基于图交互与场景感知融合的轨迹预测方法

在自动驾驶中,精确的环境感知和对周围交通参与者的轨迹预测对道路安全至关重要。基于此,提出了基于鸟瞰图(Bird Eye View, BEV)的实时端到端轨迹预测框架来同时学习交互和场景信息。该框架主要由图交互网络和金字塔感知网络两个模块组成,前者通过时空图卷积网络对交通参与者之间的交互模式进行编码,后者采用时空金字塔网络对周围信息进行场景建模以获取场景特征。然后,对交互特征和场景特征进行单一尺度融合,从而进行分类和轨迹预测任务。在大规模开源数据集NuScenes上的实验和分析表明,与当前先进算法(MotionNet)相比,所提框架平均类别准确度提高了3.1%,轨迹预测平均误差在行驶速度>5m/s时降低了1.43%。此实验结果表明,所提模型具有更好的泛化性和鲁棒性,更符合实际自动驾驶环境中的轨迹预测需求。     

超网络道路限速标志识别

限速标志识别系统是智能交通系统的一个重要组成部分,它能有效地辅助司机安全驾驶.针对限速标志的数字字符识别问题,提出一种基于超网络模型的模式识别方法.首先介绍了超网络计算模型及其分类原理;然后采用颜色分割和形状分析相结合的方法对限速标志进行定位,并提取出限速数字字符特征;最后以限速字符的特征向量为训练样本对超网络模型进行演化学习.本文使用超网络模型对限速标志20、40、60、80 km/h进行识别.实验结果表明,基于超网络模型的道路限速标志识别系统最快只需3次迭代便可以完成对样本的学习,识别率为96.15%.和其它传统模式识别方法相比,该模型具有学习时间短、识别率高的优点,为解决现实应用中的道路限速标志识别问题提供了可能.     

演化超网络在多类型癌症分子分型中的应用

该文提出一种用于多类型癌症分子分型的演化超网络模式识别方法。首先采用“一对多”方法,将一个多类分型问题转化为多个二类分型问题;然后利用信噪比方法对DNA微阵列数据进行信息基因选择;经过超网络对训练集的演化学习,构造一系列二类分类器并进行集成,最终构建一个多类型癌症分型系统并对待测样本进行分类。对急性白血病、儿童小圆蓝细胞肿瘤和GCM数据集实验结果表明：演化超网络留一交叉验证(LOOCV)识别率分别为：98.61%,100%和85.35%。演化超网络有利于挖掘癌症相关基因,具有良好的学习结果可读性。     

基于迁移权重的条件对抗领域适应

针对条件对抗领域适应(CDAN)方法未能充分挖掘样本的可迁移性,仍然存在部分难以迁移的源域样本扰乱目标域数据分布的问题,该文提出一种基于迁移权重的条件对抗领域适应(TW-CDAN)方法。首先利用领域判别模型的判别结果作为衡量样本迁移性能的主要度量指标,使不同的样本具有不同的迁移性能;其次将样本的可迁移性作为权重应用在分类损失和最小熵损失上,旨在消除条件对抗领域适应中难以迁移样本对模型造成的影响;最后使用Office-31数据集的6个迁移任务和Office-Home数据集的12个迁移任务进行了实验,该方法在14个迁移任务上取得了提升,在平均精度上分别提升1.4%和3.1%。     

FedSharing：一种双区块链激励驱动的数据分享联邦学习框架

联邦学习（federated learning,FL）能够在不丢失数据所有权的同时依托隐私保护技术实现安全的分布式模型训练,但是其也具有中心化、缺乏公平激励等问题。区块链（blockchain）本质上来说是一种分布式数据库,具有去中心化、信任公证等特点,但是其也具有网络吞吐量小、资源浪费等关键问题。针对上述技术方法的问题与特点,提出了一种双区块链激励驱动的数据分享联邦学习框架,称为FedSharing。分别构建主链与侧链：主链使用交易封装联邦学习中交换的全局参数,同时结合链上智能合约和链下扩容技术建立梯度状态通道;侧链提出了一种新型的修正Shapley值工作量证明算法（PoFS）,修正传统Shapley值计算中成员平等性前提,将联邦学习中成员合作历史诚信度这一影响联盟利益的因素纳入考量。测试结果表明：梯度状态通道较智能合约去中心化方案每轮次时间平均降低4~5 s,PoFS共识下激励分配比例更符合公平实际。     

结合目标特定特征和目标相关性的多目标回归

多目标回归旨在使用一组共同的输入变量来预测多个连续变量,其现有方法可归类为问题转换法和算法适应法.它的主要挑战在于如何对输入与输出空间的复杂关系进行建模,以及如何有效利用目标间的相关性.然而,现有的问题转换法很少同时考虑到这两方面.基于此,本文构建了一种问题转换法同时应对这两大挑战,提出了一种结合目标特定特征和目标相关性的多目标回归方法（Multi-Target Regression via Specific Features and Inter-Target Correlations,TSF-TC）.TSF-TC通过对分箱后的样本进行聚类分析构建目标特定特征从而对输入与输出空间的复杂关系进行建模,通过有选择性地堆叠单目标预测值揭示目标间的相关性.本文使用TSF-TC在18个多目标回归数据集上与现有多目标回归方法进行了对比实验,实验结果充分表明了TSF-TC的优势.     

基于特征占比差的恶意软件检测方法

基于机器学习的Android平台恶意软件检测方法提取的权限信息特征维度高且类别区分能力弱,导致检测精度低及复杂度高。为此,提出一种基于特征占比差与加权随机森林的恶意软件检测方法。通过获取Android软件的权限信息和硬件组件信息,分析各类特征的占比差,并将特征属性作为分类模型的输入。在此基础上,对随机森林中的树模型赋予不同的权值,验证树模型对最终分类结果的影响。实验结果表明,与神经网络方法相比,基于特征占比差的特征构建方法所提取的特征具有较好的类别区分能力,且改进后的随机森林能提高恶意软件检测的准确性。     

基于天空区域分割与置信度图导向融合的去雾方法研究

基于暗通道先验的去雾算法总是存在复原结果中天空区域处理不佳等问题,为了进一步优化对传输函数的估计,本文提出一种基于置信度图导向融合的传输函数优化方法。首先,将雾天图像的天空区域分离出来,以达到对天空区域的优化;计算窗口级暗通道与像素级暗通道,以平滑传输函数在物体边缘并保留小于窗口尺寸的细节特征;最后,计算窗口级暗通道与像素级暗通道之间的置信度图,以其为导向对两者进行融合得到优化的传输函数图,实现图像去雾。实验结果表明,本文算法可达到很好的复原结果优化效果。     

结合整体注意力与分形稠密特征的图像超分辨率重建

现有单图像超分辨率模型普遍基于卷积神经网络且使用单一尺度的卷积核提取特征信息,容易造成细节信息遗漏并降低网络表征能力。为有效提取高频信息同时提高图像重建性能,提出一种基于整体注意力机制与分形稠密特征增强的图像超分辨率重建模型。在特征增强过程中,级联9个分形稠密特征增强模块,每个模块通过4条分支路径提取和融合多尺度特征,并引入局部稠密跳跃连接传递信息以获取更丰富的细节信息。引入整体注意力机制,从3个维度出发建立特征图之间的关联关系,通过对不同通道、空间和层次的特征进行加权和选择性聚合为特征图分配不同的权重,从而提高模型判别学习能力。在Set5、Set14、BSDS100和Urban100数据集上的实验结果表明,该模型可有效重建纹理细节更丰富的高分辨率图像,重建图像在主观视觉效果与客观评价指标上均优于同类模型,且在图像放大3倍时,峰值信噪比和结构相似性指标最高比MSRN模型提升了0.57 dB和0.007。     

基于标签关联的多标签演化超网络

针对多标签学习中如何有效挖掘利用高阶标签关联的问题,提出了一种基于标签关联的多标签演化超网络模型.该模型通过输入任意多标签学习方法的预测结果,利用超边表征挖掘高阶标签关联,并综合标签关联和特征信息作为最终的预测结果.与3种传统多标签学习方法在6个多标签数据集上的对比实验表明,本文提出模型不仅能够有效提升多个传统多标签学习方法的性能,而且能够提供具有良好可读性的学习结果.