摘要：在电力物联网(Power Internet of Things, PIoT)中,移动终端设备接入会产生大量的异构数据,给通信信道及中央存储计算系统带来巨大压力,对系统的稳定性和能源消耗带来了挑战。为应对这一挑战,提出了基于稀疏码多址接入(Sparse Code Multiple Access, SCMA)技术的移动边缘计算(Mobile Edge Computing, MEC)的异构网络优化方案。为了最小化系统总开销,考虑了在资源受限的情况下设备的能源消耗和计算资源分配,提出了基于最优功率分配的联合随机码本分配的算法,实现移动终端设备能耗最小化。通过构建约束多目标优化问题的数学模型,设计了一种基于帕累托前沿的多目标鲸鱼优化算法(Pareto Frontier-Multi Objective Whale Optimization Algorithm, PF-MOWOA)用于任务卸载。仿真结果表明,在满足能耗和时延的约束条件下,所提算法相较于其他算法具有更低的系统总能耗,且联合任务卸载优化算法可以进一步降低系统的总开销。

摘要：降雪是一种复杂的天气现象,雪花多尺度、运动轨迹复杂以及远景呈现雾天效果.然而现有的单幅图像去雪方法以及数据集,并没有考虑到这些复杂的情况,从而限制了去雪方法在真实雪天图像上的表现.基于此,首先根据图像的深度信息构造了一种联合雪花和雾的雪天成像模型,合成了具有真实感的雪天图像数据集.然后设计了一种端到端的图像恢复网络,将去雾模块和去雪模块级联,并进行联合训练.其中去雪模块采用了双层U型网络用于解决雪花多尺度和轨迹复杂的问题.最后将该方法同其它最先进的方法进行实验对比,证明该方法在合成数据集和真实图像中都具有非常好的效果,且能够提升后续高级视觉任务性能.

摘要：当前数字办公文档中涵盖了大量的表格数据,因此智能化表格结构识别需求日益剧增,但表格结构紧密相连且表格结构类型复杂多变,从而导致表格结构检测难度极大。针对该问题,在YOLOv8的基础上,以ICDAR19-cTDaR表格单元格结构和TabStructDB表格行列结构为实验对象,提出了一种新型表格行列单元格结构检测方法。首先,为了增强表格单元格及行列特征提取能力,引入了可变形卷积网络(deformable convolution network,DCN)。其次,引入了空间通道重构卷积(spatial and channel reconstruction convolution,SCConv),该卷积不仅特征提取能力强而且能够减少冗余特征从而降低复杂性和计算成本。根据以上引入的卷积设计了一个新的模块——DSC模块以替代C2f中的Bottlenck模块,并命名为C2fDSC模块。此外,为了进一步加强表格结构的角落局部特征提取,在YOLOv8的骨干网络上加入了显示中心特征调节(explicit visual center feature adjustment,EVC)模块。最后,将原模型的损失函数替换为MPDIoU,在解决密集目标回归精度问题时,相较于原始模型损失函数,MPDIoU损失函数边界框回归的准确性和效率更高。实验结果表明,该表格结构检测算法在数据集ICDAR19-cTDaR上取得了目前最佳的实验效果(SOTA),单元格查准率、查全率和F1值分别为91.7%、82.3%和86.7%,在数据集TabStructDB表格行列检测中也取得了非常实用的性能结果。

摘要：利用遥感图像进行语义分割是一种有效的土地覆盖分类方法。然而由于主流框架存在边缘分割不准确、缺乏全局信息导致错误分类等问题,阻碍了其在土地覆盖分类中的应用。针对以上问题,提出了一种用于遥感图像土地覆盖分类的卷积神经网络(Convolutional Neural Networks,CNN)和Transformer混合网络CTHNet,结合了CNN的局部细节提取能力和Transformer的全局信息提取能力。同时设计了自适应融合模块,融合来自对应级别的CNN和Transformer特征,自适应融合模块的输出进入分割头得到最终的预测结果。最后,结合边界检测分支为语义分割提供边缘约束。在两个公开的土地覆盖分类数据集上的实验结果表明,该方法优于当前主流的方法,分别实现了90.53%和64.33%的平均交并比(mIoU),对遥感图像中的大目标和边界也有更好的识别效果。