摘要：分析焦炭的光学组织是一种重要的评估焦炭质量的方式,目前这种评估方式还停留在人工阶段.为了改变现状,本文设计和实现了一套自动分析系统,可以自动采集焦炭切片的显微图像并自动分割和识别其中的焦炭光学组织.系统由图像采集系统和图像分析系统两个子系统构成.在图像采集系统中,我们使用多角度极化技术拍摄得到焦炭切片在不同极化角度下的反射率图像,本文称这种特殊图像为超反射率图像.在图像分析系统中,我们提出了一种针对焦炭的超反射率图像的新型分析算法,可以准确高效地分割和识别图像中的各种焦炭光学组织.

摘要：多版本音乐识别,作为音乐信息检索领域内的一个重要课题,得到了人们的广泛专注.受海量音乐资源的驱动,人们对高效算法的需求呼之欲出.词袋模型是一种在自然语言处理和数字图像处理领域中的广泛应用的特征表示模型,本文将其引入到多版本音乐识别技术研究中,基于目前业界广泛应用的Chroma特征,提出一种新的高层次特征,Chroma-based BOW特征对歌曲的旋律信息进行表示,实现了特征空间到线性矢量的降维映射.同时,设计并实现了一套完整的多版本音乐识别算法.实验证明该特征对于多版本音乐识别是有效的,相应的识别算法能够大幅度提高了传统音乐识别系统的效率.

摘要：建立了基于小流向平衡的钢厂合同计划的整数规划模型,模型以提前/拖期惩罚、小流向平衡惩罚、合同取消惩罚总惩罚最小为目标;根据模型特点,构造了分散搜索(SS)算法进行求解,并针对非可行解设计了启发式修复策略。为了检验算法的效率与效果,同时采用了遗传算法对模型进行求解,并用某企业的实际合同数据进行实验,对比分析了两种算法的结果,验证了模型和SS算法的有效性;另外,仿真实验也对参数设置进行分析,确定了适合本问题的最佳参数组合。

摘要：由于Skyline查询广泛应用于多目标决策、数据可视化等领域,近年来成为数据库领域的一个研究热点。针对云计算环境,在MapReduce框架下设计并实现了Skyline算法。MapReduce是一个运行在大型集群上处理海量数据的并行计算框架,其主要思想是任务的分解与结果的汇总。基于不同的数据划分思想,实施了三种Skyline并行算法,分别是基于MapReduce的块嵌套循环算法(MapReduce based block-nested-loops,MR-BNL)、基于MapReduce的排序过滤算法(MapReduce based sort-filter-skyline,MR-SFS)以及基于MapReduce的位图算法(MapReduce based bitmap,MR-Bitmap),并针对这三种算法进行了系统的实验比较,得出了不同数据分布、维数、缓存等因素对算法性能的影响结果。

摘要：中国民族五声调式数据库(CNPM Database)的建设参照世界音乐数据库建设中手工标注与计算机相结合的工作思路,收集、存储并标注“宫、商、角、徵、羽”5种调式(含五声、六声、七声)的音频,同时找到应用场景与技术模型,为中国民族音乐特征的分析与检索提供原始数据。该数据库是第一个可用于计算音乐学的五音数据库,提出针对音频的中国民族调式自动识别系统的设计思路,分别使用基于模板匹配和基于卷积神经网络的方法进行了实验,得到分类结果。自动识别方法对于调式主音音名(12种)、调式样式(5种)和调式所属同宫系统(12种)的分类较为准确,但对调式种类(6种)的识别率还需提高。使用计算机代替人工筛选的过程可以极大扩充中国民族调式音乐数据库,以便其应用于多种场景。

摘要：目前深度学习在医学图像分析领域取得的良好表现大多取决于高质量带标注的数据集,但是医学图像由于其专业性和复杂性,数据集的标注工作往往需要耗费巨大的成本.本文针对这一问题设计了一种基于深度主动学习的半自动标注系统,该系统通过主动学习算法减少训练深度学习标注模型所需的标注样本数量,训练完成后的标注模型可以用于剩余数据集的标注工作.系统基于Web应用构建,无需安装且能跨平台访问,便于用户完成标注工作.

摘要：基于深度学习的行为识别算法往往由于复杂的网络设计而难以在实际应用中达到快速、准确的识别效果.针对以上情况,提出一种轻量型的基于时移和片组注意力融合的端到端双流神经网络模型.算法在RGB与光流分支网络中,采用时间稀疏分组随机采样策略实现长时程建模,利用时移模块在时间维度上置换部分通道从而结合邻帧信息来提升时序表征能力,同时通过多路径及特征图注意融合的片组注意力模块提升网络的识别性能.实验表明,模型在行为识别公共数据集UCF101及HMDB51上分别达到了95.00%和72.55%的识别准确率.

摘要：针对大规模人脸识别问题,基于残差学习的超深卷积神经网络模型能取得比其他方法更高的识别精度,然而模型中存在的海量浮点参数需要占用大量的计算和存储资源,无法满足资源受限的场合需求.针对这一问题,本文设计了一种基于网络参数量化的超深残差网络模型.具体在Face-Res Net模型的基础上,增加了批归一化层和dropout层,加深了网络层次,对网络模型参数进行了二值量化,在模型识别精度损失极小的情况下,大幅压缩了模型大小并提升了计算效率.通过理论分析与实验验证了本文设计方法的有效性.

摘要：近年来,由于人工智能在医疗领域的高速发展,科研人员对医学图像的需求量与日俱增.这些医学图像往往需要经过精细地标注之后才能够被投入使用.与自然图像相比,医学图像的数据标注工作更具专业性、复杂性.因此,医学图像面临着标注速率低、标注成本高等问题,从而导致带标签样本稀缺的困境.眼底图像作为一种重要的医学图像,能够实现绝大多数的眼科疾病筛查与初诊工作,如糖尿病视网膜病变、青光眼等,但也同样面临着标注困难的问题.针对这样的现状,本文设计并开发了一种高效的眼底图像半自动标注系统,该系统的创新点是能够对多种眼病进行半自动标注.针对眼底图像进行多种疾病的预测,预测结果的类型包括疾病分级和病灶分割,标注人员只需对生成的预测结果进行审核并修改,这一过程可以大大降低标注人员的工作量.此外,该系统包括用户管理、项目管理、图像管理、算法模型管理4个模块.通过这4个模块可以实现团队标注中的任务分配,标注进度数据可视化,标注结果快速导出等人性化功能.该系统极大提升了标注人员的标注效率和标注体验.

摘要：近几年来,以深度强化学习(Deep Reinforcement Learning,DRL)为代表的人工智能技术被引入计算机网络系统设计中,促使网络领域走向数据驱动和智能化,并在典型的网络系统中不断取得新的突破。计算机网络应用的难点是难以对多变的网络环境进行复杂准确的建模,借助深度神经网络出色的特征提取能力,深度强化学习能够更好地以试错的方式探索更优的决策,并具有端到端的设计优势。首先阐述深度强化学习技术的原理,包括多种典型的深度学习中使用的神经网络结构、基于值函数和基于策略梯度的深度强化学习训练算法;之后详细分析了深度强化学习技术在计算机网络领域中解决资源调度问题的研究现状,包括任务调度、视频传输、路由选择、TCP拥塞控制以及网络缓存;最后给出了在计算机网络应用中使用深度强化学习仍存在的挑战。