摘要：现有无监督哈希检索算法的关注点在于哈希映射过程中的信息损失以及生成哈希的质量问题,忽略了图像特征本身对检索精度的影响。为进一步提高检索的精度,提出一种改进的基于特征共现的无监督哈希检索算法(Unsupervised Hash retrieval algorithm based on Feature Co-occurrence,UHFC)。该算法共分为两个阶段:深度特征提取和无监督哈希生成。为提高图像特征的质量,UHFC在卷积神经网络(Convolutional Neural Network,CNN)结构的最后一层卷积后引入了共现层,用来提取特征之间的依赖关系。并用共现激活值的均值来表示共现程度,解决原共现操作存在相同两个通道的共现值不一致的问题;接着,在特征融合部分UHFC设计一种适用于共现特征融合的,结合空间注意力机制的注意特征融合方法(Attention Feature Fusion method based on Spatial attention,AFF-S)。通过注意力机制自主学习共现特征与深度特征融合的权重,降低特征融合过程中背景因素的干扰,提高最终图像特征的表达能力。最后,根据最优传输策略,UHFC采用双半分布哈希编码对图像特征到哈希码的映射过程进行监督,并在哈希层后添加一层分类层通过KL损失进一步提高哈希码所包含的图片信息,整个训练过程中无需数据集的标注,实现无监督哈希的生成。实验表明,UHFC对哈希编码质量改善较好,在Flickr25k和Nus-wide数据集上其平均均值精度(mean Average Precision,mAP)分别达到了87.8%和82.8%,相比于baseline方法分别提高了2.1%与1.2%,效果明显。

摘要：现有的妆容迁移算法效果优越,功能丰富,但是较少考虑到输入图像为低分辨率的场景.当高分辨率图像难以获得时,现有的妆容迁移算法将难以适用,妆容无法完全迁移.为此本文提出了一种适用于低分辨率图像的妆容迁移算法,将包含妆容信息的特征矩阵作为先验信息,将超分辨率网络与妆容迁移网络结合在一起产生协同效应,即使输入的图像为低分辨率图像,也能输出高分辨率的妆容迁移结果,并且充分保留妆容细节的同时提升姿势和表情的鲁棒性.由于使用端到端的模型实现妆容迁移与超分辨率,因此设计了一组联合损失函数,包括生成对抗损失、感知损失、循环一致性损失、妆容损失和均方误差损失函数.所提出的模型在妆容迁移与超分辨率的定性实验和定量实验中均达到了先进水平.

摘要：本文针对移动互联网技术的冷链监测系统进行了初步研究,就冷链系统的硬件及软件进行了分析设计,介绍了一种基于移动互联技术的冷链监测系统设计与实现方法,为保障冷链安全运输提供信息技术解决手段。

摘要：计算机网络实验教学的主要目标之一是培养学生的设计与创新能力,而基于设计型学习的方式可以有效地促进学生设计能力的提高。本文首先介绍基于设计型学习的内涵和模式,然后探讨设计型学习的特点和操作模型,在此基础上,以一个实验为案例,详细介绍运用该方法进行实验教学的具体过程。实践证明,这种学习方式有利于发展学生的批判性思维和创新思维,提高学生的设计能力和解决实际问题的能力。