基于Contourlet域梯度结构相似度的无参考图像质量评价

Contourlet变换已经成为多尺度、多方向图像处理领域的研究热点,文章将其引入图像质量评价,提出了一种基于Contourlet变换的梯度结构相似度无参考图像质量评价方法（NRCT-GSSIM）,将待评价图像通过高斯低通滤波器构造参考图像,然后在Contourlet变换域中计算图像频率子带、方向子带分别加权的梯度结构相似度,实现对图像的质量评价.该方法无需标准参考图像,充分考虑了人类视觉特性.实验结果表明,NRCT-GSSIM取得了与峰值信噪比（PNSR）、结构相似度（SSIM）和梯度结构相似度（GSSIM）等有参考图像质量评价相一致的评价结果,且较之PSNR、SSIM有更高的准确性.     

利用远程过程调用获取网络信息

本文讨论了基于远程过程调用机制之上网络信息的获取,给出了无盘工作站的例子及相关流程.     

非独立同分布场景下的联邦学习优化方法

联邦学习能够在不泄露数据隐私的情况下合作训练全局模型,但这种协作式的训练方式在现实环境下面临参与方数据非独立同分布（Non-IID）的挑战：模型收敛慢、精度降低的问题。许多现有的联邦学习方法仅从全局模型聚合和本地客户端更新中的一个角度进行改进,难免会引发另一角度带来的影响,降低全局模型的质量。提出一种分层持续学习的联邦学习优化方法（FedMas）。FedMas基于分层融合的思想,首先,采用客户端分层策略,利用DBSCAN算法将相似数据分布的客户端划分到不同的层中,每次仅挑选某个层的部分客户端进行训练,避免服务器端全局模型聚合时因数据分布不同产生的权重分歧现象;进一步,由于每个层的数据分布不同,客户端在局部更新时结合持续学习灾难性遗忘的解决方案,有效地融合不同层客户端数据间的差异性,从而保证全局模型的性能。在MNIST和CIFAR-10标准数据集上的实验结果表明,FedMas与FedProx、Scaffold和FedCurv联邦学习算法相比,全局模型测试准确率平均提高0.3～2.2个百分点。     

改进的NLN直线裁剪算法

NLN（Nicholl-Lee-Nicholl）裁剪算法的主要思想是通过在裁剪窗口周围划分多个区域来避免对一条直线多次裁剪及求交运算，但是仍存在不必要的求斜率的运算。本文提出依据裁剪线段两端点相对位置来划分窗口区域的方法，减少了求叙率的运算。算法的理论分析和在车载导航地图显示的实践运用都证实，改进是有效的。