摘要：针对现有群体队形控制方法在队形变换异构性、光滑性、条理性等方面的不足,提出一种基于几何约束机制的受限异构群体队形控制方法.首先采用Morphing方法生成由初始形状平滑变换到目标形状的一系列中间约束形状;然后引入基于质心的容量限制Power图对个体在约束形状中的内部布局进行建模,产生所需的异构分布;最后提出面向Power图的Lloyd导航算法,以控制个体进行无碰撞的光滑移动.实验结果表明,该方法稳定可靠,队形变换平滑流畅,非均匀人群分布可用于制作自然的群组动画和仿真真实场景,适用于不同规模、不同队形的异构群体队形控制.

摘要：与Voronoi图不同,Power图有着精确限容的特性,可应用于众多领域.在普通Power图上,通过给每个站点增加权重来添加容量限制约束,即得到容量限制Power图.现有容量限制Power图的生成算法时间复杂度高,速度较慢.本文首先对Power图权值对于容量的单调性进行理论证明,然后提出了一种Power图权值的快速计算方法,相比于现有的试位法,能大幅提升容量限制Power图的生成性能.实验结果表明,文中算法具有速度快,精确度高,便于计算,密度适应性强等优点.

摘要：由于构建全天候视频监控系统的需要,基于可见光与红外的跨模态行人重识别问题受到学术界的广泛关注.因为类内变化和类间差异的影响,可见光与红外行人重识别是一项具有挑战性的任务.现有的工作主要集中在可见光-红外图像转换或跨模态的全局共享特征学习,而身体部位的局部特征和这些特征之间的结构关系在很大程度上被忽略了.我们认为局部关键点之间的图结构关系在模态内与模态间的变化是相对稳定的,充分挖掘与表示这种结构信息有助于解决跨模态行人重识别问题.本文提出了一种基于局部异构聚合图卷积网络的跨模态行人重识别方法,采用关键点提取网络提取图像的局部关键点特征,并构建了一种新颖的图卷积网络建模人体各部位之间的结构关系.该网络通过图内卷积层表征局部特征的高阶结构关系信息,提取具有辨别力的局部特征.网络中的跨图卷积层使两个异构图结构之间可以传递差异性特征,有助于减弱模态差异的影响.针对异构图结构的图匹配问题,设计了一种跨模态排列损失以更好地测度图结构的距离.本文方法在主流跨模态数据集RegDB和SYSU-MM01上的mAP/Rank-1为80.78%/80.55%和67.92%/66.49%,比VDCM算法的Rank-1分数高出7.58%和1.87%.

摘要：针对现阶段人脸素描-照片合成方法合成的图像存在清晰度较低、面部细节模糊等问题,提出基于多残差动态融合生成对抗网络的人脸素描-照片合成方法.首先设计多残差动态融合网络,从不同的密集残差模块分别提取特征并进行残差学习.然后根据不同层次的多样化残差特征生成对应的偏移量,不同位置的卷积核依据偏移量改变采样坐标,使网络自适应地关注特征中重要信息.在避免特征信息逐级丢失和冗余信息干扰的前提下,网络有效整合几何细节信息与高级语义信息.方法同时引入多尺度感知损失,对不同分辨率的合成图像进行感知对比,使网络可由粗到细地对合成图像进行正则化约束.在香港中文大学面部素描数据集上的实验表明,文中方法合成的图像清晰度较高,面部细节完整,颜色一致,接近真实的人脸图像.

摘要：为建立一个具备高扩展性的人群疏散仿真可视化统一平台,对不同人群疏散模型进行动态环境下的人群仿真,探讨了人群仿真系统的拓展性问题。通过分析并改进现有仿真框架Menge,在其基础上设计了环境层、战略层、战术层、操作层和可视化层相结合的层次结构,并在各层次设计了拓展接口,以用户自定义的形式添加不同模块来实现各层次具体功能拓展。该仿真框架可以有效支持用户设计并实现各种人群疏散仿真实验,对比较不同人群疏散仿真模型的差异具有重要作用。

摘要：目的对标准三联体亲子鉴定的非父排除率(PE)进行公式推导和实验验证。方法基于PE定义自行推导公式:PE=sum(P_i^2(1-P_i)~2)from i=1 to n+sum(P_iP_j(1-P_i)~3)from i<j to n+sum(P_iP_j(1-P_j)~3)from i<j to n+sum(P_iP_j(P_i+P_j)(1-P_i-P_j)~2)from i<j to n。将该公式与前人报道的5个公式(1)^(5)进行对比,计算AGCU EX20系统19个常染色体STR基因座的PE值。根据1 000例单亲样本和1 000个无关个体样本设计真实实验,计算PE真实实验值。以随机模拟法产生1 000万对模拟亲母子和1 000万个随机个体,设计模拟实验计算PE模拟实验值。在19个基因座,统计各基因座的等位基因频率之和(S),将PE的公式值、真实实验值和模拟实验值进行对比。结果当S=1时,公式(1)、(2)、(5)、(6)计算结果完全一致,且符合真实和模拟双重实验验证。当S≠1时,公式(1)、(2)、(5)、(6)计算结果有较小误差。公式(3)、(4)的计算结果有较大误差。结论本研究推导的公式(6)与经典公式(1)、(2)、(5)均可用于标准三联体亲子鉴定。S值对PE公式计算有一定影响。

摘要：融合多源信息能有效提高地图匹配的准确率。已有的地图匹配方法依赖于数学模型,当引入新类型的数据时,需要重新设计数学模型或调整模型参数。为解决该问题,提出了一种端到端的数据驱动地图匹配方法。该方法不需要建立具体的数学模型,只需从匹配结果已知的数据中学习候选道路的评分函数:选出某GPS点的候选道路,利用评分函数对所有候选道路进行打分,选择分数最高的道路作为地图匹配结果。实验结果表明,该方法能直接利用新类型的数据提高地图匹配的准确率,能在数据缺失时避免准确率急剧降低。此外,具有与基于HMM方法相近的准确率和与基于夹角特征和距离特征方法相当的速度。

摘要：目的建立全同胞关系排除方法——父母排除法,以穷举法计算多个已知同胞的全同胞排除率(PEFS-K),并以随机模拟法进行验证。方法父母排除法原理:对3个或以上个体进行全同胞关系鉴定时,在单个STR基因座上,如果没有任何一组父母能与所有个体符合双亲遗传规律,则该基因座不符合遗传规律,可排除全同胞关系。为评估该方法的系统效能,本研究首先以穷举法在AGCU EX20试剂盒的19个STR基因座中计算2～3已知同胞的全同胞排除率(PEFS-K2～PEFS-K3)的精确值,以及五等位基因法的排除率(PEFive-K2～PEFive-K3)的精确值。其次以随机模拟法设计实验,统计PEFS-K2～PEFS-K3和PEFive-K2～PEFive-K3的模拟值。最后,以模拟值对比精确值的方式,对穷举法计算值进行实验验证。结果本文穷举法计算获得了19个STR基因座的PEFS-K2～PEFS-K3的精确值,且计算结果符合模拟实验验证。AGCU EX20试剂盒的2～3已知同胞的全同胞累积排除率(CPEFS-K2和CPEFS-K3)分别为1-1.21128×10-3和1-8.63710×10-6。结论父母排除法结论明确,可推广于3个体以上全同胞鉴定。穷举法适用于多个已知同胞的全同胞排除率的精确值计算,具有法医物证学应用价值。

摘要：目的海量城市交通事故数据可能蕴含有交通事故的空间模式,挖掘出交通事故的空间模式有助于开展交通事故的防治工作。目前交通管理部门虽然记录了交通事故发生地的空间位置信息,但没有对事故发生地进行空间语义描述,从而影响对交通事故空间模式的深入分析。因此,提出一种交通事故数据空间语义增强方法,并设计了一套可视分析系统。方法基于城市兴趣点来增强交通事故数据的空间语义。以事故发生点为中心获取周围城市兴趣点,使用特征向量刻画兴趣点的数量、类别及其与事故发生点的距离,并称此向量为空间语义特征向量。将空间语义特征向量和相应的交通事故关联,以达到增强其空间语义的目的。然后,基于空间语义特征向量,使用自组织映射聚类算法对交通事故进行聚类分析,根据其空间语义特征将交通事故分为若干类别。最后,通过使用地图视图展示事故点数据、聚类视图和平行坐标视图展示聚类分析的结果及其空间语义特征的可视化方法,对交通事故的空间模式进行分析。结果针对空间语义增强的交通事故数据以及相关分析任务,有效地使用上述数据分析方法与可视化技术,设计并实现了一套多视图关联的可视分析系统,提供了便捷的交互方式辅助用户分析。通过研发人员和交通警察共同对安徽省合肥市2018年的交通事故数据进行分析,将交通事故发生地划分9类并指出每类地点的空间语义特点,进一步分析出了事故高发区域的空间语义特性。结论本文提出的交通事故数据空间语义增强方法和可视分析方法可以帮助用户揭示交通事故的空间语义模式,有助于深入分析和认识交通事故的成因,能为交通事故防治相关的城市建设工作提供建议。

摘要：面向构建24小时全时段视频监控系统的需要,基于可见光与近红外的跨模态行人重识别受到工业界与学术界的广泛关注.然而,目前大部分跨模态行人重识别任务都试图利用在ImageNet上预训练的模型来提前学习模态内共性特征,但ImageNet与跨模态行人数据模态差异较大,且预训练过程中将颜色信息作为判别特征之一,导致预训练中学习到的共性特征并不适用于无色彩红外图像的信息表示.本文提出了一种基于灾难性遗忘及组合叠加擦除的自监督跨模态行人重识别预训练方法,首先利用提出的灾难性遗忘评分来对预训练数据进行筛选,旨在减小预训练数据与后续任务数据存在的域间差距,进一步减少模型训练时间.其次,针对传统跨模态识别中的关键区分性特征提取,本文设计了一种强通道数据增强策略,通过对R、G、B三通道的通道级擦除与组合,生成了颜色迥异的多类型样本,有利于促使模型关注于纹理信息而非颜色信息.最后基于本文提出的跨模态数据筛选指标以及通道增强策略,构建了跨模态任务的自监督学习框架.实验结果表明,本文提出的预训练方法所训练的ResNet50网络在迁移到众多跨模态行人重识别方法时优于目前主流自监督预训练方法,其中在经典方法AGW的基础上Rank1与mAP分别提高了8.02%与5.81%.