摘要：目的现有的阴影去除方法通常依赖于像素级重建,旨在学习阴影图像和无阴影图像之间的确定性映射关系。然而阴影去除关注阴影区域的局部恢复,容易导致在去除阴影的同时破坏非阴影区域。此外,现有的大多数扩散模型在恢复图像时存在耗时过长和对分辨率敏感等问题。为此,提出了一种用于阴影去除的小波非均匀扩散模型。方法首先将图像通过小波分解为低频分量与高频分量,然后针对低频和高频分量分别设计扩散生成网络来重建无阴影图像的小波域分布,并分别恢复这些分量中的各种退化信息,如低频(颜色、亮度)和高频细节等。结果实验在3个阴影数据集上进行训练和测试,在SRD(shadow removal dataset)数据集中,与9种代表性方法进行比较,在非阴影区域和整幅图像上,峰值信噪比(peak signal-to-noise ratio,PSNR)、结构相似性(structural similarity index,SSIM)和均方根误差(root mean square error,RMSE)均取得最优或次优的结果;在ISTD+(augmented dataset with image shadow triplets)数据集中,与6种代表性方法进行比较,在非阴影区域上,性能取得了最佳,PSNR和RMSE分别提高了0.47 dB和0.1。除此之外,在SRD数据集上,ShadowDiffusion方法在生成不同分辨率图像时性能有明显差异,而本文方法性能基本保持稳定。此外,本文方法生成速度与其相比提高了约4倍。结论提出的方法能够加快扩散模型的采样速度,在去除阴影的同时,恢复出阴影区域缺失的颜色、亮度和丰富的细节等信息。

摘要：针对图像语义分割中存在的边缘模糊和准确度较低的问题,提出一种基于边缘感知强化空间细节的图像语义分割方法,在语义分割网络中引入边缘检测模块,以捕获更加精细的空间细节。模型采用编码器-解码器结构,使用空间金字塔池化模块(atrous spatial pyramid pooling,ASPP)提取语义信息;提出双向多级聚合模块(bi-directional multi-level aggregation,BMLA)生成边缘特征,并使其强化空间细节;设计一种新型的基于注意力机制的特征融合模块(attention feature fusion module,AFFM),将强化后的空间特征与语义特征融合。采用Cityscapes和ADE20K数据集进行实验,对比其他主流语义分割算法,该方法在分割性能上具有不错的竞争力。

摘要：针对基于多张曝光图像序列的高动态范围(HDR)成像任务在相机抖动或拍摄主体移动时出现运动伪影以及曝光失真的问题,提出一个用于动态场景HDR成像的局部熵引导的双分支网络。首先,利用离散小波变换(DWT)分离出输入图像的低频光照相关信息以及高频运动相关信息,以便于网络有针对性地处理曝光以及主体移动;其次,对于低频光照相关信息分支,设计一个利用图像局部熵计算注意力的模块来引导网络减少细节不足的曝光特征的提取;对于高频运动相关信息分支,引入一个轻量级的特征对齐模块来进行场景的一致性对齐,从而减少运动特征的提取;最后,结合通道注意力构建时域自注意力模块,从而加强曝光图像序列在时间域之间的相互依赖关系,以进一步提高结果质量。在公开数据集Kalantari、Sen、Tursun上进行评估。在Kalantari数据集上的实验结果表明,与最新的一些方法对比,所提网络以PSNR-l为42.20 dB的成绩取得第一,SSIM-l为0.988 9的成绩取得第三。结合其余数据集上的实验结果可知,所提网络可以有效减少曝光失真以及运动伪影,并生成细节多、视觉效果佳的图像。

摘要：为满足动态场景中智能车辆实时规划安全避障轨迹需求,提出一种基于双贝塞尔曲线的智能车辆稳定避障轨迹规划方法。对传统贝塞尔曲线进行改进,建立加入中转状态的双贝塞尔曲线轨迹规划策略,通过最小纵向安全距离模型优化中转位置以保证避障安全。结合场景信息建立车辆动力学约束优化避障策略,保证避障过程稳定性,从而得到合理轨迹集合。基于安全性与稳定性设计评价函数,以从合理轨迹集合中获取综合性能最优避障轨迹。进行Car Sim/Simulink联合仿真与硬件在环实验。实验结果表明:智能车辆避障过程中始终与障碍车保持一定安全距离,且车辆最大横摆角速度、横向加速度与侧倾角最大值分别为10.1 (°)/s,2.4 m/s^(2)与0.91°,证明所提出的轨迹规划方法在多种工况下均能生成最优避障轨迹,能保证避障过程安全、平稳完成。

摘要：针对高考招生咨询业务繁忙,咨询覆盖范围有限、咨询效率不高等问题,基于检索增强生成、大型语言模型、提示词工程和检索增强生成转结构化查询语言等技术构建AI招生咨询助理,搜集学校招生信息网招生政策、常见问题、学院专业介绍等建立本地权威招生知识库,对政策咨询类问题直接在本地向量知识库检索,对数据查询类问题转化为SQL数据查询,将检索或查询结果送至大模型推理生成回复,提升提问方式的自由度以及问题回复的权威性和实时性,降低大模型幻觉,实现全天候为考生和家长提供精准化、智能化、个性化的咨询服务。在2024年高考招生咨询中,大幅度减轻学校招生咨询工作压力,有效提升招生咨询效率,促进公平获取招生信息。

摘要：针对基于机器学习的元胞自动机在土地覆被变化模拟中存在的尺度效应和非平稳性特征提取不充分等问题,构建了ASPP(空洞空间金字塔池化)-CRA(坐标注意力)Unet-CARS(基于多类随机斑块种子)耦合模型。以成渝地区双城经济圈2012、2016、2020年实际城市土地利用变化数据为例,设计2组实验验证了模型的性能,并将其应用于预测2024年及2028年的城市扩张模式。通过模型对比结果显示,ASPP-CRAUnet-CARS模型的Kappa值为0.9123,FoM值为0.4142,Kappa值分别比RF-CMCNN-CA模型和UMCNN-CA模型的高出0.0208和0.0342,FoM值则分别提升了0.0306和0.0679。消融实验表明:去除ASPP和CRA模块后Kappa值与FoM值均有所下降。研究结果表明:ASPP-CRAUnet-CARS模型融合了传统元胞自动机和深度学习模型的双重优势,能较好地学习到城市发展中的复杂空间特征,改善了空间非平稳性建模效果,有效提高了模拟精度。

摘要：随着区块链单链协同向多链扩张的生态转化,跨链技术正在成为推动应用创新和增强系统能力的关键途径。然而,多链架构的分布式账本缺乏统一的身份认证方案,导致在资产跨链交易过程中可能面临隐私保护问题。因此,提出一种基于隐私保护的随机共识资产跨链方案。该方案引入随机公证人多签(RNMS)架构的跨链模型,并通过椭圆曲线迪菲-赫尔曼(ECDH)密钥协商算法来确保交易双方能够安全地协商共享密钥。此外,考虑到中间信任问题,设计一种基于改进Algorand的随机公证人选取算法,将该算法的轮盘式标号随机选取公证人的方式改进为可验证的伪随机方式,以降低伪随机选取风险,并确保跨链交互的安全性和去中心化。通过改进拜占庭协议(BA)降低共识的通信代价,进行BFT-Simulation平台算法仿真实验。实验结果表明:相较于Algorand算法,所提方案的验证节点私密性更高,跨链消息共识效率提高了89%,且用公证人机制验证让节点消息通信量减少了80%,可有效提高跨链安全性。

摘要：针对跨媒体计算领域中的图文匹配任务,提出一种基于阅读策略和语义对齐的图文匹配方法(reading-strategy and semantic alignment network,RSAN)。设计基于Transformer和双向门控循环单元(bidirectional gated recurrent unit,Bi-GRU)的区域特征增强模块,生成具有语义关系的图像区域特征以提升语义对齐的准确性;设计包含概述分支和精读分支的阅读模块,聚合全局对齐和局部对齐来学习更准确的匹配分数。在Flickr30K和MS-COCO数据集上开展综合实验,结果表明:RSAN模型相较于现有基线模型,在准确率和效率上具有良好的表现。

摘要：机器学习模型由于其预测和分类的高精度和各种应用场景的普适性,在图像处理、自动驾驶、自然语言处理等领域得到广泛应用。但机器学习模型容易遭受对抗样本攻击,在遭受对抗样本攻击时,预测和分类的精度会大幅下降。目前,数据增强方法通过改变或者扰动原始图像的方式,使得机器学习模型具有更强的泛化能力,在保护隐私的同时,能够增强其抵御对抗样本攻击的鲁棒性,是当前机器学习模型鲁棒性增强的主流方法之一。但基于差分隐私的鲁棒性增强方法面临加入的高频噪声容易被滤除,导致鲁棒性增强效果下降的问题。针对这一问题,结合信号处理的知识,本文从频域角度阐述差分隐私能够增强机器学习模型鲁棒性的原理,从理论上证明其有效性。设计了一种高频噪声滤波器HFNF,能够将差分隐私加入的高频高斯噪声滤除,使得差分隐私的鲁棒性增强效果下降,从理论上分析差分隐私鲁棒性增强方法存在缺陷的原因。提出了一种普适的融合低频信息的差分隐私鲁棒性增强算法LFDP,通过对图像不同频域部分加入生成的高低频噪声,即使存在高频噪声滤波攻击,仍然能够保证模型的鲁棒性,弥补了差分隐私原有高频高斯噪声的不足。从理论上分析并给出所提出方案的鲁棒性和误差边界,并在实际的数据集中进行测试。实验结果表明,与直接加入高频噪声的差分隐私鲁棒性增强方法相比,LFDP在不增大噪声尺度的同时能够起到更好的鲁棒性增强效果。

摘要：现有的索引选择方法存在诸多局限性.首先,大多数方法考虑场景较为单一,不能针对特定数据模态选择合适的索引结构,进而无法有效应对海量多模态数据;其次,现有方法未考虑索引选择时索引构建的代价,无法有效应对动态的工作负载.针对上述问题,提出一种面向多模态数据的智能高效索引选择模型APE-X DQN(Distributed prioritized experience replay in deep Q-network),称为AP-IS(APE-X DQN for index selection).AP-IS设计了新型索引集编码和SQL语句编码方法,该方法使AP-IS在感知多模态数据的同时兼顾索引结构本身的特性,极大地降低了索引的存储代价.APIS集成新型索引效益评估方法,在优化强化学习奖励机制的同时,监控数据库工作负载的执行状态,保证动态工作负载下AP-IS在时间和空间上的优化效果.在真实多模态数据集上进行大量实验,验证了AP-IS在工作负载的延迟、存储代价和训练效率等方面的性能,结果均明显优于最新索引选择方法.