多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标，提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况，提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置，以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明，MPLRR能够得到清晰高亮的显著性目标视觉效果图，同时F，AUC，MAE等评价指标也比现有的许多方法有明显提升。     

自然场景图像中叶片区域快速多阈值提取方法

针对自然场景中植物叶片图像分割效果不佳,难以从含有多个叶片的图像中提取出完整叶片区域的问题,提出了一种叶片区域的快速多阈值提取方法。首先,使用人工蜂群算法优化Otsu多阈值选取的过程,以类间方差为适应度函数获取最优的多个阈值,在获取最优多阈值的过程中以迭代的方式自适应地确定出适合于叶片图像的分割阈值数目,然后使用边缘检测,逻辑运算和形态学操作等从多阈值分割结果中去除背景元素,提取独立、完整的叶片区域。实验结果表明,当对包含一个和多个叶片的自然场景图像进行处理时,该方法能够较为快速地得到更为完整、准确的叶片区域。     

基于Hadoop及出租车历史轨迹的乘客推荐算法

针对智慧城市中乘客打车策略的推荐算法效率不高的问题,使用古典概率学统计历史轨迹中该时间该路段有空车的天数占数据集总天数比例,作为乘客等到空车概率;使用最小二乘法拟合时间与到达空车数曲线,预测乘客等到空车时间,以提高推荐效率。同时,使用Hadoop作为数据存储和计算平台以提高数据处理能力;提出一种基于地图栅格化的路网存储结构来提高搜索地图速度;改进一种基于计算几何的地图匹配算法提高匹配准确率。实验结果显示,空车概率推荐算法正确率约87%,等待时间推荐算法正确率达88.4%,表明挖掘轨迹数据为乘客提供推荐服务的可行性。     

云存储系统中文件分界点确定方法——Cut-GAR

针对Hadoop分布式文件系统(HDFS)中小文件定义模糊导致HDFS处理小文件性能不佳的问题,提出了一种云存储系统中文件分界点的确定方法——Cut-GAR。该方法分析消耗NameNode内存(M)、文件上传速度(MUFS)、文件读取速度(MAFS)与文件大小之间的关系,得出文件大小三个近似最优值,FM、FMUFS、FMAFS;然后利用灰度关联分析,将M、MUFS、MAFS作为评价指标,文件大小作为评价对象,得到评价指标-评价对象灰色关联度以及评价指标所占权重,将FM、FMUFS、FMAFS与对应权重相乘,得出文件分界点。实验结果表明,Cut-GAR在M、MUFS 和MAFS三者之间取得平衡,可以有效确定文件分界点,提升小文件处理性能。     

文本立场检测综述

文本立场检测是文本意见挖掘领域的基础性研究,旨在分析文本中对特定目标所表现的立场倾向.随着互联网的飞速发展,用户对于公共事件、消费产品等的讨论文本呈指数级增长,文本立场检测研究对产品营销、舆情决策等具有重要意义.从目标类型、文本粒度以及研究方法3个角度对文本立场检测研究工作展开综述.首先,从目标类型角度,围绕单目标、多目标以及跨目标立场检测3个方面梳理了文本立场检测的不同研究任务;从文本粒度角度,对比了句子级、篇章级以及辩论文本立场检测的不同研究场景和方法;从研究方法角度,介绍了基于传统机器学习、主题模型、深度学习以及"2阶段"的方法,并指出各种方法的可取与不足之处.接着,对文本立场检测评测任务以及公开数据资源进行了归纳.最后,立足当前研究形势,总结了文本立场检测研究的应用领域,展望了未来发展趋势以及面临的挑战.     

基于动态优先级和萤火虫行为的云任务调度算法

针对云环境下优先级任务调度容易出现的负载失衡问题,提出一种基于动态优先级和萤火虫行为的云任务调度算法(TS-PFB).该算法根据任务价值密度与执行紧迫性计算出动态优先级;模拟萤火虫行为,结合吸引度(ECT)和荧光亮度(负载约束)给出决策变量ρ;再按优先级高低依次将任务调度到最大ρ值所对应的可行VM上.实验结果表明,相比于Min-Min、Max-Min、HBB-LB算法,该算法减少了总任务的完成时间,均衡了VM的负载,降低了任务截止期错失率.     

基于前向搜索的快速视差范围估计方法

在立体匹配中,设置合理的视差搜索范围能够提高匹配的速度和精度。为此,提出了一种基于前向搜索的图像迭代细分方法用以估算视差范围的上下限。将参考图像均分为若干个图像块,在对每一块的匹配过程中,采用前向搜索策略,对当前匹配块继续均分成若干子块,并对其子块进行相似度匹配。在计算视差范围上限时,用当前块的子块视差中的最大值来表示其视差值,找到视差最大的图像块后继续迭代细分,直到得到稳定的视差范围上限。在计算视差范围下限时,用当前块的子块视差中的最小值来表示其视差值,找到视差最小的图像块后继续迭代细分,直到得到稳定的视差范围下限。实验结果表明,采用前向搜索策略计算视差范围的方法,在搜索空间降低比率达到28.8%的同时能够达到98%的命中率,相较直接进行匹配误匹配率降低了47.4%,能够得到更精确的视差范围。     

一种能量感知无线传感器网络可靠协议研究

针对无线传感器网络协议中可靠性及能量有效性,提出能量感知的无线传感器网络可靠路由EARRP.EARRP通过本地节点选择、路径预留和路径延迟广播来减少由于路径不可达带来的重传,进而提供一个可依赖的传输环境.仿真实验表明EARRP优于在汇聚节点和感应节点之间建立有效路径的传统的方法可以有效利用节点的剩余能量和有限存储资源.同时可以均匀的分配传输路径,进而实现节能目的.     

基于小世界模型的WSN簇间拓扑优化方法

针对无线传感器网络节点因能量消耗、硬件故障、通信因素等导致的链路失效问题,提出一种基于复杂网络小世界模型Kleinberg的无线传感器网络簇间拓扑优化方法,该方法依据簇头节点的局部视图ViewList信息中的长链与短链构建WSN簇间拓扑.实验分析表明,利用该方法演化的无线传感器网络拓扑在节点失效概率为0.2时,网络寿命比DECDC提高25%,并具有良好的能量均衡性和较低的消耗代价.该方法构建的拓扑具有较好的容错性和较强的鲁棒性.     

基于Faster R-CNN的榆紫叶甲虫识别方法研究

针对传统图像识别方法中利用人工设计特征提取模板对昆虫的识别精度不高的问题,提出了基于K-means聚类的深度学习网络模型Faster R-CNN对图像中的目标进行识别。该方法用K-means聚类算法,结合BWP指标对训练数据标签的长宽比值进行聚类,用新的聚类中心点代替标准Faster R-CNN网络中生成初始候选框的长宽比值;对生成初始候选框的尺寸加以改进;将训练数据送入改进后的Faster R-CNN网络进行训练。实验结果表明,在识别具有特定长宽比例的目标时,加入聚类策略的Faster R-CNN网络较标准Faster R-CNN网络有较强的鲁棒性,有效克服了叶片豁口或孔洞造成的冗余现象、榆紫叶甲虫甲壳反光的干扰、相邻的榆紫叶甲虫特征的互相影响和其他与榆紫叶甲虫有相似特征的种类昆虫的干扰。最终达到94.73%的识别精度,较标准网络提高了4.15%。该方法可有效克服传统昆虫检测中特征提取模板的局限性,对识别昆虫这种特征细腻,姿态多样的目标有重要意义。