西安城市居民对营业性游憩场所的社会功效感知研究

随着我国社会经济迅速发展与人们闲暇时间增多,营业性游憩场所成为城市居民生活空间的重要构成部分,成为城市居民生活空间质量高低的具体表现和城市地理学研究关注的焦点。本文通过对西安市西南高新区四个社区居民的问卷调查,结合人本主义方法探讨了西安市营业性游憩场所的类型、空间分布以及社会功效,认为营业性游憩场所已构成中国大城市生活空间的消费景观,并具有城市居民社会网络的场所交往功效。     

基于DCT与SVD相结合的图像水印新算法

基于奇异值分解的水印算法中,利用正交矩阵实现水印的嵌入保证了水印的不可替换性.但在修改正交矩阵时,如果不保持矩阵的正交性,就会对提取出水印的正确率产生影响.为了解决这一问题,提出了一种基于二维离散余弦变换与奇异值分解相结合的数字图像水印新算法.在水印嵌入时,对图像子块的DCT系数矩阵进行SVD分解,利用三角函数的正交性...     

基于脉冲涡流的铁磁性材料屈服强度检测方法

钢铁工业中的铁磁性材料屈服强度的检测依赖拉伸检测,增加了检测成本,为此提出了一种多特征融合的铁磁性材料屈服强度脉冲涡流检测方法。提取脉冲涡流响应信号的时域特征、频域特征,然后建立各个信号特征与材料屈服强度的神经网络模型,最后用神经网络模型对材料的屈服强度进行估计。该方法是一种无损检测方法,检测误差不超过5%。     

一种基于像素抽样建模的车辆目标提取方法

针对传统背景建模算法初始化时间长、存在Ghost区等缺点,本文根据样本一致性原理,提出一种基于像素抽样的背景建模方法。初始化阶段利用历史像素序列多次采样构建背景模型;模型更新采用改进的ViBe算法,同时更新历史像素模型和ViBe背景模型;前景检测时,利用样本一致性原理,将源像素同时与两个模型作比较,获得目标。对比实验表明,与Vibe原算法及传统目标提取算法相比,本文算法在有运动目标存在的情况下,初始化效率较高,并且有效抑制Ghost区,低速目标检测效果良好。     

基于局部时空特征的人体行为软分类识别

针对全局运动特征难以准确提取的问题,本文采用局部时空特征对人体行为进行表征。针对传统词袋中硬分类的方法量化误差大的不足,本文借鉴模糊聚类的思想,提出软分类的方法。根据兴趣点检测算法从视频中提取出视觉词汇,用K means算法对其进行聚类,建立码本。在计算分类特征时,首先计算待分类视觉词汇到码本中各个码字的距离,根据距离计算这个视觉词汇隶属于各个码字的概率,最后统计得到每个视频中各码字出现的频率。在Weizmann和KTH数据库对本文提出的人体行为识别算法进行验证,Weizmann库的识别率比传统的词袋算法提高8%,KTH库的识别率比传统的词袋算法提高9%,因此本文提出的算法能更有效地对人体行为进行识别。     

数字图像修复在图像压缩上的应用

针对图像修复和图像压缩方法的联系和互补性,分析了图像修复与图像压缩结合的可行性,并设计了一套方案进行验证。用传统方法进行一次压缩,然后对被压缩的图像进行重要信息提取,丢弃图像冗余块之后,实现对图像的二次压缩。对二次压缩后的图像进行存储和传输即可节省资源,图像的使用要先经过图像修复处理才能获得完整图像。     

基于局部尺度特征描述和改进DTW技术的局部轮廓匹配算法

基于轮廓的图像匹配是计算机视觉领域中的重要问题,但是目前尚未有较成熟的算法能够很好地解决局部轮廓匹配问题及非相似变换和非刚体变换引起的轮廓形变问题.根据局部轮廓结构在产生形变时具有相对稳定性的规律及融合轮廓局部信息和全局信息的轮廓描述思想,本文提出了一种具有尺度、旋转、平移不变性,形变鲁棒性和初始点无关性的局部尺度轮廓描述算法.在此基础上,针对线性匹配方法效果不佳以及传统DTW技术约束路径的线性度不满足轮廓采样特性要求的问题,提出一种基于改进DTW技术的轮廓匹配算法,即结合轮廓采样特性设置九宫格的路径约束条件,以旋转角度为参数,计算全局最佳匹配路径.实验结果表明,对于存在尺度、平移、旋转及形变关系的两轮廓,该方法能较好地实现轮廓间的局部匹配,并且其匹配准确率平均约为92%,较HD算法提高了30%,较传统DTW算法提高了26%.     

根据轮廓寻找匹配对应点的断层图像插值方法

插值是三维重建的一个重要步骤。目前常用的直接灰度插值会使得图像边界模糊。针对这一问题,提出一种基于轮廓寻找匹配点的插值方法：首先对两幅图像进行形状插值,得到插值图像的轮廓;再根据轮廓寻找插值图像在两幅源图像上的对应点,并根据匹配准测,找到最佳匹配点;最后对匹配点的灰度进行插值,得到插值像素点的灰度值。试验结果表明,和已有的算法比较,新算法较好地提高了插值图像的质量。     

联邦学习贡献评估综述

数据不动的联邦学习框架是多个数据持有方合作训练机器学习模型的新范式.多个数据持有方参与联邦学习时的贡献评估是联邦学习的核心问题之一.参与方贡献评估需要兼顾有效性、公平性和合理性等要素,在理论方法与实际应用中均面临多项挑战.贡献评估首先需要明确如何度量数据价值,然而数据估值存在主观性与依赖于实际任务场景的特点,如何设计有效、可靠并对恶意数据鲁棒的数据估值指标是第一大挑战.其次,联邦学习合作中的参与方贡献评估是经典的合作博弈问题,如何制定公平合理的参与方贡献评估方案,实现参与方一致认可的博弈平衡是第二大挑战.最后,参与方贡献评估往往计算复杂度高,同时,联邦学习中围绕模型的数据估值时间开销大,因此,在实践中如何设计高效且准确的近似算法是第三大挑战.近年来,为了有效地解决上述挑战,学术界对联邦学习中的贡献评估问题展开了广泛的研究.首先,简要介绍联邦学习与参与方贡献评估的背景知识;然后,综述数据估值指标、参与方贡献评估方案和相关优化技术;最后,讨论了联邦学习贡献评估仍面临的挑战并展望未来研究的发展方向.