利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法．该算法以模型更新得到的前景／背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(Level Set)偏微分方程的数值求解问题,并分析了算法的自适应性．为了进一步提高算法的实现效率,引入了窄带跟踪方案．实验表明,该算法可以对视频序列中的指定运动对象进行快速精确的跟踪。     

MBfR中改性PVDF疏水中空纤维膜表面微生物附着生长特性研究

针对膜生物膜反应器(MBfR)研究中疏水性微孔膜供氧能力不足、生物亲和性能较差等问题,采用界面聚合及自聚合法对自制的疏水性聚偏氟乙烯(PVDF)中空纤维膜进行表面改性,制备出适合于MBfR技术的PVDF/DOPA改性膜与PVDF/TMC-CS改性膜.选取混合微生物体系研究微生物在原膜和改性膜表面上的粘附生长情况,评价了3种膜材料生物亲和性的差异,并对3种膜材料表面生物膜的MBfR有机物及氨氮处理特性进行了初步研究.研究结果表明,与原膜相比,PVDF/DOPA改性膜在微生物附着生长实验后生长的微生物厚度最高,为25μm,微生物膜优先成熟且附着的微生物数量较多,表明PVDF/DOPA改性膜的生物亲和性最高;附着微生物的PVDF/DOPA改性膜废水处理能力较高,对TOC和NH4+-N的去除效果可稳定保持在93.48%、84.74%左右,同时对废水的抗有机冲击负荷能力明显优于另两种膜材料系统.     

随机初始化神经网络剪枝的稀疏二值规划方法

传统深度神经网络剪枝方法往往以预训练模型为初始网络并需要在剪枝后进行微调。受到近年来edgepopup等基于随机初始化网络的剪枝算法优异性能的启发,提出了一种基于稀疏二值规划的随机初始化网络剪枝算法。该算法将剪枝训练过程建模为一个稀疏二值约束优化问题。其核心思想是利用稀疏二值规划来学习一个二值掩膜,利用该掩膜可以从随机初始化的神经网络上裁剪出一个未经训练却性能良好的稀疏网络。与之前基于随机初始化网络的剪枝算法相比,该算法找到的稀疏网络在多个稀疏度下都具有更好的分类泛化性能。与edge-popup算法相比,在ImageNet数据集分类任务中,模型在稀疏度为70%时精度提升7.98个百分点。在CIFAR-10数据集分类任务中,模型在稀疏度为50%时精度提升2.48个百分点。     

基于隐式随机梯度下降优化的联邦学习

联邦学习是一种分布式机器学习范式,中央服务器通过协作大量远程设备训练一个最优的全局模型。目前联邦学习主要存在系统异构性和数据异构性这两个关键挑战。本文主要针对异构性导致的全局模型收敛慢甚至无法收敛的问题,提出基于隐式随机梯度下降优化的联邦学习算法。与传统联邦学习更新方式不同,本文利用本地上传的模型参数近似求出平均全局梯度,同时避免求解一阶导数,通过梯度下降来更新全局模型参数,使全局模型能够在较少的通信轮数下达到更快更稳定的收敛结果。在实验中,模拟了不同等级的异构环境,本文提出的算法比FedProx和FedAvg均表现出更快更稳定的收敛结果。在相同收敛结果的前提下,本文的方法在高度异构的合成数据集上比FedProx通信轮数减少近50%,显著提升了联邦学习的稳定性和鲁棒性。     

基于目标分块多特征核稀疏表示的视觉跟踪

大多数现有的基于稀疏表示的跟踪器仅采用单个目标特征来描述感兴趣的目标,因而在处理各种复杂视频时不可避免会出现跟踪不稳定的情况。针对这个问题,提出一种基于多特征联合稀疏表示的粒子滤波跟踪算法。该算法的主要思想是对随时间不断更新的字典模板和抽样粒子的局部块依据其位置进行分类,用字典中所有类别块对抽样粒子的局部块进行稀疏表示,而仅用与字典中具有相同类别的局部块及表示系数进行重构,根据重构误差构建似然函数以确定最佳粒子（候选目标）,实现对目标的精确跟踪。该方法不仅实现了局部块的结构稀疏性,而且充分考虑了粒子之间的依赖关系,提高了跟踪精度。将算法进一步推广到采用基于核的多种特征描述,经混合范数约束并利用 KAPG （kernelizable accelerated proximal gradient ）方法求解联合特征的稀疏系数。定性和定量的实验结果均表明该算法在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等各种复杂情况下,依然可以准确地跟踪目标。     

利用坐标下降实现并行稀疏子空间聚类

随着数据规模的不断扩大,稀疏子空间聚类问题面临计算上的巨大挑战。现有稀疏子空间聚类算法如交替方向乘子法(ADMM)往往基于串行实现,难以利用多核处理器提高处理大规模聚类问题的效率。针对这个问题,提出一种基于坐标下降的并行稀疏子空间聚类方法。该方法利用稀疏子空间聚类可以建模为求解一系列的样本自稀疏表达子问题的特点,使用坐标下降方法来求解每个子问题,具有参数少、收敛快的优点;同时结合自稀疏表达子问题独立的特点,在处理器的各个核心上同时求解不同样本对应的子问题,因此可以充分利用计算机资源,减少运行时间开销。在模拟数据和运动分割数据集Hopkins-155上与常用的ADMM算法进行对比实验,结果表明该算法在多核处理器上可以显著提升运行速度且聚类精度与ADMM相当。     

基于层融合特征系数的动态网络结构化剪枝

剪枝是一种减少模型复杂度的有效方式,现有的剪枝方法仅考虑卷积层对特征图的影响,无法准确判断冗余滤波器,文中提出基于层融合特征系数的动态网络结构化剪枝方法.同时考虑卷积层和批规范化(BN)层对输出特征图的影响,利用多动态参数确定滤波器的重要性,动态寻找冗余滤波器,获取最优网络结构.在CIFAR-10、CIFAR-100数据集上的实验表明,无论是残差网络还是轻量型网络,文中方法在采用较大剪枝率时仍能保持较高精度.     

基于深度神经网络二阶信息的结构化剪枝算法

现有结构化剪枝算法通常运用深度神经网络（DNN）的一阶或者零阶信息对通道进行剪枝,为利用二阶信息加快DNN网络模型收敛速度,借鉴HAWQ算法思想提出一种新的结构化剪枝算法。采用幂迭代法得到经过预训练的网络参数对应Hessian矩阵的主特征向量,据此向量衡量网络通道的重要性并进行通道剪枝,同时对剪枝后的网络参数进行微调提高DNN分类性能。实验结果表明,该算法在网络参数量和每秒浮点运算次数分别减少29.9%和34.6%的情况下,在ResNet110网络上的分类准确率提升了0.74%,剪枝效果优于PF、LCCL等经典剪枝算法。     

基于Adam局部优化的分布式近似牛顿深度学习模型训练

分布式学习是减轻现代机器学习系统中不断增加的数据和模型规模压力的有效工具之一.DANE算法是一种近似牛顿方法,已被广泛应用于通信高效的分布式机器学习.其具有收敛速度快且无须计算Hessian矩阵逆的优点,从而可以在高维情况下显著减少通信和计算开销.为了进一步提高计算效率,就需要研究如何加快DANE的局部优化.选择使用最流行的自适应梯度优化算法Adam取代常用的随机梯度下降法来求解DANE的局部单机子优化问题是一种可行的方法.实验表明,基于Adam的优化在收敛速度上可以明显快于原始的基于S GD的实现,且几乎不会牺牲模型泛化性能.