基于轻量化渐进式残差网络的图像快速去模糊

基于深度学习的去模糊方法已经取得了较大进展,但是随着网络层数加深,去模糊网络需要更多的计算资源和内存消耗,难以用于实际场景。针对目前的去模糊网络参数量大、运算时间长等问题,该文设计了一种轻量快速的渐进式残差去模糊网络。该网络使用浅层残差网络作为基准模型,可充分利用图像的局部特征信息,加强反向传播时的信息流通。同时,通过多阶段递归调用残差网络并进行参数共享,可大大简化网络模型,减少网络参数。为了进一步提高去模糊网络的特征重建能力,该文引入特征重标定模块进行特征融合,对输入图像与各个残差网络的输出特征图进行通道加权,并对特征图的空间信息进行自适应选择,实现更好的特征重建。实验结果表明,所提算法网络模型参数量小、运行速度快,大幅度领先于现有算法,且对各种空域可变模糊去除均可实现理想复原效果。     

一种基于剪枝的横向分块概念格构造算法

概念格是形式概念分析中的核心数据结构,随着数据量的日益剧增,概念格的构造效率始终是关键.本文首先引入横向分块概念格,给出其若干结论;针对横向分块概念格构造过程中存在冗余信息,提出一种基于剪枝的横向分块概念格渐进式构造算法PHCL,从而进一步提高了概念格的构造效率;最后采用恒星天体光谱数据作为形式背景,实验验证了算法PHCL的正确性和有效性.     

序列模糊概念格模型及其渐进式构造

传统的序列模式挖掘主要是挖掘满足最小支持度的频繁序列,没有考虑序列在实际中的重要度。为了能够有效地挖掘重要的序列模式,提出了一种序列模糊概念格模型,对所有序列的项目引入了重要度权值,定义了序列的重要度及可以动态调整最小支持度minsup的自适应系数;扩展了模糊形式背景,使其能够方便地表示序列,定义了概念的Galois闭包连接、序列模糊概念及序列模糊格结构,并给出了序列模糊概念格的渐进式构造算法 ScqFuzCL。实验表明,序列模糊概念格模型可以方便有效地组织自适应序列模式,在时间与空间上都具有良好的性能,并为进一步挖掘自适应序列模式提供了理论支持。     

基于网络的游戏随取算法

随着游戏软件日趋大型化,其很难在配置低的电脑或掌上电脑上运行.软件游戏公司更愿意把他们的游戏制作成CD/DVD,而不是让玩家在线下载如Quake III Arena[1].另一方面,由于网络延迟,玩家在同时游戏时会感觉到速度快慢产生的自身游戏地位差距[2],通过对game-on-demand (GameOD)框架的研究,实现用需求的方式去分配不断增多的游戏内容.此方法使游戏资源在玩家的机器上得到及时的更新,并用渐进式[3]传输游戏内容的方法来传送游戏内容.     

可用于人脸识别的反馈型二元神经网络

提出和分析了一种新型的反馈型随机神经网络,并将其用于解决复杂的人脸识别问题.该模型采用随机型加权联接,神经元为简单的非线性处理单元.理论分析揭示该网络模型存在唯一的收敛平稳概率分布,当网络中神经元个数较多时,平稳概率分布逼近于Boltzmann-Gibbs分布,网络模型与马尔可夫随机场之间存在密切关系.在设计了一种新型模拟退火和渐进式Boltzmann学习算法后,系统被成功地应用于难度较大的静态和动态人像识别,实验结果证实了系统的可行性和高效率.     

基于属性的概念格渐进式生成算法

提出了一种新的基于属性的渐进式概念格生成算法 ,通过不断地渐增属性来构造概念格 .该算法不仅为概念格的构造提供了一种新的方法 ,还解决了在已构造好概念格的前提下 ,增加属性所带来的概念格更新问题 .给出了算法的实现方法 ,并结合实例说明了概念格的更新过程 .试验表明 ,在通常情况下 ,基于属性的渐进式概念格生成算法的性能往往更优越     

渐进式信息化让管理是平的

归避信息孤岛 2003年,传统行业里依然还流传着那句话--"上ERP是找死,不上ERP是等死".这时,美巢随着公司规模的不断壮大,业务量也逐步增加,原始的管理很难支撑未来的发展.于是,美巢开始了信息化之路.但随着公司的快速成长,软件制定开发的应用模块已经跟不上企业发展的脚步,于是,美巢又开始了一条循序渐进式的将信息化深化下去的新征程.     

关于基础设计中“渐进式破坏”的思考

以几种不同基础形式的渐进式破坏工程为例,分析其产生的原因,总结设计注意事项,供设计人员在工程设计时注意和思考,尽量避免类似事故的再次发生。