基于网络图像的阿奇姆博多拼图

拼图是使用不同形式的素材进行组装的合成艺术.文中介绍了一种崭新的拼图创作方法,通过挑选主题相关的网络图像的前景抠图来表现一幅输入图像,能够生成奇异的具有阿奇姆博多风格的拼图.鉴于网络图像数据的海量规模,总能够找到合适的前景抠图来匹配输入图像的各个分割部分;通过将挑选的前景抠图按照一定的规则进行组装,使其在整体上可以从形状和颜色表现输入图像,而在局部每个前景抠图仍然可以辨识.实验结果和用户体验表明,采用文中方法可以有效地生成具有娱乐性的阿奇姆博多拼图.     

基于内容图像检索中的优化鉴别特征

为了提高基于内容图像检索系统的检索速度和准确率,提出一种融合两类线性鉴别分析的方法来提取低维的优化鉴别特征.首先把多类问题转换为多个两类问题,对每个两类问题进行线性鉴别分析,得到鉴别向量;所有的鉴别向量组成鉴别变换矩阵,对图像特征进行投影变换得到鉴别特征;最后用变换后的鉴别特征进行图像检索或分类,得到准确率更高的结果.该方法中鉴别特征空间的维数与类别数相等.与多种特征优化方法进行比较的实验结果表明,采用文中方法可以显著地提高图像检索和图像分类的性能.     

基于视频的现实人物运动创作

提出一种根据用户指定的人体运动和观察视角生成真实感视频的方法.首先采集演员进行少数基本运动时的多视角视频数据库,并使用无标记运动捕捉的方法获得任意时刻人体对应的骨骼和3D模型.其次,用户对人体骨架指定运动并设定视角,以此定义目标视频.实验结果验证了文中方法能够利用有限的数据库合成演员在用户指定运动和视角下的真实感视频.     

联合相关反馈在医学图像检索中的应用

为进一步提高基于内容的医学图像检索性能,本文对相关反馈算法和全局特征进行研究。将基于模糊区域特征的图像检索和相关反馈算法与基于SVM的相关反馈算法结合起来,对复杂的区域特征采用基于模糊区域特征相关反馈算法,对全局特征采用能同时使用正例和负例图像的基于SVM的相关反馈算法,提出联合相关反馈算法。实验结果表明,采用这些方法后,检索结果有了很大的提高。     

P2P网络中的超级节点选取算法研究

P2P系统在构建覆盖网络时未考虑到与物理网络的结合,导致逻辑拓扑结构与物理拓扑结构严重不匹配问题,增加P2P相邻节点间的延迟。本文提出一种基于区域划分的超级节点选取机制,将P2P网络中的节点按照物理位置划分成若干区域,保证区域内节点在物理位置上是相近的。利用MATLAB进行仿真实验,仿真实验表明使用这种机制能降低半分布式P2P网络的信息检索延迟,有效地提高检索的效率,并且具有较好的可扩展性。     

利用改进的差分进化算法求解等圆Packing问题

等圆Packing问题属于强约束的复杂组合优化问题之一,针对其强约束特点及难点,通过改进传统的差分进化算法,提出一种等圆Packing问题的求解方法。该改进算法特点是将有效解空间加入差分进化的变异约束中,并采用随机排序机制改进差分进化的选择机制。通过多次实验,表明此算法在求解小规模等圆Packing问题上取得的效果与目前所能找到的最优值相差不到0.6%,从而验证了演化计算在求解等圆Packing问题的可行性;与此同时,演化算法具有很好的收敛性,因此在其他强约束的复杂优化问题上将有很好的应用。     

Hash算法在数据库安全中的应用

介绍了Hash算法在数据库加密系统中的应用,包括在用户身份验证中的应用,在数据库完整性认证中的应用,以及在密文检索中的应用。     

浅谈快速排序算法的改进

快速排序是冒泡排序经改进之后的一种新的排序方法。拥有速度快,原地排序等特点,本文主要探讨了对原始的快速排序的一些改进的想法,提高其效率。     

稀疏差分网络和多监督哈希用于高效图像检索

针对基于深度哈希的图像检索中卷积神经网络（CNN）特征提取效率较低和特征相关性利用不充分的问题,提出一种融合稀疏差分网络和多监督哈希的新方法SDNMSH（sparse difference networks and multi-supervised hashing）,并将其用于高效图像检索。SDNMSH以成对的图像作为训练输入,通过精心设计的稀疏差分卷积神经网络和一个监督哈希函数来指导哈希码学习。稀疏差分卷积神经网络由稀疏差分卷积层和普通卷积层组成。稀疏差分卷积层能够快速提取丰富的特征信息,从而实现整个网络的高效特征提取。同时,为了更加充分地利用语义信息和特征的成对相关性,以促进网络提取的特征信息能够更加有效地转换为具有区分性的哈希码、进而实现SDNMSH的高效图像检索,采用一种多监督哈希（MSH）函数,并为此设计了一个目标函数。在MNIST、CIFAR-10和NUS-WIDE三个广泛使用的数据集上进行了大量的对比实验,实验结果表明,与其他先进的深度哈希方法相比,SDNMSH取得了较好的检索性能。     

一种具有平衡标签预测能力的在线哈希算法

针对传统离线哈希算法训练模型耗时、占用内存大和不易更新模型的问题,以及现实图像集的标签存在大量损失的现象,提出了一种能够平衡标签预测的在线哈希算法（BLPOH）。BLPOH通过标签预测模块生成预测标签,并融合残缺的真实标签,能够有效缓解因标签损失导致的模型性能下降。观察到标签存在分布不平衡现象,提出标签类别相似性平衡算法并应用于标签预测模块,提升标签预测的准确性。将旧数据的信息加入哈希函数的在线更新过程,提升模型对旧数据的兼容性。通过在两个广泛使用的数据集上进行实验,并和一些当前先进的算法进行对比,结果证实了BLPOH的优越性。