分子系统发育分析的生物信息学方法

物种之间的系统发育分析研究物种的形成或进化历史,以及物种之间的进化关系,它是当代生命科学研究的一个重要分支.分子生物学和计算机科学的发展,为人类采用计算的方法从分子水平研究生物的进化历史以及探索生命的起源提供了新的思路.在过去的几十年中,基于分子水平的系统发育学研究取得很大的进展,各种各样基于分子水平的系统发育树推断方法被提出来.现从物种进化距离刻画和系统发育树重构算法两个方面,总结和评述了在过去十几年里,人类利用生物信息学方法在分子水平上研究物种进化关系的进展和取得的成果,分析了物种进化研究存在的问题和面临的挑战,指出了物种进化研究今后的主要方向.     

分层次多模块的全方位实践教学体系建设

提出实践教学体系的建设思路,阐述实践教学的3个层次,探索工程训练机制、学生自主研究机制和校企合作机制的建立,并介绍建设成效。     

RGB-D行为识别研究进展及展望

行为识别是计算机视觉领域很重要的一个研究问题，其在安全监控、机器人设计、无人驾驶和智能家庭设计等方面都有着非常重要的应用.基于传统RGB视频的行为识别方法由于容易受背景、光照等行为无关因素的影响，导致识别精度不高.廉价RGB-D摄像头出现之后，人们开始从一个新的途径解决行为识别问题.基于RGB-D摄像头的行为识别通过聚合RGB、深度和骨架三种模态的行为数据，可以融合不同模态的行为信息，从而可以克服传统RGB视频行为识别的缺陷，也因此成为近几年的一个研究热点.本文系统地综述了RGB-D行为识别领域的研究进展和展望.首先，对近年来RGB-D行为识别领域中常用的公共数据集进行简要的介绍；同时也系统地介绍了多模态RGB-D行为识别研究领域的典型模型和最新进展，其中包括卷积神经网络（Convolution neural network，CNN）和循环神经网络（Recurrent neural network，RNN）等深度学习技术在RGB-D行为识别的应用；最后，在三个公共RGB-D行为数据库上对现有方法的优缺点进行了比较和分析，并对未来的相关研究进行了展望.     

多模板ASM方法及其在人脸特征点检测中的应用

ASM(active shape model)是目前最流行的人脸对齐方法之一.为提高ASM在非均匀光照下多表情的人脸特征点检测的准确率,提出了一种融入Gabor特征、并将局部ASM和全局ASM结合的多模板ASM方法.人脸有丰富的表情,如微笑、惊讶、生气、发呆等等.就眼睛而言,可分为睁眼和闭眼;就嘴巴而言,可分为张大的嘴、微笑的嘴、O型的嘴(惊讶时)和紧闭的嘴.眼睛的这两种状态以及嘴巴的这4种状态使得形状有较大的非线性变化,不能简单地放在同一个线性模型下处理.分别对眼睛建立两个局部模板,对嘴巴建立4个局部模板,以及对整脸建立全局模板.在给定眼睛两个内眼角和嘴巴两个外嘴角的前提下,新方法首先用全局模板粗略确定眼睛所在区域,然后在此区域用眼睛的两个局部模板以及Hausdorff距离判断眼睛状态,同理可检测嘴巴状态,最后调用相应的全局模板去搜索整脸轮廓.实验表明,提出的方法其检测准确率比标准ASM有明显提高.     

森林植物检疫管理系统的关键技术

该介绍开发森林植检疫管理信息系统所采用的关键技术，包括：系统结构，总体设计思想、系统的功能、式媒体软件的制作、智能咨询服务等技术。     

一种人脸姿势判别与正脸合成的新方法

人脸深度旋转是人脸识别领域的一个瓶颈问题．首先探讨了不同方向、尺度的Gabor滤波器对于判别不同朝向的人脸姿势的性能，然后提出了一个基于Gabor滤波和分数幂多项式核Fisher判别准则的人脸姿势判别方法，最后利用改进的点点对应算法和线性物体类的原理构造正脸合成的算法．实验结果表明，新提出的姿势判别和合成方法是有效的．     

基于网状扩散的图像去噪与边缘增强

利用抛物型偏微分方程进行图像去噪与增强是图像处理领域的热门研究课题之一,但既有的扩散方程通常会带来边缘平滑,以致图像变得模糊。在各向异性扩散的基础上,采用均衡化网状扩散模型,外加调整项与控制项,对图像进行降噪处理,且同时增强对象边缘、强化图像结构。利用该模型,设计了显式与隐式的离散计算方案,并利用显式方案进行实验。实验结果表明,与既有方法比较可知,该网状扩散模型的处理效果更好。最后,论述了该模型的不足之处与可改进的方向。     

Raw Tra jectory Rectification via Scene-Free Splitting and Stitching

Trajectories carry rich motion cues and thus have been leveraged to many high-level computer vision tasks. Due to the easy implementation of simple trackers, most previous work on tra jectory-based app...     

完善频谱脸人像识别的分类器设计

频谱脸方法是一种利用小波变换和Fourier变换有效地提取人像的位移不变特征和表情相对不变特征的方法。该文着重讨论了频谱脸方法系统化的预处理方法和相似性度量选择这两个关键性问题。其中，矩的方法被用于人像进行预处理，因为它能有效地对人像的伸缩和平面旋转进行矫正；通过对最近邻法、平均法、Hausdroff距离法和修正的Hausdroff距离法等4种典型的相似性度量方法中进行比较和分析的结果表明，最近邻法、平均法和修正的Hausdroff距离法都是频谱脸方法进行相似性度量的有效方法，其中，最近邻法是最有效的方法，它对诸如位移、伸缩、平面旋转、少许遮掩及少许姿势、表情和光照条件的变化多种影响人像识别的因素均具有最佳的容错性，并在Yale和Olivetti人 像数值库上进行了识别试验，分别取得了97％和99％的识别率。     

基于集成学习的改进深度嵌入聚类算法

近年来深度学习的迅速发展为聚类研究提供了一个有力的工具,并衍生出了许多基于深度神经网络的聚类方法.在这些方法中,深度嵌入聚类(DEC)因其可对深度表示学习和聚类分配同时进行优化的优势而日益受到关注.但是,深度嵌入聚类的一个局限性在于其超参数λ的敏感性,而往往需要诉诸人工调节来解决.对此,提出一种基于集成学习的改进深度嵌入聚类(IDECEL)方法.相较于寻求单个最优超参数的常规做法,提出以多样化超参数λ构建一组具有差异性的基聚类,并结合熵理论对基聚类集合的簇不确定性进行评估与加权,进而在簇与样本之间构建一个局部加权二部图模型,再将之高效划分以得到一个更优聚类结果.在多个数据集上的实验结果表明,提出的IDECEL方法不仅可缓解常规DEC算法超参数敏感性的问题,同时也表现出比其他多个深度聚类和集成聚类方法更为鲁棒的聚类性能.