摘要：现有的自监督表征算法主要关注视频帧之间的短期运动特性,但是帧间动作序列的变化幅度较小,而且单视图数据因语义受限影响深度特征表达能力,视频动作中丰富的多视图信息未被充分利用。为此提出基于跨视图语义一致性的时序对比学习算法,自监督学习RGB帧和光流场两种数据中蕴含的动作时序变化特性,主要思路为:设计局部时序对比学习方法,采用不同正负样本划分策略,挖掘同一实例不重叠片段之间的时序相关性和判别可分性,增强细粒度特征表达能力;研究全局对比学习方法,通过跨视图语义协同训练来增加正样本,学习多实例不同视图的语义一致性,提高模型的泛化能力。通过两个下游任务对模型效果进行评估,在UCF101和HMDB51数据集的实验结果表明,所提方法在动作识别和视频检索任务上,较前沿主流方法平均提升了2~3.5个百分点。

摘要：研究含参数l非方矩阵对广义特征值极小扰动问题所导出的一类复乘积流形约束矩阵最小二乘问题.与已有工作不同,本文直接针对复问题模型,结合复乘积流形的几何性质和欧式空间上的改进Fletcher-Reeves共轭梯度法,设计一类适用于问题模型的黎曼非线性共轭梯度求解算法,并给出全局收敛性分析.数值实验和数值比较表明该算法比参数l=1的已有算法收敛速度更快,与参数l=n的已有算法能得到相同精度的解.与部分其它流形优化相比与已有的黎曼Dai非线性共轭梯度法具有相当的迭代效率,与黎曼二阶算法相比单步迭代成本较低、总体迭代时间较少,与部分非流形优化算法相比在迭代效率上有明显优势.

摘要：截断奇异值分解是一类非常重要的矩阵分解,其在病态模型问题分析等领域有广泛的应用.该文主要研究复矩阵截断奇异值分解的有效算法,将问题转化为复Stiefel乘积流形上的黎曼优化问题,进而设计基于乘积流形的黎曼混合牛顿法求解.为有效求解黎曼牛顿方程,从降低系统维数和简化计算入手,通过克罗内克积和复矩阵拉直算子将其转化为易于求解的标准实对称线性方程组.数值实验和数值比较验证该文所提算法针对复矩阵截断奇异值分解问题是高效可行的.

摘要：为了更加有效的求解大规模无约束优化问题,本文基于自调比无记忆BFGS拟牛顿法,提出一个自适应双参数共轭梯度法,设计的搜索方向满足充分下降性,在一般假设和标准Wolfe线搜索准则下,证明该方法具有全局收敛性,数值实验结果证明提出的新算法是有效的.

摘要：传统基于人体骨架的自监督学习方法常用对比学习模块进行表征学习,而现有对比学习模块使用数据增强方法来构建相似的正样本,其余样本皆为负样本,这限制了同类样本的语义信息表达。针对上述问题,提出一种图对比学习与跨尺度一致性知识挖掘的动作识别算法。首先,基于骨架图结构设计了一种新的数据增强方法,对输入的骨架序列进行随机边裁剪,得到两个不同的扩增视图,加强了同一骨架序列不同视图间的语义相关性表达;其次,为缓解同类样本嵌入相似度较低的问题,引入自监督协同训练网络模型,利用同一骨架数据源的不同尺度间的互补信息,从一个骨架尺度获取另一个骨架尺度的正类样本,实现了单尺度内关联及多尺度间语义协同交互;最后,基于线性评估协议对模型效果进行评估,在NTURGB+D60与NTURGB+D120数据集的实验结果表明,本文所提方法在识别精度上较前沿主流方法平均提升了2%~3.5%。

摘要：提出一种基于Android智能手机平台的定位系统。该系统利用智能手机自带惯性测量单元(陀螺仪、加速度计以及磁力计)的数据经过行人航迹推算(PDR)算法处理,在封装算法时采用交叉编译环境Cygwin和Android NDK来编译算法c程序,以得到可被安卓系统调用的so库文件,来获取室内行人的实时步长与方向角数据,并通过手机WIFI模块将实时数据传送到服务器,实现室内行人实时定位监控。测试软件结果表明:所设计手机软件安全性能得到提高,并且运行良好,能够很好地达到实时监测室内行人的目的。

摘要：传统基于骨架数据的自监督方法常将某一样本的不同增强作为正例,将其余样本均视为负例,这使得正负样本的比例严重失衡,限制了相同语义信息的样本发挥作用。针对上述问题,提出了一种正样本不受数据增强限制的双重最近邻检索动作识别算法DNNCLR。首先,基于人体关节的物理连接设计了一个新的关节级空间数据增强,即Bodypart增强,对输入的骨架序列用正态分布数组随机替换,以获得高级语义嵌入;其次,为避免正样本受数据增强的限制,提出了一种更合理的双重最近邻检索(DNN)正样本扩充策略,进一步提出了双重最近邻检索对比损失DNN Loss。具体为利用支撑集进行全局检索,将正样本集的寻找范围扩展到普通数据增强无法覆盖的新数据点;而负样本集中存在被误判的正样本,其是来自不同视频但语义信息相同的骨架样本。为此,再一次利用最近邻检索,从负样本集中寻找这种潜在的正例,二次扩展正样本集,并进一步提出双重最近邻检索对比损失,迫使模型学习更多的一般特征表示,使得模型优化更加合理。最后,将DNNCLR算法应用在AimCLR模型上,得到AimDNNCLR模型,并在NTU-RGB+D数据集上对该模型进行了线性评估,与前沿模型相比,所提方法在精度上平均提升了3.6%。

摘要：高光谱图像去除噪声的2个问题:1)在采集和运输的过程中会产生各种各样的噪声,使得人们无法快速且准确地获得信息;2)大部分去除噪声算法都在Tucker或CANDECOMP/PARAFAC(CP)上进行,而Tucker或CP是将高维信号转化为低维,改变了信号固有的结构,对于张量秩的最优估计很难,且涉及的参数使得计算量很大。针对以上问题,提出一种基于张量环分解的非局部正则化高光谱图像去除噪声算法(TRTD-NRM)。该算法利用张量环分解直接处理高维信号的特质来研究全局光谱相关性(GCS)和空间非局部自相似性(NSS),能够易于计算和很好地保留高光谱图像的内在性质。通过设计一种交替方向乘子法来求解模型。数值实验结果表明,此方法得到的去除噪声后的图像很清晰。与现有算法相比,本算法无论是从主观效果还是客观评价上均具有较强的可比性。

摘要：为了更高效、可靠地求解一类扩散模型Nernst-Planck方程,提出了一类梯度恢复型后验误差估计。利用梯度恢复技术,构造Nernst-Planck方程的后验误差估计子,并设计了相应的自适应有限元算法。理论上给出了梯度恢复型后验误差估计的上界估计,并进行了渐近准确性分析。数值实验表明,基于该后验误差估计子的自适应有限元算法对求解Nernst-Planck方程是有效、可靠的。