体系架构框架的发展分析与应用

体系架构在复杂体系顶层设计中发挥着重要作用,本文主要从体系架构定义、多视角设计方法、数据标准、工具开发和应用等方面分析体系架构框架的发展情况,并总结了体系架构框架在总体规划蓝图方面的优势。     

一种多视角人脸检测方法

目前的人脸检测方法多是针对正面人脸,而对于多视角人脸检测还存在很大困难,有效的方法还不多。本文考虑到人脸检测中旋转人脸和侧面人脸两种多视角情况,提出了一种多视角人脸检测方法。针对平面内旋转的问题,在YCbCr色彩空间内建立肤色模型,经过处理确定人脸椭圆区域,利用基于灰度加权的主成分分析算法进行人脸的角度校正,得到偏转校正后的人脸图像。针对侧面人脸的问题,通过上下和左右2个方向的人脸旋转样本库来训练分类器,然后组合成并联分类器,再对偏转校正后的人脸图像进行人脸验证。实验结果表明,该方法可以对任意视角的人脸进行有效的检测,且有较高的检测率。     

基于多视角信息融合的棒材识别计数方法

棒材出厂前要按根数打捆,基于单视角视觉识别计数方法难以处理多个目标之间的互遮挡等问题。文章提出多视角信息融合方法,从2个视角分别捕获目标图像,分别识别,再进行融合,对单视角目标识别信息的补偿与纠错,达到消除互遮挡、准确计数的目的。实践证明,该方法能很好地解决单视角的遮挡目标识别问题,对于因存在遮挡和光照条件限制而难以处理的多目标识别和跟踪问题具有一定的普适性。     

最近发售游戏的多视角评价 黄金眼

前两期出现了一点小BUG,部分得分超过24分的游戏忘记归类到“热血推荐”里了,实在是不该有的失误,向大家致歉,以后一定不再犯,还请大家监督。     

基于黎曼流形的多视角谱聚类算法

现有的多视角谱聚类算法大多只线性结合了各视角的基拉普拉斯矩阵,未考虑不同视角数据的差异性对最优拉普拉斯矩阵的影响,存在聚类性能受限的问题。提出一种基于黎曼几何均值与高阶拉普拉斯矩阵的谱聚类算法(RMMSC),挖掘多视角数据中的高阶连接信息与流形信息,提高最优拉普拉斯矩阵对各视角的信息利用率。按一定的权重线性结合数据单一视角的各阶拉普拉斯矩阵,得到每个视角的基拉普拉斯矩阵,通过低阶与高阶连接信息的结合使用,充分体现多视角数据集的全局结构。在此基础上,计算各视角基拉普拉斯矩阵的黎曼几何均值,将其作为最优拉普拉斯矩阵输入谱聚类算法,得到聚类结果。相比于传统矩阵算数均值的计算,基于黎曼流形的黎曼几何均值能够更好地恢复互补层数据的流形信息。实验结果表明,RMMSC在多组标准数据集上聚类效果优于ONMSC、MLAN、AMGL等算法。其中,在Flower17数据集上,精确度较基准算法ONMSC提高了2.14%,纯度提高了1.7%,且收敛性较好。     

基于多视角的多类型错误全面检测方法

随着信息化社会的发展,数据的规模越发庞大,数据的种类也越发丰富.时至今日,数据已经成为国家和企业的重要战略资源,是科学化管理的重要保障.然而,随着社会生活产生的数据日益丰富,大量的脏数据也随之而来,数据质量问题油然而生.如何准确而全面地检测出数据集中所包含的错误数据,一直是数据科学中的痛点问题.尽管已有许多传统方法被广泛用于各行各业,如基于约束与统计的检测方法,但这些方法通常需要丰富的先验知识与昂贵的人力和时间成本.受限于此,这些方法往往难以准确而全面地检测数据.近年来,许多新型错误检测方法利用深度学习技术,通过时序推断、文本解析等方式取得了更好检测效果,但它们通常只适用于特定的领域或特定的错误类型,面对现实生活中的复杂情况,泛用性不足.基于上述情况,结合传统方法与深度学习技术的优点,提出了一个基于多视角的多类型错误全面检测模型CEDM.首先,从模式的角度,结合现有约束条件,在属性、单元和元组层面进行多维度的统计分析,构建出基础检测规则;然后,通过词嵌入捕获数据语义,从语义的角度分析属性相关性、单元关联性与元组相似性,进而基于语义关系,从多个维度上更新、扩展基础规则;最终,联合多个视角...     

一种3D眼镜虚拟试戴系统的实现

针对人脸图像试戴3D眼镜过程中存在的镜腿遮挡人脸问题,文中提出一种基于人脸图像的3D眼镜虚拟试戴技术。利用构建的人脸形状的三维模型,使其在虚拟试戴中对镜腿起到消隐作用,解决镜腿的遮挡问题。文中对输入的人脸图像进行关键点检测,结合Graham扫描法求得人脸形状的凸多边形,利用平移扫描构建人脸形状的三维模型。此外,文中根据定位人脸图像上的关键点以及姿态估计后对三维眼镜模型的变换,将眼镜模型佩戴到人脸图像上。实验结果表明,该方法对于多视角的人脸图像实现了虚拟试戴效果,解决了多种视角下人脸图像试戴过程中镜腿的遮挡问题,虚拟试戴中镜腿遮挡平均准确率为94.5%,遮挡精度较高。     

事件日志的批量迹与过程模型的多视角对齐方法

在业务过程发现的一致性检测中,现有事件日志与过程模型的多视角对齐方法一次只能获得一条迹与过程模型的最优对齐;并且最优对齐求解中的启发函数计算复杂,以致最优对齐的计算效率较低。为此,提出一种基于迹最小编辑距离的、事件日志的批量迹与过程模型的多视角对齐方法。首先选取事件日志中的多条迹组成批量迹,使用过程挖掘算法得到批量迹的日志模型;进而获取日志模型与过程模型的乘积模型及其变迁系统,即为批量迹的搜索空间;然后设计基于Petri网变迁序列集合与剩余迹的最小编辑距离的启发函数来加快A*算法;最后设计可调节数据和资源视角所占权重的多视角代价函数,在乘积模型的变迁系统上提出批量迹中每条迹与过程模型的多视角最优对齐方法。仿真实验结果表明,相比已有工作,在计算批量迹与过程模型间的多视角对齐时,所提方法占用更少的内存空间和使用更少的运行时间。该方法提高了最优对齐的启发函数计算速度,可以一次获得批量迹的所有最优对齐,进而提高了事件日志与过程模型的多视角对齐效率。     

面向视角非对齐数据的多视角聚类方法

如何在视角对齐关系错位时有效进行非对齐多视角学习是一类新的挑战性问题。针对这一问题,提出面向视角非对齐数据的多视角聚类方法。一方面,为了捕获多视角异构特征的跨视角相似度信息,基于多视角非负矩阵分解进行表示学习,将原始特征嵌入一个可度量的低维同构空间。另一方面,在低维同构空间中,以二部图最优匹配模型建模视角对齐关系,并提出参考视角概念将模型推广至多视角情形。将表示学习和视角对齐关系学习整合到统一的Bi-level优化框架,使其在迭代中相互促进,进一步提高模型对视角非对齐数据的学习能力。在视角非对齐数据聚类应用上的大量实验结果表明,相比于8种先进的多视角聚类方法,所提方法在3个数据集上的多项性能指标均取得了较优的性能。     

面向狭窄场景的鲁棒多视角配准方法

多视角点云配准是逆向工程中的关键步骤之一,具有重要的研究意义和工程应用价值。而对于狭窄场景(如口腔或机械结构内部)获取的点云数据,多视角配准算法的精度直接影响重建精度的好坏。为了提升狭窄场景多视角点云配准的速度和鲁棒性,提出一种基于位姿图优化的增量式多视角点云配准方法。首先针对相邻视角的点云,结合迭代最近点法(ICP)和基于特征的配准方法,提出一种多策略融合的成对点云配准算法,用于求解相邻视角点云的配准结果;然后在增量式相邻视角点云配准的基础上,进一步提出一种基于距离约束的回环检测方法,并依据相邻视角点云的配准结果和回环检测的结果构建位姿图;最后采用实时优化策略对位姿图进行优化,消除累计误差,实现鲁棒的多视角配准。实验结果表明,提出的多策略融合配准算法和基于距离约束的回环检测方法是有效的。经典ICP算法和基于FPFH特征的配准算法在实验中存在失效的现象,而提出的多策略融合配准算法并无失效。基于距离筛选的回环检测方法较常规的回环检测方法效率提高。提出的多视角配准算法在配准牙齿模型数据时精度可达到0.0357 mm。为了验证算法的普适性,采用多个狭窄场景下连续采集的模型点云进行验证,结果表明:提出的算法取得了不错的效果,表明该方法是一种有效的狭窄场景多视角配准方法。