密集堆叠下的高相似度木块横截面检测

快速有效地检测和获取木块横截面信息,是提升木块生产交易效率的关键。由于木块往往被密集堆叠、木块横截面相似度高且边界不明显,给检测木块横截面信息带来了较大的挑战。针对密集堆叠下的高相似度木块横截面检测困难,本文提出了简单高效的Wood R-CNN网络模型,通过改进模型的损失函数和非极大值抑制算法来提升检测精度,简化网络结构和改进特征金字塔网络来保证检测速度。实验证明:该模型可在密集堆叠情况下精确地检测高相似度木块横截面,检测速度较快且鲁棒性良好,可实际运用于木块生产和交易中。     

小角度俯拍下的站台人群计数

随着云存储技术的发展,云存储平台解决了大数据存储与管理的难题。然而当数据量与用户量进一步扩大,系统性能要求逐步提升,需要对目前云存储环境中的数据存储管理技术进行深入的研究与改进。由于应用实际的云存储集群进行优化研究极易受到平台环境的限制,因此基于CloudSim实现了一个分级云存储的仿真模型TCSS,给出了一种三层次的设备分级组织结构,构建了完善的数据I/O业务处理与数据存储管理等功能结构。已经将所有拓展功能模块集成到了CloudSim仿真工具的CloudSim层中,用户可以依据TCSS模型,突破平台限制,完成云存储优化策略的建模与测试工作。     

小角度俯拍下的站台人群计数

在计算机视觉领域,针对小角度俯拍下的站台人群计数的研究工作较少,且计数精度普遍较低。人群计数算法往往通过图像分割识别出图片中的所有行人个体,并进行数量统计,具有很重要的现实意义。然而现有的图像分割算法往往只能适用于简单场景下的简单分割任务。由于小角度俯拍下的站台场景中存在行人近大远小、行人互相遮挡和行人轮廓姿态多样等原因,因此给有效分割计数带来了较大的挑战。针对这一任务,提出了距离自适应卷积神经网络（Distance Adaptive Convolutional Neutral Network,简称DACNN）,通过改进回归对象和设计距离自适应卷积层,成功实现了对小角度俯拍下站台人群的准确计数。经过一系列实验表明,该模型不仅计数精度高,而且计数速度较快、鲁棒性良好,具有广阔的运用前景。     

模型参数自适应迁移的多源域适应

在新领域中,常常存在样本不充分或标记不足的问题。针对此问题,人们提出了域适应,该方法利用相关领域（源域）的知识来提高当前领域（目标域）学习性能。单个源域的知识往往不充分且类别完全相同的多个源域难以满足,同时域之间存在漂移问题。而现有的多源域适应模型难以解决类别不完全一致的问题,因此给多源域适应带来了较大的挑战。为此提出了一种基于模型参数自适应迁移的方法（Adaptive Transfer for ModelParameter,ATMP）,通过对每个源域的模型参数进行私有和公有模型参数字典学习,同时将多个源域中所学的模型参数字典作为目标域的模型参数字典,然后通过对字典系数的行稀疏约束实现源域和目标域模型参数的自适应选择。除此之外,该方法迁移的是模型参数而不是数据本身,因此有效实现了对源域数据的隐私保护。经过一系列实验表明,在相关数据集上的实验显示了本文所提方法在聚类性能上的显著有效性。