摘要：针对现有的特征轮廓提取算法依赖全局采样,效率不高,难以实现复杂模型的实时轮廓提取的问题,提出一种局部采样追踪算法.该算法利用多判别指标去识别特征,充分挖掘相对二面角、顶点缺角和法向投票张量的优点,提高特征识别的可信度;特征的追踪建立在初始特征边集合的基础上,依据三角面-三角面的邻接关系,在追踪过程中动态、自适应地检测各类特征,拓展特征边,实现局部采样覆盖全局特征的目标;最后从角点出发追踪弱特征轮廓曲线,保证轮廓的完整性.通过CAD和数字医学领域的应用实例对文中算法进行验证,结果表明,该算法是可行、高效的.

摘要：为了应对针对人脸识别系统的欺骗攻击,设计一种基于软件的方法来检测人脸欺骗攻击。首先,从多个颜色通道中随机提取局部视频块并将其向量化,随后训练并使用自编码器将提取的向量进一步编码为局部低维特征;接着,利用这些特征拟合一个高斯混合模型;然后,使用Fisher矢量编码将来自同一样本的全部局部低维特征聚合成一个全局特征向量;最后,通过支持向量机对这些全局特征进行分类。在三个标准人脸欺骗数据集上的实验结果证明了该方法的有效性。在IDIAP数据集上的半错误率为0%,在CASIA数据集和MSU数据集上的等错误率分别为3.33%和2.08%。该方法结合自编码器和Fisher矢量编码,在低维特征的情况下取得了较高的性能,可以有效地抵抗人脸识别中基于照片和视频的欺骗攻击。

摘要：评分预测问题是推荐系统研究的一个分支.在上下文感知推荐(Context-Aware Recommendation,CAR)中,常常需要考虑上下文因子(或称属性)对评分预测效果的影响.现有模型大多是捕捉单个属性的特征并加上多个属性间的相互作用(简称属性交互)实现评分预测.然而,有些算法在捕捉属性间的相互作用时没有针对性,使一些属性交互对预测结果没有帮助,甚至降低模型性能;而且,在实现属性交互时,很多算法只是单纯地使用固定的属性值,没有从某个方面挖掘出它们的潜在特征.为了解决这些问题,文中提出了属性提升(Attribute Boosting,AB)框架,从用户、物品与属性类型3个方面分别与属性进行交互.这种更精细的建模方式使属性能够自动地适应用户偏好、物品关联与类型特征,并能在评分预测中充分地发挥作用.在此基础上,文中结合概率图模型的低秩近似能力和随机梯度下降(Stochastic Gradient Descent,SGD)的快速训练优势,在算法性能和训练效率上进行权衡,设计了局部采样(Partial Sampling,PS)方法学习属性提升框架的参数,最终构成完整的属性提升与局部采样(Attribute Boosting with Partial Sampling,ABPS)模型.实验证明,ABPS模型通过有针对性的属性交互,能有效地挖掘出属性有用的隐含特征,从而减少盲目交互带来的消极影响;利用局部采样,该模型能使用更低的特征维度描述个性化信息,取得比其他模型更好的效果.

摘要：鉴于当前无线传感器网络(WSN)移动节点定位技术中存在的实时性差和定位不准确的问题,设计了一种交叠区域采样模式的WSN移动节点定位算法OASM_MNL(overlapping area sampling mode of mobile node localization);该算法通过获取的信号在能够直接和移动节点通信的信标节点的信号交叠区域里面进行局部采样;通过距离比例因子对平均跳距进行权值化,优化了CDL中跳距的计算公式;通过RGB差值序列对样本点滤波,在此基础上把差值序列绝对值作为加权标准,计算出移动节点的坐标;仿真结果表明,与E-CDL、MCL等常见的移动节点定位算法相比,新算法定位误差降低幅度超过33%,定位效果良好。