摘要：开放世界目标检测(open world object detection,OWOD)是一个计算机视觉挑战,聚焦于现实世界环境,其不仅要检测出标记出的已知物体,还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题,提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器(offset filter and unknown-feature reinforcement for open world object detection,OFUR-OWOD)。首先设计一个未知类特征强化(unknown class feature reinforcement,UCFR)模块,通过自适应未知对象得分的方法来强化未知类目标特征,进而提高模型对未知类对象的训练准确度。然后,将重叠框偏移过滤器(overlapping box offset filter,OBOF)应用于目标预测框,根据目标位置和大小,获得不同偏移得分,以过滤冗余未知框。通过丰富实验证明,该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。

摘要：基于深度学习的遥感图像目标检测方法通常难以排除复杂场景下的背景干扰,从而导致检测精度低。为解决该问题,设计了一种基于尺度分层的特征金字塔结构,并提出了一种基于距离约束的中心回归(distance-constraints centerness,DCCN),从而形成了基于距离约束的改进FCOS遥感图像检测方法。基于尺度分层的特征金字塔结构包括高层语义信息激活模块和低层有效特征感知模块,其中高层语义信息模块重构了特征融合阶段对高层特征图的处理方式,提升了特征金字塔顶部区域的语义感知能力,低层有效特征感知模块通过引入通道注意力机制,增强了通道间的信息交互能力。DCCN能够利用预测样本框与真实样本框之间的距离因素作为回归评估条件,提升了预测框的回归效果。在NWPU VHR-10数据集的实验中,该方法的精度达到92.6%,相比于原FCOS方法提升了4.9个百分点,有效改善了遥感图像检测的精度。

摘要：为增强频繁序列的隐私保护力度,提高其挖掘效用和降低数据维度的影响,本文提出满足局部差分隐私的频繁序列挖掘模型,设计算法予以实现。该算法采用剪枝思想获取频繁序列,利用随机响应方法在局部敏感度基础上干扰数据集,并利用序列支持度和专有隐私预算提高其适用性,利用FP-Growth前缀与后缀原理,由2级与2级以上频繁序列挖掘3级与3级以上频繁序列;选取合理局部敏感度遍历干扰前后的数据集,以确定挖掘频繁序列的运行时间;根据差分隐私的组合性质,从理论角度证明算法满足局部差分隐私,并实验验证算法的有效性。实验结果表明该算法可以安全高效地实现频繁序列的局部差分隐私保护,保证频繁序列的准确性。

摘要：典型相关分析(CCA)作为一种传统特征提取算法已经成功应用于模式识别领域,其旨在找到使两组模态数据间相关性最大的投影方向,但其本身为一种无监督的线性方法,无法利用数据内在的几何结构和监督信息,难以处理高维非线性数据。为此该文提出一种新的非线性特征提取算法,即图强化典型相关分析(GECCA)。该算法利用数据中的不同成分构建多个成分图,有效保留了数据间的复杂流形结构,采用概率评估的方法使用类标签信息,并通过图强化的方式将几何流形和监督信息融合嵌入到典型相关分析框架。为了对该算法进行评估,分别在人脸和手写体数字数据集上设计了针对性实验,良好的实验结果显示出该算法在图像识别中的优势。

摘要：硅压阻式压力传感器因对温度具有敏感性,工作时受环境温度的影响会产生温度漂移现象,降低了测量精度,为提升压力传感器的检测精度,提出了一种基于深度信念网络(Deep Belief Network,DBN)的高精度温度补偿模型。研究了压阻式压力传感器的工作原理和温度补偿的数学模型,利用深度学习强大的数据表征能力,设计了区间定位的温度补偿模型构建算法,建立并优化DBN模型的网络结构,将DBN温度补偿模型对实验数据进行训练拟合,结果表明:温度补偿后的满量程相对误差由原来的7.013×10-3提升至8.240×10-5,验证了所提出的方法能具有较好的稳定性和温度补偿效果,较大幅度地提升了传感器的检测精度。

摘要：分析目前网络工程专业的人才培养目标和毕业要求,对网络工程专业移动互联网课程的建设内容提出8个模块,对每个模块的内涵设计和主要知识点进行具体说明。

摘要：餐饮企业营业额预测是一种根据相关特征参数构建机器学习模型并实现科学预测的人工智能技术,可以为企业管理层提供较为精准的营业额预测,使其合理控制经营成本,提高利润和综合竞争力.通过采集整理进驻安徽理工大学的高校餐饮企业历史经营数据,构建了一种优化随机森林算法的营业额预测模型,设计了一种二次划分贪心选择网格搜索算法,对随机森林算法中的子模型数量(n_estimators)和最大特征数(max_features)进行参数优化.实验结果表明,该模型在测试集上的预测均方根误差(RMSE)、平均绝对误差(MAE)和平方相关系数(R2)分别为0.037、0.149和0.963,经对比分析,明显优于传统的Ridge、SVM和XGBoost模型,证明提出的方法具有更好的预测效果.

摘要：针对多尺度分解(multi-scale decomposition,MSD)方法会导致图像细微组织结构丢失和产生噪声的问题,结合结构纹理分解模型、改进的卷积神经网络和相位一致性方法,提出1种新的多模态医学图像融合方法。首先,针对MSD容易产生噪声的问题,引入低通滤波器优化函数和结构纹理分解模型,有效解决了分解技术的难题;其次,对结构纹理部分设计1种基于卷积神经网络结合高斯平滑的融合方法,加强了对图像细节部分的提取,消除了噪声,并对高频部分引入基于相位一致性的改进方法进行融合;然后通过分解过程的逆变换得到最终的融合图像。定性、定量分析表明,所提出的算法在视觉效果、互信息(mutual information,MI)、特征互信息(feature mutual information,FMI)、结构相似性(structure similarity index measure,SSIM)、信息熵(entropy of information,EN)、峰值信噪比(peak signal to noise ration,PSNR)方面都达到了较高水平,融合后的图像更有利于专家和医生的诊断。

摘要：目的在实际应用中采集的原始多模态故障数据通常是包含大量噪声和冗余信息的非线性数据,如何从不同故障模态中提取有效的非线性故障特征仍是一个挑战性的问题。方法提出了一种鉴别流形敏感的跨模态故障诊断方法,在该方法中首先借助相关分析理论在跨模态故障空间中构建了不同模态间的相关系数,并通过理论推导获得了相关系数的等价优化模型,然后利用局部近邻图构建了鉴别流形敏感散布,进而通过最大化不同模态间的相关性和最小化鉴别流形敏感散布,形成了鉴别流形敏感的跨模态故障诊断模型,并且在理论上推导出了该优化模型的解析解,从而能够从不同模态的故障数据中学习强鉴别力的非线性故障特征。结果在德国帕德博恩轴承数据集和多模态轴承故障数据集上设计了针对性实验,实验结果显示在少量故障样本用于训练时即可获得良好的诊断准确性。结论提出的方法是一种有效的跨模态故障诊断方法。

摘要：目前指纹识别技术具有很广泛的应用,但通常指纹图像含有混合噪声,而传统小波阈值去噪算法对含有混合噪声的图像去噪时,存在混合噪声去除不彻底的问题,为此提出了一种改进的自适应阈值和连续型低误差阈值函数的小波去噪算法。首先,算法对含有混合噪声的指纹图像进行一次中值滤波去噪。然后,设计了一种新的自适应阈值,小波分解层数越大新阈值就会越小,就能更好地体现噪声信号在进行小波分解时减小的特征。最后,设计了连续型低误差改进阈值函数,改进的函数是连续的,并且阈值达到极限时误差为0。改进后的算法使得估计的小波系数更加接近真实系数,重构后的图像更接近原始图像。实验结果表明,该算法对含有高斯噪声和椒盐噪声的指纹图像处理时,相比于其他算法,得到了更好的峰值信噪比和均方误差数值,去噪后的指纹图像纹理显示更加清晰。