传感器网络病毒感染传播局域控制研究

 从传感器网络节点重要性的角度来研究病毒传播的局域控制,研究表明,通过对少量的重要节点进行免疫,可以抑制病毒的大范围扩散,提高网络的抗蓄意攻击能力.随着免疫效率的提高,使感染传播率临界值增加,同时使病毒感染局域范围控制的效果得到加强.     

基于全局运动补偿编码的H.263编码器

全局运动补偿编码是一种基于模型的编码方法,它可以提高编码效率,改善编码图像的质量.全局运动补偿是建立在全局运动估计基础上的,本文对现有的全局运动估计算法进行研究,提出了改进算法,并在H.263编码器上实现了全局运动补偿编码.通过标准测试序列的测试,可以看到基于全局运动补偿编码的H.263编码器的编码效率有了明显提高,同时提出的全局运动估计算法无论是计算时间还是计算准确性都要优于现有算法.     

一种基于小波变换的图像鲁棒性盲水印算法

对数字水印技术的概念、特点、分类、模型等作了简单的介绍,给出一种基于小波变换的图像鲁棒性盲水印算法。实验表明,该算法能够很好地抵抗局部剪切的攻击。文中还结合实验结果对增强剪切攻击鲁棒性的技术进行了分析。     

一种基于小波变换的图像鲁棒性盲水印算法

对数字水印技术的概念、特点、分类、模型等作了简单的介绍，给出一种基于小波变换的图像鲁棒性盲水印算法。实验表明，该算法能够很好地抵抗局部剪切的攻击。文中还结合实验结果对增强剪切攻击鲁棒性的技术进行了分析。     

多模式校企合作 主动适应企业需求

本文针对部分高校计算机科学与技术专业在人才培养方面所面临的困惑,提出了多模式校企合作,主动适应企业需求的人才培养理念,并给出了多模式的定义与实施策略。同时,本文结合苏州大学实践经验,介绍了多模式校企合作培养人才的实践效果。     

基于内容的视频分割技术研究

随着MPEG-4基于内容功能的提出以及MPEG-7标准的不断推广应用，视频对象分割技术已成为视频处理领域中的研究热点。视频对象分割就是从视频序列中分割出在语义上有意义的对象。目前对视频分割研究已从基于镜头的分割发展到了基于内容的视频对象分割。然而，基于内容的视频对象分割技术还不成熟。文中讨论了视频对象分割技术的发展和研究状况，从组成视频运动对象的分割系统出发，介绍了时域分割以及时空域联合分割等技术，并提出了一种基于多帧差的视频对象分割算法。最后对分割技术中需要深入研究的问题进行了探讨。     

最小加权分割路径的古籍手写汉字多步切分方法

针对古籍古文献中部分汉字易发生粘连现象,提出一种古籍手写汉字多步分割方法.该方法继承了以往粗分割和细分割相结合的思想,首先采用投影进行粗分割,将手写汉字分为粘连字符和非粘连字符两类;然后针对粘连字符串抛弃常用的串行模式,直接采用粗分割的统计信息,设置初始分割路径,并基于最短分割路径的思想,在初始分割路径的局部邻域内基于最小权值搜索并修改分割路径,从而获得最佳的加权分割路径.实验证明该方法解决了字符分割不足和多处粘连字符的分割问题,有效的提高了分割的准确率,且算法的时间复杂度较低,算法效率较高.     

中美应用型本科计算机实验教学比较研究

对比分析中美两国计算机本科实验教学在课程体系、实验内容、授课模式、成绩评定、创新实验等方面的差异,结合我国应用型本科高校计算机实验课程教学现状,对计算机应用型人才培养模式进行探讨,提出国际化视野下应用型人才培养创新机制和高素质应用型计算机人才培养新思路.     

基于多层卷积神经网络特征和双向长短时记忆单元的行为识别

鲁棒的视频行为识别由于其复杂性成为了一项极具挑战的任务. 如何有效提取鲁棒的时空特征成为解决问题的关键. 在本文中, 提出使用双向长短时记忆单元(Bi--LSTM)作为主要框架去捕获视频序列的双向时空特征. 首先, 为了增强特征表达, 使用多层的卷积神经网络特征代替传统的手工特征. 多层卷积特征融合了低层形状信息和高层语义信息, 能够捕获丰富的空间信息. 然后, 将提取到的卷积特征输入Bi--LSTM, Bi--LSTM包含两个不同方向的LSTM层. 前向层从前向后捕获视频演变, 后向层反方向建模视频演变. 最后两个方向的演变表达融合到Softmax中, 得到最后的分类结果. 在UCF101和HMDB51数据集上的实验结果显示本文的方法在行为识别上可以取得较好的性能.     

基于深度特征融合的图像语义分割

在图像语义分割中使用卷积网络进行特征提取时,由于最大池化和下采样操作的重复组合引起了特征分辨率降低,从而导致上下文信息丢失,使得分割结果失去对目标位置的敏感性。虽然基于编码器-解码器架构的网络通过跳跃连接在恢复分辨率的过程中逐渐细化了输出精度,但其将相邻特征简单求和的操作忽略了特征之间的差异性,容易导致目标局部误识别等问题。为此,文中提出了基于深度特征融合的图像语义分割方法。该方法采用多组全卷积VGG16模型并联组合的网络结构,结合空洞卷积并行高效地处理金字塔中的多尺度图像,提取了多个层级的上下文特征,并通过自顶向下的方法逐层融合,最大限度地捕获上下文信息;同时,以改进损失函数而得到的逐层标签监督策略为辅助支撑,联合后端像素建模的全连接条件随机场,无论是在模型训练的难易程度还是预测输出的精度方面都有一定的优化。实验数据表明,通过对表征不同尺度上下文信息的各层深度特征进行逐层融合,图像语义分割算法在目标对象的分类和空间细节的定位方面都有所提升。在PASCAL VOC 2012和PASCAL CONTEXT两个数据集上获得的实验结果显示,所提方法分别取得了80.5%和45.93%的mIoU准确率。实验数据充分说明,并联框架中的深度特征提取、特征逐层融合和逐层标签监督策略能够联合优化算法架构。特征对比表明,该模型能够捕获丰富的上下文信息,得到更加精细的图像语义特征,较同类方法具有明显的优势。