微表情类别与区域间关联度的分析方法研究

为了揭示微表情类别与面部各区域之间的关联度,提出一种局部区域划分和分析方法。该方法首先根据各类微表情对应动作单元所在的位置确定出人脸中最为关键的7个局部区域,然后采用面部形变鉴别模型自动检测出面部49个关键点坐标,再根据这些点确定上述局部区域的4个边界。最后,分别提取各区域的时空模式特征并进行微表情分类,通过各区域对各类微表情的分类准确率来分析两者之间的关联度。实验结果表明,局部区域划分方案科学合理,微表情“惊奇”及“厌恶”与眼睛区域、微表情“高兴”与嘴巴区域、微表情“压抑”与下巴区域有较高的关联度。     

基于句子级的唇读语料库及其切分算法

论文对适合唇读研究的连续音节双模态语料库及其语料切分算法的设计和研究工作进行了讨论。介绍了基于句子级的双模态语料库HITBi-CAVDatabaseII的设计和建立,形式化地讨论了该库的主要特点及基于语音能量的语料切分算法的可行性。该切分算法在基于能量的语音切分算法基础上,结合了双模态语料库的一些特征,实现了对语料的自动切分。     

航天器氦质谱真空容器总漏率检测的灵敏度及可信度探讨

依据航天器氦质谱真空容器总漏率检测原理,讨论了检漏仪和真空容器直接相连、同真空容器主真空泵并联、在前级泵和主真空泵间等连接方式,逐项研究了总漏率测试的最小可检漏率、反应时间,分析各种连接方式的应用特点,认为对大型航天器氦质谱真空容器检漏系统,检漏仪连接在前级泵和主泵之间可得到较好的灵敏度和反应时间.通过测量不确定度的分析与评定,确定一般航天器氦质谱真空容器总漏率检测的相对标准不确定度小于10％.     

多尺度梯度对抗样本生成网络

传统的行人重识别(Person Re-identification, ReID)对抗攻击方法存在需要依赖注册集(Gallery)以生成对抗样本或样本生成方式过于单一等局限.为了解决此问题,文中提出具有强攻击性的ReID对抗攻击模型,即多尺度梯度对抗样本生成网络(Multi-scale Gradient Adversarial Examples Generation Network, MSG-AEGN).MSG-AEGN采用多尺度的网络结构,获得不同语义级别的原始样本输入和生成器中间特征.利用注意力调制模块将生成器中间特征转换成多尺度权重,从而对原始样本像素进行调制,最终输出高质量的对抗样本以迷惑ReID模型.在此基础上,提出基于图像特征平均距离和三元组损失的改进型对抗损失函数,约束和引导MSG-AEGN的训练.在Market1501、CUHK03、DukeMTMC-reID这3个行人重识别数据集上的实验表明,MSG-AEGN对基于深度卷积神经网络和基于变形器网络(Transformer)的主流Re-ID方法均具有较好的攻击效果.此外,MSG-AEGN具有所需攻击能量较低且对抗样本与原始...     

抗氧化天然活性多糖

化妆品市场是个充分竞争的市场,也是个同质化比较严重的市场。如何开发化妆品的天然特质,通过对新科技的探索发现,多糖作为一类重要的天然活性高分子,以其独特的抗氧化生物活性,广泛应用于化妆品领域。结合中国本土特色的动植物资源的开发研究,简要介绍了其作用机理以及几种具有应用于化妆品领域潜力的天然活性多糖。     

航天器用检漏收集室密封性研究

密封性是检漏收集室的核心技术指标,其密封性设计的难点在于大门的密封性设计。介绍一种新型的收集室大门密封型式,该密封型式具有实现简单、可靠性高等优点;通过对氦质谱非真空累积检漏法测试结果的误差分析,确定收集室的密封性指标;通过现场的实验测试,验证新研制收集室的密封性指标满足设计要求;通过设计长时间的可靠性试验验证充气密封圈达到设计的使用寿命。     

视觉单通道唇读系统的有效性

在建立视觉单通道的大词汇量唇读系统中,提出了归一化的U-LDCT-KL两级唇读特征提取方法,即针对唇区分块的DCT（Discrete Cosine Transform）系数进行二级KL（Karhunen-Loeve Transform）去局域参数的交叠。此方法一方面提取了唇读的最有效的低级语义特征,另一方面更加合理地选择利用了特征的有效可区分性,使得用42维二级视觉特征,对特定人的唇动内容识别正确率达到77.8%。实验还证明了系统中分块的唇区DCT特征对的视觉单通道唇读系统是最有效的。     

洗发露去屑效果检测评价方法的建立及应用研究

通过对引起头皮屑的马拉色氏菌菌群进行分离、培养和鉴定试验,建立了洗发露去屑效果的抑菌环试验体外评价方法,为研制新的去屑洗发产品提供一种新的评价手段。     

唇读中的HLM模型及其文字流解析

由于唇动序列和语言序列是一对多的映射,计算机自动唇读识别仅使用HMM是远远不够的.以HMM为基础,结合语言先验知识,建立了新的唇动识别模型--HLM (HMM and Bigram Language Model).HLM突破了单纯采用HMM计算声学后验概率进行识别的传统框架,将HMM和语言背景知识紧密联系起来,依据语言模型对语言背景知识进行统计,在识别阶段融合声学后验概率和语言学先验概率进行判决.实验结果表明,HLM可使单音识别率提高7.3%,句子识别率提高19.5%.另外,采用语言模型对文字流进行解析,而不再是盲目文字匹配,单一视觉流的解析精确率达70.5%.