基于分层学习的三维模型兴趣点提取算法

针对基于学习的三维模型兴趣点提取问题,提出一种兴趣点分层学习的全监督算法.提取三维模型表面所有顶点的特征向量后,将人工标注的兴趣点分为稀疏点和密集点,对于稀疏点使用整个三维模型进行神经网络训练,对于密集点则找出兴趣点分布密集的区域进行单独的神经网络训练;然后对2个神经网络进行特征匹配,得到一个用于三维模型兴趣点提取预测的分类器.测试时,提取新输入的三维模型上所有顶点的特征向量,将其输入到训练好的分类器中进行预测,应用改进的密度峰值聚类算法提取兴趣点.算法采用分层学习的策略,解决了传统算法在模型细节处难以准确提取密集兴趣点的问题.在SHREC’11数据集上的实验结果表明,与传统算法相比,该算法提取兴趣点的准确率更高,出现的遗漏点和错误点更少,对解决越来越精细的三维模型的兴趣点提取问题有较大帮助.     

基于权重能量自适应分布的三维形状分割算法

针对三维形状分割问题,提出一种引入权重能量自适应分布参与深度神经网络训练的全监督分割算法.首先对三维形状表面进行过分割得到若干小块,提取每一个小块的特征描述符向量作为神经网络的输入,计算权重能量自适应分布,将经过加权后的分割标签作为神经网络的输出,训练深度神经网络.对于新的未分割的三维模型,提取模型表面三角面片的特征向量后输入到神经网络中进行预测分割后,对预测分割的边缘进行修整得到分割结果,实现三维模型的自动分割.在普林斯顿三维模型分割数据集上的实验结果表明,算法通过在训练过程中引入权重能量自适应分布,可以大幅降低神经网络训练时的均方误差,提高神经网络预测结果的准确率;与传统算法相比,该算法具有高准确率、强鲁棒性、强学习扩展能力等优点.     

可拓聚类的科教人际网络节点重要性动态分析方法

目前大多数研究对复杂社会网络关键节点影响力的识别都是静态的，缺乏动态变化的分析。采用可拓聚类方法对动态变化下的科教人际网络进行量化分析，首先以多属性决策法计算每个节点重要性，再利用变异系数权重法计算得该节点综合重要性量值，之后划分等级并取标准正域和正域区间，利用可拓关联函数计算每个节点与每个等级的关联度，关联度值最大的等级即为该节点对应等级，最后分析同一社会网络节点在不同时间点的重要性等级变化。可拓聚类方法尝试从动态上对网络节点重要性进行把握，最后通过实例验证了该方法的有效性。     

复杂社会网络节点重要性可拓聚类动态分析方法

目前大多数复杂网络关键节点影响力识别方法都是建立在静态分析基础之上的,缺乏对节点动态变化的考量。采用可拓聚类方法来量化分析社会网络的动态变化,以多属性决策法测量各节点静态重要性属性值;分别划分等级,取经典域和节域,计算各节点在对应属性上的关联度,并用熵权法取得综合关联度;分析其在同一社会网络不同时间点的变化,给出变动的量和方向。该方法不仅能刻画出节点重要性的变化趋势,而且给出了变化程度。最后,通过实例验证了该方法的可行性和有效性。     

L∞准则的最大误差图像压缩算法

目的 传统的图像压缩算法大多是基于L₂准则的,但是该方法不能够精确控制每一点的误差,因此提出基于L_∞准则约束的最大误差图像转换压缩算法。该算法能够保证重构的每一点的误差都在给定的范围内。方法 首先利用图像像素点之间的相似性,将图像分解成若干不重叠子块。然后对原始图像的每一子块分别进行完全的转换变换,并存储需要保留的转换系数。最后通过保留的转换系数重构原始图像。结果 实验结果表明,不同分辨率的图像,最适宜的分块大小不相同,随分辨率的增大而增大。结论 与已有的基于L_∞准则约束的最大误差转换压缩算法相比,该算法可以提高图像压缩比和重构质量,并且具有更快的压缩速度。