摘要：针对少约束场景下采集的虹膜图像容易受到镜面反射、睫毛和头发遮挡、运动和离焦模糊等噪声的干扰,导致难以准确地分割有效的虹膜区域的问题,提出一种结合Transformer与对称型编解码器的噪声虹膜图像分割方法.首先,使用Swin Transformer作为编码器,将输入图像的区块序列送入分层Transformer模块中,通过自注意力机制建模像素间的长距离依赖,增强上下文信息的交互;其次,构建与编码器对称的Transformer解码器,对所提取的高阶上下文特征进行多层解码,解码过程中与编码器跳跃连接进行多尺度特征融合,减少下采样造成的空间位置信息丢失;最后,对解码器每个阶段的输出进行监督学习,提升不同尺度特征的抽取质量.基于3个公开的噪声近红外和可见光虹膜数据集NICE.I,CASIA.v4-distance和MICHE-I,与若干包括传统方法、基于卷积神经网络的方法和基于现有Transformer的方法在内的基准方法进行对比实验,实验结果表明,所提方法在E_(1),E_(2),F_(1)和MIOU定量评价指标上均取得了比基准方法更优的分割性能,尤其是在减少噪声的干扰上具有明显的优势.此外,在CASIA.v4-distance数据集上的虹膜识别实验表明,文中方法可以有效地提升虹膜识别的性能,显示了良好的应用潜力.

摘要：共享单车调配是优化城市交通资源配置的重要手段,但目前的最优路径调配方法往往对单车系统规模敏感。为此,研究一种分时段、区域间调配的共享单车投放方法,提出了带约束的游牧算法(nomad algorithm with constraints,NCA)求解调配模型的最优解。将单车调配问题建模为以单车流量为约束、以最小化运营损耗为目标的优化问题;提出求解上述模型的NCA算法,预测投放区域单车存量和区域间转移量,相比无约束的原游牧算法,改进了局部搜索和全局寻优策略,优化了部落初定位方法;基于预测的存量和转移量得出分时段区域间单车的调配方案。在上海和纽约相关数据集上的对比实验结果表明,运行时长约为其他方法的15%,租赁需求响应率高于分支定界算法0.15%,单车总数和运营损耗比遗传算法降低了约10%,验证了该方法具有更高的优化效率和用户需求响应率。

摘要：为解决复杂自动驾驶场景下小目标检测效果不佳和漏检的问题,提出一种融合点云和体素信息的高性能网络架构。通过预处理模块、空间语义特征关联模块、坐标注意力机制模块等改进PV-RCNN网络的检测性能,构建网络架构PSC-RCNN。在KITTI上进行验证,实验结果表明,PSC-RCNN在简单、中等、困难3种检测难度的类别下,对于自行车这种形状复杂的小物体识别精度分别为82.99%、67.03%、59.88%,相对原有的PV-RCNN网络,识别精度分别提高了4.39%、3.32%、2.23%;相对于现有3D目标检测网络,识别精度分别提高了0.51%、2.93%、2.23%。

摘要：人脸年龄特征的变化是有序且缓慢的,同一个体相近年龄的脸部年龄特征是相似的。基于标记分布学习的年龄估计就是利用这个特点而设计的一种方法,实现了从年龄单目标预测到年龄标记分布向量预测的学习任务的转变,这一定程度上解决了人脸年龄估计中数据不全面的问题。但现有的基于最大熵回归模型的标记分布学习存在不能构建统一的标记分布预测模型和计算复杂时间长等问题,另一种基于神经网络的算法容易发生过拟合且神经网络的结构不容易被理解。为解决这些问题,提出基于核偏最小二乘回归模型的标记分布学习来解决人脸年龄估计问题。核偏最小二乘回归模型对数据分布没有前提假定,并且可以解决非线性问题。在FG-NET和MORPHⅡ数据集的实验结果表明,相较于其他对比方法,此法有更小的年龄估计误差同时提高了计算效率。

摘要：针对主流分类检测方法识别恶意代码面临的训练数据受限和种类均衡性不足问题,提出一种基于图像矢量结合生成对抗网络模型的恶意代码数据增强方法。将图像处理技术与WGAN-GP深度学习模型相结合,将恶意代码数据可视化为图像,通过缩放处理使恶意代码文件在长度不一致的情况下能够高概率保留全部隐含特征;使用WGAN-GP训练学习隐含的特征,生成新的数据;采用图像生成质量评价指标SSIM以及基础分类器准确率验证生成数据的相似性和有效性。实验结果表明,该方法可以有效学习样本分布规律,生成充足均衡且相似性较好的数据,满足后续研究的需要。

摘要：量化的城市街区品质评价是街区设计规划的重要依据,图像数据是街区品质评价模型的重要维度。目前的研究中存在街区品质标注成本较高的问题。因此本文改进基于子空间的小样本学习方法,对街区卫星图像特征进行奇异分解生成类别子空间,并将训练集子空间参数继承到街区品质评估模型中。实验结果表明,在小样本街区品质评估问题上,本文方法相比传统小样本学习方法的正确率提高约30%,一致性提高约15%。

摘要：客流量预测是城市交通资源和公共安全智能化管理的重要依据。为了综合考虑城市乘客人群流动自身的既有周期性、趋势性和突发性,以及与城市物理和社会空间的耦合关系,在时空残差网络的基础上,本文提出了基于深度时空数据的分割注意力机制残差网络的城市细粒度客流量预测模型。首先以不同时空间隔的区域客流量历史数据为基础,引入分割注意力机制模块,为各模态的数据分配不同的权重,动态捕捉更高相关性的抽象数据特征;在时空数据的基础上,引入城市功能区属性作为联合特征,结合节假日、气候等外部特征,形成deep&wide网络结构,有效记忆重要特征对客流量变化的贡献。基于北京出租车数据的区域客流量对比实验表明,相比于传统的深度时空残差网络和其他经典机器学习模型,引入了分割注意力机制和城市功能区特征的预测模型能够更好地提取数据多元化的特征,预测精度明显优于其他同类别方法。

摘要：轨迹停留点的识别是轨迹分析、出行活动语义挖掘的关键。针对基于密度聚类的停留点识别方法对时空信息的表达缺陷,提出新的时空约束停留点识别方法,在密度聚类中引入轨迹的间接时空特征表示,将具有时空相似性的轨迹点进行聚合;采用与聚类过程相统一的时空特征约束对轨迹簇进行细粒度识别。算法在进行约束的时候再次利用到聚类时候所用的输入数据特征,特征的充分利用提高了识别的准确率。实验结果验证了本文方法的有效性。

摘要：高层住宅区布局设计需满足防火、日照等多项建筑规范,同时存在地块轮廓不规则、地块带有水体等多种设计场景。针对这一多场景多约束的目标优化问题,本文提出基于深度强化学习的高层住宅自动布局方法。将建筑规范进行抽取并设置为强化学习框架下的奖励函数。建筑单体作为智能体,通过与场景直接交互,累积不同建筑布局及相应奖励值,并据此自主学习移动策略,从而实现多约束条件下建筑布局的自动优化。最后,通过多个真实地块的案例设计验证了本方法在缩短设计时间、输出方案的适用性及复杂周边环境上的优势。

摘要：城市街区的品质评估是城市规划中的重要步骤之一。针对已有街区品质评估模型中使用的街景图像采集位置和角度不统一造成的图像内容偏差问题,本文提出使用视角统一且易获取的卫星图像代替街景图像。同时考虑多种街区品质测度指标,将非图像型数据与图像型数据进行特征融合,从多角度进行城市街区品质表达,然后针对小样本和数据不平衡场景,结合机器学习中的随机过采样和随机森林(Random Forest, RF),基于融合数据进行城市街区的品质评估。实验结果表明,本研究方法可以有效进行全面的城市街区品质表达,并有效降低过拟合,对比未使用过采样和多特征融合的方法,正确率提高约8个百分点。