过敏感特征所在域的相对范围, 构造敏感特征之间不同的域关联权重, 生成敏感特征域关联关系图, 敏感特征域关联关系图可以准确表征特定功能模块中的敏感行为, 以及敏感行为之间的完整关系。然后, 基于敏感特征域关联关系图, 设计基于图卷积神经网络的深度表征, 构建 Android 恶意应用检测模型GCNDroid。在实践中, GCNDroid 还可以利用新的敏感特征不断更新, 以适应移动应用程序新的敏感行为。最后, 本文对GCDNroid 进行了系统评估, 召回率、调和平均数、 AUC 等重要指标均超过 96%。与传统的机器学习算法(支持向量机和决策树)和深度学习算法(深度神经网络和卷积神经网络)相比, GCNDroid 取得了预期的效果。     

基于非对称融合和关联上下文的RGBD语义分割算法研究

相比于传统的二维RGB图像的语义分割,使用具有三维信息的RGBD图像,可以提高算法的精度。于是,研究深度图信息如何引入至关重要。采用非对称融合模块,在融入深度图信息时降低其噪声带来的负面影响,并在融合前使用通道注意力模块对深度图信息以及RGB信息进行处理,使通道信息得到有效过滤。另外,针对像素之间的关联性不易利用的问题,利用自注意力机制的思想设计了关联上下文模块,用来联合感知并编码多模态深层特征。通过将模块集成到一个双通路的编码解码结构的基本网络模型中,并在NYU-Depth v2室内语义分割数据集上做了测试,取得了不错的分割效果。     

基于深度域适应的跨域目标检测算法综述

近年来,基于深度学习的目标检测算法在自动驾驶、人机交互等众多域上有着成功的应用,且因其检测性能较高引起学者的广泛关注。传统的深度学习方法一般基于源域与目标域服从同一分布的假设,但该假设不具备现实性,严重地降低了模型的泛化性能。如何对齐源域与目标域的分布,提高目标检测模型的泛化性成为近两年的研究热点。对跨域目标检测算法进行了综述,介绍了跨域目标检测的预备知识：深度域适应和目标检测,将跨域目标检测分解为两个子问题进行了概述,从底层逻辑理解其发展进程;给出了跨域目标检测算法的最新进展,从差异、对抗、重构、混合和其他等几个分类角度切入,梳理了每个类别的研究脉络并对比了在不同数据集上的性能;通过对目前跨域目标检测算法的梳理和总结,就其未来的研究方向进行展望。     

基于深度学习的目标检测算法综述

深度学习目前已广泛应用到各个领域,目标检测是计算机视觉领域中的基础问题。针对传统目标检测算法存在的效率低、鲁棒性差等问题,基于深度学习的目标检测算法很好地提高了目标检测效率,成为主流趋势。论文对一些典型的基于深度学习的目标检测算法进行了综述,主要分为基于区域思想和基于回归思想两方面,对算法结构进行了分析和对比,最后对基于深度学习的目标检测算法的发展进行了展望。     

一种新型快速直线检测算法

针对传统的Hough变换直线检测的方法需要对整幅图片的每一个像素点进行判断和计算,最后才能得出直线参数,这样就造成计算量大,计算时间长,且需要存储大量数据将占用大量内存资源等缺陷。提出了一种新型的直线检测算法来解决以上存在的问题。与已有算法不同,该算法不需要进行坐标变换,该算法的思想就是依次检测直线上的像素点,当检测到图片中某一像素点特征值为1（图片中的直线像素点特征值为1,背景点特征值为0）,则需要判断以该像素点为圆心,以常数R为半径的圆周上是否存在一对特征值为1的像素点,且该对像素点之间的相位相差180°,故可以快速地得到该直线的参数方程。若以该点为圆心的圆周上不存在这样一对灰度不为零的像素点,则继续检测图像的下一个像素点,直到扫描完整幅图像或是得到一条直线参数。与传统的Hough变换相比,该算法计算量和计算时间最多是原算法1／R（与选取的半径参数R相关）,Hough变换占用内存与图片大小相关,本算法占用固定的内存,几乎可以忽略。     

基于mean-shift的快速跟踪算法设计与实现

介绍了一种基于mean-shift跟踪算法,分析了mean-shift中各参数对实时性能的影响。并利用DM642EVM作为视频信号处理器,设计了一套运动目标全物理仿真实验系统。     

基于Hough变换的平行直线检测改进算法研究

根据经典Hough变换检测空间直线的原理,提出了一种基于Hough变换的平行直线检测改进算法,将采集到的图像进行二值化处理,再使用Sobel算子对该二值化图像进行边缘检测,对边缘检测得到的图像进行Hough变换和峰值点检测,由峰值点得到直线段图像,最后使用本文提出的改进算法计算出所有直线段的斜率,利用斜率相等来判定平行直线.通过对比实验证明,该算法能得到更高的精度,并缩短了运行时间.     

基于时空域深度神经网络的野火视频烟雾检测

针对目前的烟雾检测算法主要基于单一特征或烟雾的多个动静态特征的融合导致检测精度低的问题,提出一种使用卷积神经网络和循环神经网络组合的视频烟雾检测框架来捕获烟雾在空间域和时间域中的特征信息。利用空间流网络部分对运动区域自动提取特征后进行初步的空域的判别;在将空域判断为有烟的基础上进一步通过时间流网络和循环神经网络部分累积一组连续帧之间的运动信息以区分烟雾和非烟雾区域。与现有的使用深度卷积神经网络模型进行对比实验,实验结果表明,该方法具有较高的分类检测准确率。在多个视频场景中进行测试,验证了该算法的有效性。     

基于直线拟合的文本倾斜检测算法

在文本扫描输入的过程中,文本图像不可避免地会发生倾斜,而布局分析及字符识别算法对页面倾斜十分敏感,因此倾斜检测和校正是文档分析预处理中的重要环节。提出了一个基于直线拟合的倾斜检测方法,它对文本图像二值化、分块,进行Fourier变换获得Fourier光谱,提取Fourier光谱中反映倾斜角的特征点,然后对特征点进行拟合处理,最后获得页面倾斜角。实验结果表明,该方法能够精确检测文本的倾斜角度,并且不受文本布局、行间距以及字体的影响。     

电池防护胶条边缘检测算法的设计与实现

针对手机电池电极端截面防护胶条贴合准确度的识别问题,本文基于数字图像处理方法设计可实现自动检测的系统.首先使用Canny算法识别出电池及胶条的上下边缘,然后用霍夫直线检测算法检测出边缘直线,获得直线方程.通过计算直线的位置关系并与已有限制参数对比,判断该胶条贴合的准确度.在胶条边缘检测的实验中验证了该程序的有效性.     

噪声环境下基于局部不确定性度量的多直线检测算法

针对噪声环境下复杂工件多直线测量中存在的检测精度下降问题,提出了一种基于局部不确定性度量的直线检测算法。该算法首先将目标区域分块,在每个子块内,建立点属于某直线不确定性度量概率模型,按照两点组合原理和Bayesian法则,计算任两点所确定的直线的累积不确定度量,通过对参数空间软投票检测直线。算法具有较强的抗噪能力和快速性。实验结果表明,该算法在较高噪声（方差为0.06）时,检测精度误差小于1‰,检测正确率仍可以达到90%以上,且其检测时间是单纯不确定度量直线检测方法的1/2, 比传统Hough变换算法快4~5倍。     

一种改进的Hough变换直线检测算法

为了能有效解决Hough变换的计算量大的问题,文中提出了一种基于直线局部结构特征的Hough变换改进的直线检测算法.该算法根据Freeman准则分析了直线上基元的特征信息,通过图像上邻近的同类基元的倾斜角约束基元上像素点的极角范围,减少每个点的计算次数,在保持精度的同时,提高直线检测的速度,在有噪声的情况下,该算法相对标准Hough变换算法可以提高到6到7倍.