基于纹理规则性分析的图像填补方法

针对目前图像填补中存在的很难自动分析和提取前景、背景,然后合理地恢复图像等问题,提出一种利用纹理规则性分析和纹理合成技术进行有效图像填补的方法.为了实现自动化的提取,将前景视为近似规则纹理的场景区域,首先引入纹理规则性分析方法,利用近似规则纹理具有强烈的信号规则性的特点自动有效地提取前景信息;然后通过合成优先级的思想将纹理合成技术和图像修补技术结合起来,提出一个合理的背景填补方法以恢复图像.实验结果证明,该方法可以自动有效地提取具有近似规则纹理特征的前景或背景内容,并合理地恢复图像.     

基于深度学习的在线学习成绩预测研究

通过分析在线学习平台中的教育文本,能挖掘其所蕴含的情感、认知等信息进行学业预测.然而目前在线学习成绩预测大多基于结构化数据,难以深入、精准地挖掘学习者的状态、情感等信息,影响到预测的准确性.采用深度学习技术,其中CNN模型能够有效提取局部特征,而LSTM模型能够考虑全局文本顺序的优势,能对教育短文本数据进行分类和细粒度情感倾向分析,挖掘其包含的影响学习成绩的因素,实现对在线学习成绩的有效预测.     

特征一致性约束的视频目标分割

目的 视频目标分割是计算机视觉领域的一个重要方向,已有的一些方法在面对目标形状不规则、帧间运动存在干扰信息和运动速度过快等情况时,显得无能为力。针对以上不足,提出基于特征一致性的分割算法。方法 本文分割算法框架是基于马尔可夫随机场（Markov random field,MRF）的图论方法。使用高斯混合模型,对预先给定的已标记区域分别进行颜色特征的建模,获得分割的数据项。结合颜色、光流方向等多种特征,建立时空平滑项。在此基础之上,加入基于特征一致性的能量约束项,以增强分割结果的外观一致性。这项添加的能量本身属于一种高阶能量约束,会显著增加能量优化的计算复杂度。为此,添加辅助结点,以解决能量的优化问题,从而提高算法速度。结果 在DAVIS_2016（densely annotated video segmentation）数据集上对该算法进行评估与测试,并与最新的基于图论的方法进行对比分析,对比算法主要有HVS（efficient hierarchical graph-based video segmentation）、NLC（video segmentation by non-local consensus voting）、BVS（bilateral space video segmentation）和OFL（video segmentation via object flow）。本文算法的分割结果精度排在第2,比OFL算法略低1.6%;在算法的运行速度方面,本文算法领先于对比方法,尤其是OFL算法的近6倍。结论 所提出的分割算法在MRF框架的基础之上融合了特征一致性的约束,在不增加额外计算复杂度的前提下,提高了分割精度,提升了算法运行速度。