一种分布式多媒体数据仓库模型

多媒体数据采掘是从大型多媒体数据库中提取高层的多媒体信息及知识。介绍一种分布式多媒体数据仓库模型──ＣＭＳ模型的体系结构及存储结构,并构造了具有综合处理各种媒体数据,能够对这些媒体数据进行修改、查询的军用多媒体数据仓库原型系统。     

基于角点采样的多目标跟踪方法

为了跟踪互遮挡的多个目标,提出了一种基于角点采样的多目标跟踪方法。该方法以遮挡发生前的各目标区域中的Harris角点信息为样本,在遮挡发生情况下,采取K近邻分类器对目标区域中提取的角点信息进行分类,以有效区分遮挡在一起的多个目标。在角点特征提取过程中,还提出了双阈值Harris角点检测算法,用于自适应、准确地提取运动区域中角点信息。实验结果表明,该方法能有效区分遮挡在一起,且没有分裂之前的多个目标。     

二维板材圆形下料的邻居关系算法

二维圆形排样问题是工业设计与生产中经常遇到的问题.常规下料问题主要针对矩形或圆形等规则板材,常用算法包括模拟退火、遗传算法等.本文在分析规则板材下料算法的基础上,针对实际生产应用中更为复杂的、具有不规则边界板材下料问题,提出了一种基于人工下料思维的仿生下料算法--邻居关系算法.该算法具有很好的利用率和时效性,较好地满足了实际应用的需要.实际板材下料结果表明,平均面积利用率为75.56％,平均计算时间为13.84s.所得排样利用率与模拟退火算法相当,但排样运算时间大大缩小,适应了实际下料需求,已应用于某跨国企业优化下料中.     

基于多粒度区域相关深度特征学习的行人重识别

在对行人重识别的研究中,联合使用从图像中提取的全身与局部特征已经成为当前的主流方法.但是许多基于深度学习的重识别模型在提取局部特征时忽略了它们在空间上的相互联系,当不同行人具有局部相似的外观时,这些局部特征的辨别能力会受到很大影响.针对该问题,提出了一种学习多粒度区域相关特征的行人重识别方法.该方法在对骨干网络提取的卷积特征张量作不同粒度的区域划分后,设计了区域相关子网络模块来学习融入空间结构关系的各局部区域特征.在区域相关子网络模块中,为了赋予局部特征与其他区域相关联的空间结构信息,综合利用了平均池化运算的空间保持能力与最大池化运算的性能优势.通过对当前特征和其他各区域的局部特征进行联合处理,使各局部特征间产生很强的空间相关性,提升了特征判别能力.在区域相关子网络模块的设计上,采用了与深度残差网络相同的短路连接结构,使得网络更易于优化.最后,由全身特征与使用区域相关子网络增强后的各局部区域特征联合实现行人重识别.Market-1501,CUHK03,DukeMTMC-reID 3个公开数据集上的实验结果表明,所提算法取得了优于当前主流算法的行人身份匹配准确率,具有非常优秀的重识别性能.     

SRDM：支持基于内容检索和图象数据库超关系数据模型

数据模型是实现基于内容查询的图象数据库的基础。在这篇论文中,笔者引入了一种按内容进行图象查询的图象数据库数据模型－ＳＲＤＭ（Ｓｕｐｅｒ Ｒｅｌａｔｉｏｎ Ｄａｔａ Ｍｏｄｅｌ）。该模型将可视特征、语义特征等看作超属性,既充分艇了关系数据库的优点,同时又考虑了图象数据的特点,因而能较好地支持基于内容的图象数据库的查询。     

一种基于ICA的多源图像融合算法

图像融合的要求是尽可能多地融合源图像中的有用信息,并尽量不要把无用信息融合进来。为了尽可能达到这一要求,在分析盲源分离理论的基础上,提出了一种基于独立分量分析(ICA)的图像融合算法。该算法首先对源图像进行预处理;然后对源图像进行ICA分解,并在ICA域对独立分量系数进行融合;最后根据融合系数重建融合图像。实验结果表明,该新提出的算法降低了产生冗余信息的可能性,对多源图像融合是可行有效的。     

地方综合性大学IT应用型创新人才培养的思考

地方综合性大学面向地方经济建设主战场,培养面向行业及应用领域的、具有一定创新能力的应用型人才应为其主要目标。本文结合苏州大学IT应用型创新人才培养的实际情况,全面介绍了IT应用型创新人才的内涵、培养思路及措施,并给出了具体思路。     

基于相变和似然性的多相图像分割方法

Sine- Sinc模型是一种基于材料科学中Modica-Mortola物理相变原理的多相图像分割方法.针对该模型分割结果不完全、易受噪声和亮度不均匀性影响的问题,提出了一个改进的Sine- Exp-Gauss多相图像分割模型.基于Sine-Sinc模型,Sine- Exp-Gauss模型用指数函数代替Sine-Sinc模型的Sinc函数,并从分段常数图像假设推广到高斯分布函数图像假设;模型偏微分方程的数值解采用凸函数分裂方法迭代,获得每个相的局部最优解,同时给出一种标准初始化方法使迭代过程易于收敛到理想局部极小值.与Sine- Sinc模型和偏差矫正模型相比,实验结果证明Sine- Exp-Gauss模型在噪声消除和自偏差矫正方面都更加鲁棒.     

基于改进粒子群算法的图像闭值分割方法

针对图像提取问题,最优阈值选取是否合理对图像分割效果至关重要。在处理不同种类图像区域时,粒子群算法(PSO)由于早熟现象难以准确计算最优分割阈值,因此导致图像分割准确率低。为了提高图像分割准确率且准确地提取出图像目标,提出一种基于混沌粒子群算法(CPSO)的图像阈值分割方法。受益于混沌运行的遍历性、对初始条件的敏感性等优点,CPSO很好地解决了PSO的粒子群过早聚集和陷入局部最优等难题,加快了全局搜索最优解的能力。采用具体图像对CPSO算法图像分割性能进行仿真实验,结果表明,相比于其它图像分割算法,CPSO不仅加快了运算速度,提高了图像分割效率,而且提高了图像分割准确率,非常适合于图像实时分割处理。     

基于改进高斯混合模型的前景检测

针对自适应混合高斯背景模型执行速度慢、检测前景时容易产生“鬼影”等问题,提出一种改进的混合高斯背景建模方法。该方法通过对高斯分布权值和生存时间的限制,建立高斯分布退出机制,使模型能根据场景自适应选择每个像素的高斯分布个数,从而去除多余高斯分布,加快算法执行速度。在模型更新过程中,通过融入帧间差分,将每帧图像分成运动像素、背景像素及非真实运动像素,并通过对非真实运动像素赋予较大学习率来加速移出背景的恢复,从而避免“鬼影”和拖影现象。实验结果表明,与传统检测方法相比,该方法可以获得更好的目标检测效果。