摘要：针对当前图像修复算法应用到古文本图像上时,出现纹理模糊或结构内容不完整的问题,提出边缘引导和拉普拉斯金字塔分解的古文本图像修复算法.首先利用边缘修复模块对古文本图像的边缘结构进行修复,重建缺损区域的边缘信息;然后利用预训练的文字学习模块对局部缺损区域进行内容修复,得到一幅局部内容修复图像,并进行拉普拉斯分解;最后在拉普拉斯金字塔修复模块中,根据图像的低层和高层特征,利用内容修复模块对图像进行递进修复,内容修复模块中引入双交叉编码器和多尺度融合块,有助于获取更加有效的特征信息,生成纹理结构完整的图像修复结果.在古文本图像数据集的测试集上进行实验的结果表明,各项图像质量评估指标中,峰值信噪比为34.322 dB,结构相似性为0.970,均方根误差为5.203,验证了所提算法的有效性和可行性.

摘要：由于超声图像具有噪声强、质量低和边界模糊等特征,获取可靠的注释非常耗时费力,提出基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法。首先,通过不确定性修正金字塔一致性(URPC)的半监督分割方法充分利用未标记数据训练模型减轻费时费力的标注压力。其次,提出一种基于边缘检测的双编码器结构,并利用边缘检测编码器辅助超声斑块图像特征编码器充分获取边缘信息;另外,设计了一个多尺度融合模块(MSFM),通过自适应融合多尺度特征改善提取不规则形状斑块的结果,并结合一个级联通道空间注意力(CCSA)模块更好地关注斑块区域;最后,在超声颈动脉斑块图像数据集上评估所提方法。实验结果表明,所提方法在该数据集上的Dice指标和交并比(IoU)指标比监督方法CA-Net(Comprehensive Attention convolutional neural Network)分别提升了约2.8和6.3个百分点,比半监督方法循环原型一致性学习(CPCL)分别提高了约1.8和1.3个百分点,所提方法可以有效提高超声颈动脉斑块图像的分割准确度。

摘要：为解决传统的异常检测模型对工业时序数据异常点检测方面误判率大和抗干扰性差的问题,提出一种改进的变分自编码器模型。考虑到工业时序数据的不规律性,使用变分自编码器模型作为基础架构;由于变分自编码器本身存在难以准确检测出异常时序数据的问题,在编码和解码过程中分别引入时间卷积网络和通道注意力机制,实现扩大感受野和增强特征权重;对数据时序数据使用随机森林进行特征排序,提高检测的准确性。通过进行对比测试实验,验证了该模型可以有效提高对异常工业时序数据点检测的准确性和可靠性。

摘要：针对目前CNN在复杂图像中特征提取不充分的问题,提出一种基于注意力的改进残差网络的表情识别网络。设计一个双流网络在完成粗特征表情识别的同时检测关键点,并使用注意力机制增大关键点周边特征的权重。随后以残差网络为基础模型,改进残差块之间的跳跃连接方式,并将残差块中的普通卷积改进为分组卷积来强化特征提取能力。最后联合两个表情识别网络进行分类,实验结果验证了该模型方案有着更卓越的性能。

摘要：为解决现有车牌识别算法在面对旋转倾斜车牌以及双行车牌图像时识别精度偏低的问题,提出一种基于深度残差网络和注意力机制的特殊车牌识别算法。优化深度残差网络结构,使模型更好提取低分辨率车牌图像的特征;取消对特征图平均池化操作,在保留图像全局特征的前提下,将多维特征化为特征序列;引入注意力机制对特征序列并行解码,加快模型推理速度,提升特殊车牌的识别精度。实验结果表明,与现有的文字识别模型CRNN、DAN、ASTER对比,在公开车牌数据集CCPD上取得了更高的准确率,验证了模型的有效性。

摘要：云平台任务的CPU负载预测有助于云平台资源的优化配置,以改善资源利用率.它是有效管理云资源的重要手段.为提高任务CPU负载预测精度,本文主要做了以下工作:1)利用热度图提取用于进行CPU负载预测的资源使用特征;2)设计并实现了一种基于n-LSTM的云平台任务的CPU负载预测方法DPFE-n-LSTM;3)分别在阿里云平台数据集和Google云平台数据集上进行了实验,结果表明,相对于目前已经提出的CPU负载预测模型BP、LSTM和CNN-LSTM,DPFE-n-LSTM方法具有更好的预测性能.

摘要：基于卷积神经网络的超分辨率重建模型以单项传播为主,层次越靠后感知信息的能力越微弱,导致层次间局部特征部分丢失,难以实质提升网络的特征表达能力。针对此问题,提出层次间局部特征增强网络。该方法由级联残差模块、层次间特征增强块和特征感知注意力机制组成。级联残差模块通过有效残差连接增加对残差分支信息的利用;层次间特征增强块提取不同深度特征的依赖关系,自适应调整中间层特征权值增强捕获关键信息的能力;特征感知注意力机制采用方向感知和位置判断的方式准确定位和识别感兴趣对象。多项标准数据集的实验结果表明,该方法能改善超分辨率的视觉重建效果,整体性能优于现有方法。

摘要：确保云数据的完整性是亟待解决的安全挑战,受到广泛应用的区块链技术为应对该安全挑战提供了良好的解决方案。当前结合区块链和智能合约技术,并由矿工参与审计验证工作的方案存在审计效率低、通信开销大和数据拥有者(DO)审计负担重等不足。针对上述问题,提出一种基于投票和以太坊智能合约的云数据审计方案(CASVEC)。首先,结合投票机制和智能合约技术在以太坊上设计并部署了去中心化自治组织(DAO),DAO中节点投票选举出一个审计节点代替矿工的审计验证工作,从而有效解决验证审计证明阶段效率低的问题,并且投票机制引入信誉值保证投票公平可靠。其次,仅使用少量链上资源存储审计结果以降低通信过程中的数据量,从而有效解决验证审计证明阶段通信开销大的问题。此外,DO仅需向DAO委托一次审计请求以及查询最终的审计结果,无需频繁调用智能合约交换审计相关信息,减轻了审计负担。最后,从理论和实验角度验证了与当前基于区块链的云审计方案相比,CASVEC能够显著降低验证审计证明阶段的时间开销和通信开销,以及审计阶段DO的时间开销。

摘要：船舶水炮射击时容易产生水花,造成对射击目标的遮挡,现有水炮控制跟踪系统在水炮射击场景中容易丢失目标,难以获得有效的瞄准效果。论文提出一种基于深度学习的目标检测方法,将水炮射击时拍摄的图像作为输入,实时检测出要射击目标的位置,来达到良好的瞄准效果,实现对目标准确有效的射击。论文设计一个轻量级的深度学习目标检测网络YOLOv5-SSA对水炮射击的目标进行实时检测,在实际场景中进行测试时,在目标检测准确率达到93.2%的前提下,处理速度达到了21.18ms,实现了对目标的实时检测。

摘要：动态三维迷宫是较为困难的、具有不确定性和不完全信息的强化学习任务环境,使用常规奖励函数在此环境中训练任务,速度缓慢甚至可能无法完成。为解决利用强化学习在动态迷宫中寻找多目标的问题,提出一种基于事件触发的综合奖励方案。该方案将三维迷宫中各种行为状态表达为各种事件,再由事件驱动奖励。奖励分为环境奖励和内部奖励,其中环境奖励与三维迷宫任务直接相关,含有体现任务目标的节点奖励和任务约束的约束奖励。内部奖励与智能体学习过程中的状态感受相关,含有判断奖励和心情奖励。在实验中,综合奖励的性能均值相较于改进奖励提升54.66%。结果表明,综合奖励方案在提高完成任务满意度、增强探索能力、提升训练效率方面具有优势。