摘要：目的 现有的跨域重识别任务普遍存在源域与目标域之间的域偏差大和聚类质量差的问题,同时跨域模型过度关注在目标域上的泛化能力将导致对源域知识的永久性遗忘。为了克服以上挑战,提出了一个基于跨域联合学习与共享子空间度量的车辆重识别方法。方法 在跨域联合学习中设计了一种交叉置信软聚类来建立源域与目标域之间的域间相关性,并利用软聚类结果产生的监督信息来保留旧知识与泛化新知识。提出了一种显著性感知注意力机制来获取车辆的显著性特征,将原始特征与显著性特征映射到一个共享子空间中并通过它们各自全局与局部之间的杰卡德距离来获取共享度量因子,根据共享度量因子来平滑全局与局部的伪标签,进而促使模型能够学习到更具鉴别力的特征。结果 在3个公共车辆重识别数据集VeRi-776(vehicle re-identification-776 dataset)、VehicleID(largescale vehicle re-identification dataset)和VeRi-Wild(vehicle re-identification dataset in the wild)上与较新方法进行实验对比,以首位命中率(rank-1 accuracy,Rank-1)和平均精度均值(mean average precision,mAP)作为性能评价指标,本文方法在VeRi-776→VeRi-Wild,VeRi-Wild→VeRi-776,VeRi-776→VehicleID,VehicleID→VeRi-776的跨域任务中,分别在目标域中取得了42.40%,41.70%,56.40%,61.90%的Rank-1准确率以及22.50%,23.10%,41.50%,49.10%的mAP准确率。在积累源域的旧知识表现中分别取得了84.60%,84.00%,77.10%,67.00%的Rank-1准确率以及55.80%,44.80%,46.50%,30.70%的mAP准确率。结论 相较于无监督域自适应和无监督混合域方法,本文方法能够在积累跨域知识的同时有效缓解域偏差大的问题,进而提升车辆重识别的性能。

摘要：遗留物检测作为视频监控的关键支撑技术之一,具有广泛的应用前景.针对现有方法存在无法较好地解决光影变化问题、深度学习遗留物检测方法中神经网络的参数量较多及准确度低等问题,提出基于YOLO-G的遗留物检测方法.首先结合高斯混合模型背景建模进行前景检测,根据移动区域与静止区域的分离距离与时间得到可疑静止区域,将判定为分离时刻的帧图像传入深层神经网络进行检测与识别;然后在网络模型中将幽灵网络中的幽灵模块应用于CSPDarknet53主干网络;最后引入压缩激励网络进一步提高特征提取能力.实验结果表明,所提方法的检测准确率比FCOS,SSD,RefineNet,YOLOv3,LRF和YOLOv4分别提高了34.22%,23.86%,16.64%,13.19%,8.16%和1.41%,网络参数量比YOLOv4减少了22.78%.

摘要：交通标志检测在智能交通领域的安全保障上具有重要作用。对于部分外观相似的交通标志在尺度变化下,现有模型难以提取它们之间的细微差异,导致标志被错误分类。此外,在复杂场景下,其他相似物体容易被误检为交通标志。为此,提出一种逐层特征细化检测模型。根据交通标志特点提出分层聚类锚框和分组损失,分层聚类锚框根据目标尺度对数据集分层并通过K-means聚类算法获取各层锚框,更好地适应交通标志灵活的尺度变化,分组损失对外观相似的类别分组并设计损失函数,指导模型学习相似交通标志间的细微差距,从而降低错误分类。在Neck层加入弱语义分割模块和特征细化模块,通过弱语义分割模块学习浅层特征上下文信息,从而分割出可信区域和非可信区域,利用特征细化模块挖掘非可信区域的上下文信息,主动学习并消除造成误检的干扰,从而降低对其他相似物体的误检。弱语义分割模块和特征细化模块结合通道注意力构建逐层细化特征金字塔,实现对多尺度特征的整体优化并提高模型精确率。实验结果表明,该方法在TT100K和GTSDB交通标志数据集上的AP_(50)指标分别达到97.0%和98.6%。

摘要：传统的集中式人脸识别方法在时间效率和可扩展性等方面存在不足,已经不能满足大规模实时人脸识别的需求。针对这个技术瓶颈,本文提出了一种分布式人脸识别方法,该模型由多个代理和一个服务器组成。代理能够同时对多个视频中的行人进行检测、跟踪以及特征提取,服务器则对视频中的行人执行识别操作。针对代理处理的任务分布不均而导致处理视频时间过长、任务量过大引起的CPU利用率激增问题,设计了代理的负载均衡来进行性能优化。利用代理统计处理的视频总数及每个视频中的行人数,并将统计数据发送给服务器。服务器通过负载均衡将视频重新分配给每个代理进行人脸识别。实验结果证明,分布式人脸识别有效地提高了人脸识别方法的效率和可扩展性。对一些较为极端的实验例子,经过性能优化后,代理中最大的CPU利用率降低近40%,有效地缓解了时间延迟问题。

摘要：四川客家方言普遍具有跟闽粤赣客家方言相同的语音特点:古全浊声母字逢今塞音、塞擦音读为送气清音,古次浊上声与古全浊上声字部分读阴平,山摄一、二等舒声韵基本有n与an的分别,蟹摄一、二等有oi与ai/uai的分别等;同时也具有跟四川官话相同的语音特点,出现了、y、z等来源方言中没有的语音成分。根据语音特点和来源标准可把四川客家方言分为四川粤东片和四川粤北片,再根据地缘标准进一步把四川粤东片客家方言分为川西成都小片、川东南内江小片、川西南黄联小片。

摘要：针对现有的基于车牌字符分割的车牌识别方法,在光照,阴暗等特定自然场景下存在无法定位且车牌字符无法正确分割,直接影响车牌字符识别效果的问题,提出一种基于深度学习的车牌定位和识别方法.首先采用深度学习FasterR-CNN算法进行车牌定位,利用k-means++算法来选择最佳车牌区域尺寸,解决现有车牌定位方法在某些自然场景下无法正确定位车牌的问题;然后在AlexNet网络模型的基础上进行改进和重新构建,提出一种增强的卷积神经网络模型AlexNet-L,该模型是一种针对车牌字符识别的端对端网络模型,可提高车牌识别准确率,避免现有的基于车牌字符分割的车牌识别方法中因无法正确分割车牌字符对车牌字符识别的影响.实验结果表明,该方法可以更有效地提高车牌定位和车牌字符识别的准确度和效率.

摘要：传统的多边形的Voronoi图存在不能相交的问题,以至于无法将其应用于计算机视觉、生态学等领域中的多边形相交情况.为了解决多边形相交情况下的最邻近空间划分问题,提出了可相交凸多边形的Voronoi图.首先定义可相交凸多边形的Voronoi图;然后阐述相交多边形特有的Voronoi边的区域化现象,证明了其发生的充要条件,进一步揭示了相交多边形与不相交多边形之间的关系;最后提出Voronoi图的生成算法,并用代码实现.实验结果表明,该算法能够有效地解决多边形相交的问题,突破了不能相交的限制,为计算机视觉、生态学等领域的实际应用提供了理论基础.

摘要：针对网络故障管理中的规则手工定义方法未考虑冗余和不准确数据对规则有效性和性能的影响问题,为提高规则匹配效率,提出一种规则自动生成方法。通过邻域粗糙集约简网络故障诊断属性并对约简结果限定阈值进而实现规则自动生成。针对监控数据的规则多匹配问题,设计基于值权重的规则匹配算法,可在发生多匹配时从规则中找出一条与当前监控数据匹配度最高的规则。实验结果表明,与规则手动定义方法相比,该方法能在不降低故障诊断率的情况下,使规则匹配效率平均提升2.5倍。

摘要：董同龠禾先生在《华阳凉水井客家话记音》中,共列举了3400余个客家话词语,为后学者提供了宝贵的研究资料。由于调查时间的限制,其中部分词语空位,为了使词汇表更加完善,在田野调查的基础上,对其中的空位词进行了统计并在尊重原作的基础上对其进行拟构,希望对客家话的研究有所补益。

摘要：针对侧脸的识别问题,择优检测算法被提出。将人脸图像进行二值化处理,分割肤色区域,采用LoG(Laplace of Gaussian)算子进行卷积得到人脸边缘,计算肤色区域和非肤色区域比值并进行堆排序,在固定时间间隔内选择一帧最优人脸与数据库进行匹配。针对人脸距摄像头较远时尺度不一的问题,多尺度匹配算法被提出。采用基于二分法的尺度选择机制选出与捕捉到的人脸最相近的尺度,用LDA算法将人脸图像与相近尺度的人脸库进行匹配。多组实验结果表明,该算法提高了识别率,在较为复杂的环境下可以稳定地识别人脸,可以准确识别侧脸,是一种鲁棒的实时人脸识别算法。