基于群智感知的街景变化检测方法

移动群智感知数据包含的图像和时空情境信息可用于检测街景图像变化,但是群智感知数据通常是低质和不规范的。为了准确检测街景发生的变化,主要解决由拍摄视角差异引起的数据低质问题。首先,针对大视差问题采用图像配准方法初步对齐图像并提取出配准特征点;然后,基于配准特征点分布从图像中提取感兴趣区域;随后,针对差值图像的误检内容,提出基于面积和多特征点的筛选法去除误检区域;最后,结合边缘检测和超像素分割算法提取完整的变化对象。与MDFNet方法进行比较,实验结果显示：当街景发生变化时,该方法的F1-measure值为55.8%,增长6%,错误率为10.8%,降低24%;当街景无变化时,该方法的错误率为2.8%,下降28%。     

记忆计算:概念、特性及研究进展

随着信息技术的发展,尤其是移动互联网与物联网的发展,有关个人工作和生活的数据呈指数型增长。这些海量的数据中蕴含着丰富而有价值的个人信息,如何从这些数据中挖掘出有价值的信息成为当前信息领域的重要问题。针对该问题,介绍了普适计算领域新兴起的研究主题——记忆计算。记忆计算旨在通过各种带感知和计算功能的设备,比如智能手机、可穿戴设备等,实时感知和捕获用户线上线下活动的数据,分析并挖掘其内在价值,进而组织和管理有意义的记忆数据,实现基于情境的记忆数据呈现,以辅助个体记忆,支持社群交流与协作。讨论了基于移动情境感知的记忆计算的概念、特性、系统模型以及当前研究的关键技术与挑战,综述了记忆计算在生活日志、记忆提醒、往事回忆和群体记忆分享等方面的研究进展,并对其未来发展进行了展望。     

开放模式下群智感知高质量数据采集方法研究

移动群智感知利用人们携带的智能设备作为感知单元完成大规模的数据采集,是一种分布式和弱协作式的数据采集方式,因此,参与者常常有意或无意的采集并提交了错误或者重复的低质数据.在仅支付高质量数据的约束下,采用传统封闭采集模式时,参与者只能按照任务要求自行调整采集策略,为此,我们采用开放式采集模式,即向参与者提供已收集到的数据信息,帮助参与者调整采集策略,提高数据采集的质量和效率.我们招募到99名志愿者参加了22轮数据采集任务.为了评估开放式采集在按质支付方式下的效果,我们采用了传统支付和逆向拍卖两种激励机制,对比了不同数据采集方式、不同任务难度和不同支付方式下,数据质量和数据收集成本的变化.实验结果显示采用开放式采集可以有效降低数据冗余率,提高困难任务的数据质量,并且参与者采用逆向拍卖时的出价更合理,拍卖成功率也更高.     

谓词逻辑中前束范式的求解方法研究

《离散数学》谓词逻辑中前柬范式的求解一直是一个难点。对前柬范式求解步骤进行分析和总结,对两种换名规则和换名情况进行分类和研究．结合实例帮助学生更好地掌握整个前束范式的求解过程,并在实际教学过程中起到很好的教学效果。     

移动群智感知应用

认为无线通信和智能移动设备的发展为群智感知在移动环境下的应用奠定了基础,而廉价多样的传感器使移动群智感知应用与人类社会的联系更加紧密。移动群智感知用户采集数据时的协作方式分为参与式感知、机会感知两种,各有优缺点和局限性。移动群智感知需要考虑用户成本、网络压力、云计算服务器架设、用户隐私保护等方面的问题,要面对情境隐私、匿名任务、匿名数据汇报、可靠数据读取、数据真实性等安全方面的挑战。     

基于UML的数据流图可视化编辑工具的设计

数据流图可视化编辑工具SECAI是适用于传统的面向数据流需求分析的一种工具软件. SECAI是为了满足需求分析时绘制数据流图和编写数据字典的需求,因此它的主要功能包括:绘制分层数据流图、保证数据流的一致性以及记录外部实体的信息、记录加工的信息、记录数据流的信息、记录数据存储(文件)的信息并根据以上信息自动编写数据字典.文中使用UML描述了数据流图可视化编辑工具的设计方法,设计了数据流一致性保持算法并给出了运行结果     

在线考试系统的分析与设计

在线考试系统可以为考生提供公平、快捷的考试服务,目前随着网络技术的迅猛发展,它的应用范围越来越广泛.在线考试系统的网络结构常采用B/S结构或者C/S结构,文中结合B/S与C/S的优点,设计网络模型.分析在线考试系统的功能、网络结构,设计适合于多种考试,能够动态管理考试信息的在线考试逻辑模型.它提供智能组卷功能,考试时间灵活,考试地点灵活,并且阅卷速度快,降低教师阅卷的工作量,提高阅卷的准确度,自动给出全面的考试分析.     

以“项目引导教学法”促进数据库教学

针对数据库课程特点和在教学中存在的问题,提出用"项目引导教学法"提高数据库课程的教学质量,并从项目需求、数据库分析到系统设计与实现3个方面对项目引导教学法的实施作了详尽论述,在数据库课程理论教学和生产实习方面取得很好的教学效果。     

掌静脉识别的深度学习方法综述

掌静脉识别作为一种新兴的红外生物识别技术,因其高安全性、活体检测性等优势已成为当前生物特征识别领域中的研究热点之一。近年来,该领域的大量研究通过引入深度学习方法推动了掌静脉识别技术的发展。为了掌握掌静脉识别领域最新研究现状及发展方向,对数据采集和数据预处理的主流算法进行了分类和总结,并针对基于深度学习的掌静脉识别的最新进展按照掌脉特征表征、网络设计与优化、轻量级网络进行了分类和详细阐述。针对当前单模态识别达到瓶颈等问题,分析并对比了多模态和多特征融合识别相关算法;探讨了当前掌静脉识别的研究难点挑战,并对未来的发展趋势进行了展望与总结。