两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

基于树型结构的共享文档副本的语义一致性维护

锁操作在实时协同编著系统中用于共享文档副本的语义一致性维护.针对已有线性结构文档中锁操作转换算法效率低下的问题,对文档采用树型结构的表示方法,在文档的不同层级引入可选锁机制,并提出一个新的锁操作转换算法TreeLock_GOTO,大大提高了锁操作转换算法的执行效率.     

LB-AGR路由协议在水声网络试验床上的优化与测试

针对当前水声网络研究大多基于网络仿真的现状，本文在青海湖真实的水下实验床上对LB-AGR路由协议进行实现、测试、分析与优化。针对测试过程中出现的节点层级计数至无穷以及Sink节点状态死锁等问题，通过设置计时器、改进节点状态判别等措施进行设计优化，并对优化后的协议重新测试。测试结果表明，优化后的LB-AGR路由协议能较好地解决层级计数至无穷以及Sink节点状态死锁问题，且能快速、稳定地完成水下数据的多跳传输。     

多粒度拓展语言层级群组DEMATEL改进方法*

决策试行与评价实验室方法(decision making trial and evaluation laboratory,DEMATEL)作为一种面向复杂社会经济系统问题的因素分析算法,近年来受到国内外学者的广泛关注。为解决DEMATEL方法在分析复杂不确定社会经济系统时,由于专家知识背景不同而导致的群组专家选择多粒度评价标度进行偏好信息判断的问题,引入二元语义模型表达群组专家的偏好判断信息,提出一种基于拓展语言层级模型的多粒度群组DEMATEL改进方法。改进方法先对群组专家给出的不同粒度评价信息构造二元语义直接影响矩阵,再利用拓展语言层级模型进行归一化处理,并通过二元语义集合算子进行群组信息的集成,进而运用DEMATEL方法进行系统因素的因果关系分析与决策。最后,将改进方法应用于中国汽车零部件再制造的内部障碍因素分析,案例应用结果表明,所提方法在实践中是切实可行的。     

层级分析方法在景观规划设计中的借鉴

层级分析方法的简介,惠州市南山公园规划方案应用的层级分析方法的过程,形成设计方案的特点。     

两层级神经网络及在中医智能诊断中的应用 *

通过分析中医临床数据的特性 ,将临床数据分为低层级数据和高层级数据 ,每个层级数据又分为全局输入参数和局部输入参数。基于这些概念 ,建立了一种两层级神经网络 ,低层级子神经网络局部处理低层级数据,高层级子神经网络综合处理高层级数据和低层级子神经网络的输出结果。这样的结构不仅能有效地刻画中医辨证问题 ,而且简化了计算 ,提高了学习收敛速度。实验结果表明 ,这种两级神经网络可以较好地应用于具有复杂数据关系的中医辨证智能计算。     

大学组织设计层级模型分析

中国现代大学组织设计具有突出的层级特征。综合分析大学组织设计中的各类层级模型，可以发现高等教育发展存在着许多内在规律，分析这些规律有利于更为全面的审视层级化的大学组织设计结构，便于整合各种资源，协调各种关系，进行科学管理，促进高等教育的协调发展。     

基于多层级图像分解的图像融合算法

不同类型的探测器在成像机理上有不同的侧重点,使得成像图像表征的信息也有所不同,导致单幅图像不能完整地反映场景的有效信息。因此,提取多源图像的互补信息,并去除其中的冗余信息,合成一幅能准确、完整表达场景的复合图像的技术成为了图像处理领域中一项非常重要的技术,图像融合正是这类问题的一种有效解决方法。针对传统多尺度分解的图像融合方法易产生噪声和信息缺失的现象,文中提出了一种基于多层级图像分解的红外与可见光图像融合算法。首先,利用加权平均曲率滤波的边缘保持特性与高斯滤波的平滑特性,构建了多层级图像分解模型。在利用该模型将源图像分解为小尺度层、大尺度层和基层等3个不同层级。然后,针对基层,采用能量属性融合策略进行融合;针对大尺度层,采用复合融合策略进行融合;针对小尺度层,采用最大值融合策略。最后,将融合后的层级进行加和,以重构出最终的融合图像。实验结果表明:文中提出的基于多层级图像分解的图像融合算法能够有效降低噪声产生的概率,同时减少了融合后的信息缺失。     

基于序列多尺度特征融合表示的层级舞蹈动作姿态估计方法

人体姿态估计是计算机视觉研究领域的热点研究问题之一,但其在传统民间舞蹈动作姿态估计方面的应用研究尚处于起步阶段.由于舞蹈图像中人体动作复杂多变、舞蹈动作连贯性强、舞蹈者存在严重遮挡不易检测等特点,传统人体姿态估计方法难以准确估计舞蹈者的动作变化,导致舞蹈动作姿态估计准确率较低.针对此问题,本文提出一种基于序列多尺度特征融合表示的层级舞蹈动作姿态估计方法,该方法针对舞蹈动作骨骼关节点尺度变化剧烈的问题,构建基于序列多尺度特征融合表示的关节点估计模型.并且,针对舞蹈姿态形变较大,遮挡严重的问题,设计基于关节点几何关系的层级姿态估计模型,提高舞蹈动作姿态估计的效果.实验结果表明,本文方法在标准人体姿态估计数据集及自建舞蹈数据集上取得较好的姿态估计结果.