AVS-M分像素插值算法优化

本文分析了参考代码WM2.7中的插值算法,针对其中的流程问题和数据载入问题进行了分析并提出了改进的方法,使解码器在PC上的解码速度得到了提高。     

巴特沃思标准传递函数在控制系统校正中的应用

给出了巴特沃思标准传递函数及其性能指标和阶跃响应曲线；用实例说明了巴特沃思标准传递函数在控制系统校正中的应用。结果表明，该方法简便易行，实用价值大。     

凹凸范数比值正则化的快速图像盲去模糊

模糊图像可表示为清晰图像和模糊核函数的卷积,由模糊图像恢复出清晰图像,需要同时估计模糊核和清晰图像,因此是一个病态问题.优化含有先验项的代价函数是求解病态问题最有效方法之一.针对图像盲去模糊问题,本研究提出具有更强稀疏表达能力的凹凸范数比值正则化先验项,在用变量分裂法求解模型时,提出用L1范数保真项更新估计图像,在更新模糊核时,提出使用线性递增权重参数对模糊核按多尺度方法由粗到细逐步估计,当获得模糊核后,利用封闭阈值公式估计清晰图像.该方法能快速得到高质量的清晰图像,实验结果验证了模型的有效性和算法的快速性.     

“信号与系统”双语教学初探与研究

双语教学是社会发展对高等教育提出的新要求,信号与系统课程的双语教学是根据专业培养目标和该课程的特点确定的授课方式,旨在培养具有国际合作和国际竞争力的人才。本文从教学内涵出发,分析了信号与系统课程的双语教学的特点以及教学前提,并对教学过程中运用的教学方法和手段进行较为系统的探索与研究,提出相应的措施与建议。     

信号与系统精品课程的建设与实践

本文介绍了五邑大学“信号与系统”省级精品课程的建设情况。着重介绍了精品课程的立体化建设结构、课程群立体化教学结构,以及如何有效培养学生的“系统观念”、“工程观念”、“科技进步观念”和“创新意识”。     

基于MATLAB Web Server的虚拟实验室实现

本文提出了MATLAB Web Server远程服务设计方案,并在研究MATLAB Web Server技术、M函数文件的结构、功能和设计方法的基础上,设计了一个“信号与系统”课程虚拟实验室系统,为计算机实验辅助教学提供了一种可行的解决方案。     

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

自动质量检测中的分层机器学习方法

产品质量自动检测是一种类不平衡的模式识别分类。传统的机器学习方法考虑整体精度而偏重多数据类,但分布少的缺陷类才是重要类。本文提出对类不平衡的机器学习采用分层进行,首先对样本进行两分类学习,目标是通过简单分类器在许可的错误率下分离出易于分离的绝大多数合格类样本,然后对不平衡性得到缓解的剩余样本进行两分类或多分类学习。在学习后的检测分类中,第1层的简单分类器和第2层的复杂分类器并行工作,前面的分类器分类为合格的可提前结束后面分类器的工作,提高总体分类速度。对比实验表明本方案有效改进了学习性能和检测分类速度。     

基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别方法研究

遮挡条件下的鲁棒人脸识别,目前在人脸识别领域逐渐被重视,被认为是难点问题之一. 本文利用稀疏表示理论满足人眼视觉特性及神经信息有效表达,且跟人脸固有特征具有的自然性是相吻合的特点,研究了彩色人脸图像色度信息有效融合策略,采用同伦算法解决稀疏表示模型中的l1范数问题,提出了一种基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别算法. 在AR数据库中的实验结果表明,与传统基于灰度转换方法人脸识别方法及SRC算法相比,本文所提基于同伦算法的稀疏表示人脸识别,具有很高的计算效率,而且有效融合了彩色信息,显著提高了在遮挡及非遮挡情况下人脸识别的效率及识别性能.      

双输入双任务注意力网络融入噪声标签纠正机制的人脸美丽预测

人脸美丽预测是研究让计算机具有与人相似的人脸美丽预测能力的前沿课题,目前存在监督信息不足、模型易受噪声标签影响等问题。多任务注意力网络（Multi-Task Attention Network,MTAN）利用单个数据库的多种标签类型数据进行监督训练,但忽略了多个仅有一种标签类型的数据库进行多任务训练时效果不佳的问题;同时,未考虑噪声标签对MTAN的影响。噪声标签纠正机制通过比较最大预测概率和标签对应预测概率,来纠正噪声标签。为此,本文结合MTAN,提出双输入双任务注意力网络（Dual-Input Dual-Task Attention Network,DIDTAN）,并融入噪声标签纠正机制。其中,DIDTAN能同时利用两个单标签类型人脸美丽数据库的监督信息,从而解决监督信息不足;而该网络融入噪声标签纠正机制,解决了噪声标签的影响,进而提高了人脸美丽预测准确率。DIDTAN将MTAN中任务共享的批量归一化层（Batch Normalization,BN）扩展为不同任务特定的BN层;引入神经辨别性降维（Neural Discriminative Dimensionality Reducti...