摘要：目的人脸关键点检测和人脸表情识别两个任务紧密相关。已有对两者结合的工作均是两个任务的直接耦合,忽略了其内在联系。针对这一问题,提出了一个多任务的深度框架,借助关键点特征识别人脸表情。方法参考inception结构设计了一个深度网络,同时检测关键点并且识别人脸表情,网络在两个任务的监督下,更加关注关键点附近的信息,使得五官周围的特征获得较大响应值。为进一步减小人脸其他区域的噪声对表情识别的影响,利用检测到的关键点生成一张位置注意图,进一步增加五官周围特征的权重,减小人脸边缘区域的特征响应值。复杂表情引起人脸部分区域的形变,增加了关键点检测的难度,为缓解这一问题,引入了中间监督层,在第1级检测关键点的网络中增加较小权重的表情识别任务,一方面,提高复杂表情样本的关键点检测结果,另一方面,使得网络提取更多表情相关的特征。结果在3个公开数据集:CK+(Cohn-Kanade dataset),Oulu(Oulu-CASIA NIR&VIS facial expression database)和MMI(MMI facial expression database)上与经典方法进行比较,本文方法在CK+数据集上的识别准确率取得了最高值,在Oulu和MMI数据集上的识别准确率比目前识别率最高的方法分别提升了0.14%和0.54%。结论实验结果表明了引入关键点信息的有效性:多任务的卷积神经网络表情识别准确率高于单任务的传统卷积神经网络。同时,引入注意力模型也提升了多任务网络中表情的识别率。

摘要：在显著性目标检测网络的设计中,U型结构使用广泛.但是在U型结构显著性检测方法中,普遍存在空间位置细节丢失和边缘难以细化的问题,针对这些问题,提出一种基于语义信息引导特征聚合的显著性目标检测网络,通过高效的特征聚合来获得精细的显著性图.该网络由混合注意力模块(Mixing attention module,MAM)、增大感受野模块(Enlarged receptive field module,ERFM)和多层次聚合模块(Multi-level aggregation module,MLAM)三个部分组成.首先,利用增大感受野模块处理特征提取网络提取出的低层特征,使其在保留原有边缘细节的同时增大感受野,以获得更加丰富的空间上/下文信息;然后,利用混合注意力模块处理特征提取网络的最后一层特征,以增强其表征力,并作为解码过程中的语义指导,不断指导特征聚合;最后,多层次聚合模块对来自不同层次的特征进行有效聚合,得到最终精细的显著性图.在6个基准数据集上进行了实验,结果验证了该方法能够有效地定位显著特征,并且对边缘细节的细化也很有效.

摘要：提出一种用于求解多目标组合优化问题的3阶段混合蛙跳框架.该框架采用阶段化、模块化的设计思想,将种群的进化过程分为快速收敛、探索扩展、极值挖掘3个阶段.在快速收敛阶段,迅速定位Pareto前沿,使整个群体快速地聚集在前沿附近;在探索扩展阶段,进一步提升解的精度并让种群均匀地分布在前沿上;在极值挖掘阶段,搜寻各目标上的边界极值,增强分布性能.对于不同阶段的不同模块,采用不同的策略以提升框架的求解性能.所提出框架对于多目标组合优化问题具有良好的通用性,在解决不同类型的问题时仅需设计相应的编码方式、个体生成算子和约束处理机制.采用经典的多目标背包问题作为测试问题,与五种已有算法进行对比,结果表明,所提出框架具有良好性能,基于该框架设计的混合蛙跳算法具有更好的收敛性和分布性.

摘要：微量流体的收集与控制是微流控领域的关键技术,微流体引流控制不仅需要对流速、时间等参数进行精确控制,而且要避免流体在多个检测区的交叉混染。本文设计一种基于爆破阀的微流体引流控制芯片。首先,对爆破阀机理进行分析,并采用MEMS工艺制备微流控芯片;然后,对影响爆发阀特性的材料亲水性进行跟踪测量,对微流控芯片的引流特性进行宏观和微观观测;更进一步地,对爆破阀的爆破压力进行理论计算和实验实测,3种爆破阀的实测爆破压力分别为90、690、2440 Pa;最后,对不同进样速率下爆破阀的爆破特性进行测试。实验结果表明,通过爆破阀的合理设计,可实现微流体的引流控制,使其按预定次序、预定时间流入检测区,进而有效避免流体的交叉混染。

摘要：针对视频分割的难点在于分割目标的无规则运动、快速变换的背景、目标外观的任意变化与形变等,提出了一种基于时空多特征表示的无监督视频分割算法,通过融合像素级、超像素级以及显著性三类特征设计由细粒度到粗粒度的稳健特征表示。首先,采用超像素分割对视频序列进行处理以提高运算效率,并设计图割算法进行快速求解;其次,利用光流法对相邻帧信息进行匹配,并通过K-D树算法实现最近邻搜索以引入各超像素的非局部时空颜色特征,从而增强分割的鲁棒性;然后,对采用超像素计算得到的分割结果,设计混合高斯模型进行完善;最后,引入图像的显著性特征,协同超像素分割与混合高斯模型的分割结果,设计投票获得更加准确的视频分割结果。实验结果表明,所提算法是一种稳健且有效的分割算法,其结果优于当前大部分无监督视频分割算法及部分半监督视频分割算法。

摘要：在基准可判别相关滤波器网络(DCFNet)目标跟踪过程中,遮挡和运动模糊情况会导致目标发生漂移。针对该问题,结合增强语义与多注意力机制深度学习,设计一种端到端的相关滤波器网络RACFNet。由EDNet网络得到高级语义信息弥补单独低级特征表示的不足,同时加入通道和空间残差注意力机制,使网络能够对不同的跟踪对象提取出更具针对性的表观信息。在此基础上,通过添加相关滤波层并输出响应图最大值推测目标位置。在OTB-2013和OTB-2015基准测试集上的实验结果表明,RACFNet跟踪速度平均可达92帧/s,跟踪成功率较DCFNet分别提高8.20%和10.69%。

摘要：针对高维度矩阵的低秩恢复问题中核范数与l1范数过惩罚导致的结果偏差,提出一种矩阵恢复方法。使用准范数代替低秩恢复问题中常用的核范数约束,使用零范数代替l1范数约束。对于准范数的求解问题,采用与准范数等价的Frobenius/核混合范数进行替代,提出基于交替近似的线性最小化方法对目标函数进行求解。在合成数据与真实数据上的实验结果表明,该算法在主观视觉效果与客观数值比较上都能获得更好的结果。

摘要：在视频预测领域,传统的CNN与LSTM都不能充分表征视频中的时空特征。针对这一问题提出空间自适应卷积LSTM算法。受空间变换网络启发,在卷积LSTM内部的“input-to-state”计算过程中将传统卷积操作改为空间自适应卷积:利用额外卷积层获得自适应卷积所需的位置参数,令自适应卷积根据时空信息选择卷积位置,提升模型捕捉时空变换特征的性能;并针对雷达回波预测提出多分支编码预测的网络架构,根据降水类别训练4个不同的支路,以提升网络的预测性能。在合成数据集与真实数据集上的实验结果表明,该模型取得了有竞争力的结果,单独设计一个模块让网络显式地学习某种特征会使网络有更好的性能。

摘要：针对神经网络参数过多容易导致过拟合这一问题,结合神经网络学习与低秩学习的基本思想,提出一种低秩正则化神经网络,每层的权值矩阵被约束为低秩的,降低网络的有效参数规模,达到防止过拟合的效果。由于低秩约束的存在,低秩正则化神经网络的学习过程不能直接利用传统BP算法来完成,因此,提出一种扩展的BP算法,用于求解含低秩约束的神经网络学习问题。实验结果表明,所提方法在分类精度、收敛速度以及预测精度上优于对比方法。

摘要：产品表面缺陷检测任务的重点是对产品表面图像中的异常缺陷区域进行自动检测和分割。然而实际应用中,由于噪声的退化影响和缺陷类型的复杂多样,产品表面缺陷检测仍然是一项具有挑战性的任务。为了应对这些问题,提出了产品表面缺陷检测的多通路阈值收缩融合网络。在各尺度通路中,为了降低噪声干扰,该网络设计了自适应阈值收缩去噪模块,通过双支路自主学习水平和垂直方向的收缩阈值,去除特征中的干扰噪声并且保留有效背景信息,从而实现自适应去噪。为了更准确定位缺陷对象,设计了上下文三维注意力融合模块,通过水平聚合和垂直聚合生成三维注意力图,增强异常区域特征。最终将平行的多尺度特征融合,实现对不同尺度以及不同类型缺陷的有效检测。将所构建模型在SD-900和MVTec-AD数据集上与最新的8种方法进行比较,实验结果表明该模型能够有效提升检测精度,并能够对噪声干扰保持鲁棒性,消融实验也验证了自适应阈值收缩去噪模块和上下文三维注意力模块融合的有效性。