面向Spring的热点代码在线部署方法研究

随着Spring生态不断发展,越来越先进的部署方式降低了部署的复杂度,提高了不同环境下的部署效率,但是在预生产环境下,对频繁改动的热点代码,其部署效率不是很理想,一些简单的代码修改就会引发对所有依赖服务的重新编译部署,给项目部署、运维以及测试带来很多预期之外的影响。在线部署机制针对这个问题进行了改进,该机制使用自定义注解作为与外部应用通信的桥梁,使在线部署模块独立于外部应用。在线部署模块使用React创建可视化页面,在可视化页面中管理相应的热点代码。热点代码在编辑完成后注入到在线部署模块,进而完成其热点功能在预生产环境的在线部署。实验表明,相对于重新编译部署,该部署机制对原有代码侵入影响较小,减少了反复部署应用以及不同部门协调合作造成的时间浪费,在保持系统稳定运行的同时,提升了系统的部署效率,并成功应用于新型智慧城市评估系统的热点代码模块。研究结果将为迭代开发以及高效部署提供设计思路与技术支撑。     

小城镇城市化建设的几点思考

针对如何增加小城镇的集聚效应,推进城市化进程展开了探讨,从户籍制度、承包地、宅基地等方面入手阐述了引导农民进镇的具体措施,并提出应加强小城镇经济建设,改善人居环境,提高自身的凝聚力和吸引力。     

基于多尺度双通道网络的人脸活体检测

人脸活体检测在人脸识别系统的安全保护中发挥着重要作用。现有基于频率域处理人脸活体检测问题的方法是从高频信息中提取边缘和纹理信息,进而获取伪造痕迹特征,但是频域方法对光照环境和传感器采集设备变化的适应性差,鲁棒性较差。针对该问题,提出了基于多尺度双通道神经网络的人脸活体检测方法,构建了频率域通道和空间域通道,分别从频率域图像和RGB图像中提取多尺度频率域特征和多尺度空间域特征,并采用注意力机制进行双通道的特征融合,增强了网络的特征提取能力。与同类方法相比,本文方法在Oulu-NPU和Siw数据集上的检测错误率最低,并且在Idiap Replay Attack数据集上的准确率可达99%以上,验证了本文所提出的多尺度双通道网络的有效性和鲁棒性。     

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。     

多特征提取与匹配矩阵驱动的点云配准

针对三维点云配准时容易受到噪声、奇异值等不利因素影响的问题，提出一种多特征提取与匹配矩阵驱动的点云配准方法。利用多特征提取模块提取稳健的关键点和关键点的局部几何特征；分别计算出关键点的特征匹配矩阵和空间匹配矩阵，并对二者进行融合，提高正确匹配点对的概率；在前两方法的驱动下，利用加权奇异值分解计算点云间的刚体变换矩阵，降低噪声和奇异值等因素对配准的影响。实验结果表明，所提方法与现有的点云配准方法相比，具有更高的配准精度和较强的鲁棒性。     

融合两级注意力的多机器人强化学习导航

针对多智能体强化学习中因智能体之间的复杂关系所导致的学习效率低及收敛速度慢的问题, 提出基于两级注意力机制的方法MADDPG-Attention, 在MADDPG算法的Critic网络中增加了软硬两级注意力机制, 通过注意力机制学习智能体之间的可借鉴经验, 提升智能体之间的相互学习效率. 由于单层的软注意力机制会给完全不相关的智能体也赋予学习权重, 因此采用硬注意力判断两个智能体之间学习的必要性, 裁减无关信息的智能体, 再用软注意力判断两个智能体间学习的重要性, 按重要性分布来分配学习权重, 据此向有可用经验的智能体学习. 在多智能体粒子的合作导航环境上进行测试, 实验结果表明, MADDPG-Attention算法对复杂关系的理解更为清晰, 在3种环境的导航成功率都达到了90%以上, 有效提高了学习效率, 加快了收敛速度.