改进的截断核范数及在视频前背景分离中的应用

截断核范数(Truncated Nuclear Norm, TNN)算法是一种经典的鲁棒主成分分析(Robust Principal Component Analysis, RPCA)算法,被广泛应用于视频前背景分离等领域。作为RPCA一种典型方法,TNN算法在一定程度上能准确地描述传统RPCA算法中的秩函数,但该模型中的核范数仍然是一种凸代理函数,逼近程度不高。为了进一步提高TNN算法对秩函数的逼近度,本文提出了一种改进的截断核范数(Improved Truncated Nuclear Norm, ITNN)算法,该算法采用非凸γ范数替代TNN模型中的核范数,并采用广义交替方向乘子法(Generalized Alternating Direction Method of Multipliers, GADMM)对该模型进行求解。最后,将提出的ITNN算法应用于视频前背景分离中,从视觉、量化和时间三个角度验证了本算法在视频前背景分离中的优势。     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

基于多尺度偶数卷积注意力U-Net的医学图像分割

为了提高U-Net网络性能的同时尽可能减少额外计算量,本文提出了一种新的多尺度偶数卷积注意力UNet(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络。该网络在编码端采用2×2偶数卷积代替3×3卷积进行特征提取,并借鉴多尺度思想,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销,同时还采用对称填充解决偶数卷积提取信息过程中产生的偏移问题。此外,在2×2偶数卷积模块后加入卷积注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。最后,在两个医学图像数据集上进行仿真实验,实验结果表明提出的MECAU-Net网络相对于U-Net在稍微增加计算成本的情况下,分割性能得到了较大的提升,并比其他对比网络取得更好的分割性能的同时还降低了参数量。     

基于模态应变能法功能梯度Euler-Bernoulli梁和Timoshenko梁模型对损伤识别的影响分析

随着功能梯度梁的跨高比从小(厚梁)变到大(薄梁),梁的变形受到剪切变形的影响就会从大变到小。为了准确分析功能梯度梁的变形,跨高比小的厚梁采用Timoshenko梁模型,而跨高比大的薄梁采用Euler-Bernoulli梁模型。采用这两种梁模型进行功能梯度梁自由振动的有限元计算,分析单元刚度矩阵、质量矩阵和模态阵型等存在的差异。通过数值算例,研究了这两种梁模型的差异对模态应变能法的损伤识别指标的影响。对于厚梁,Timoshenko梁模型的损伤指标优于Euler-Bernoulli梁模型;对于很薄的梁(例如,l/h=25时的薄梁),Euler-Bernoulli梁模型的损伤指标优于Timoshenko梁模型。     

基于Linux视频传输系统的设计与实现

给出了在Linux系统下实现视频采集、数据传输以及视频显示的实现方法。该方法利用ARM开发板内核中的V4L2协议来完成图片的采集过程,并通过Linux下Socket编程实现图片数据从采集端到显示窗口的传输,视频显示终端则是基于Linux下Qt开发的数据窗口部件来实现的。     

以石墨烯与粘土间的插层实现石墨烯片层的稳定分散（英文）

氧化石墨烯的还原反应将导致石墨烯片层的复叠和团聚,使其在水分散液中发生沉淀。本文采用粘土胶体帮助还原氧化石墨烯在水中的稳定分散,并阻止石墨烯片层的复叠。氧化石墨烯水分散液与粘土胶体相混合之后,在微波辅助条件下,对氧化还石墨烯进行还原。当粘土与还原氧化石墨烯的质量比是1∶1时,混合液的分散稳定性最好。XRD图谱中还原氧化石墨烯的(002)峰消失,可见石墨烯片层没有发生复叠。还原氧化石墨烯与粘土片层之间,由于静电相互作用和空间位阻效应,形成了插层结构。由透射电镜观察可知,还原氧化石墨烯表面均匀分布着粘土片层。粘土与还原氧化石墨烯的混合物的比表面积高于还原氧化石墨烯17.6%。这种物理插层法为石墨烯片层的稳定分散提供了另一种思路。     

信号压缩与重构的交替方向外点持续法

针对压缩感知（Compressed Sensing,CS）中信号重构的l1-正则化问题中的l1-正则项非光滑,求解比较困难,提出了交替方向外点持续法（Alternating Direction Exterior Point Continuation Method,ADEPCM）.该算法首先将信号的稀疏域的l1-正则化问题通过变量分裂（Variable Splitting,VS）技术转化为与之等价的约束优化问题;然后采用一步Gauss-Seidel思想,对优化问题中的变量最小化,并采用持续的思想更新罚参数,重构出信号的稀疏系数;最后进行正交反变换,重构出原始信号.并将ADEPCM用于图像重构,进行了仿真实验及对实验结果进行了分析.实验结果表明：与现有的一些重构算法相比,ADEPCM具有稍高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更快速的收敛速度.     

低秩稀疏分解及其在视频和图像处理中的应用

低秩稀疏分解（Low Rank and Sparse Decomposition,LRSD）是一种被广泛应用于计算机视觉等领域的数据表示技术,通过将已知矩阵分解为低秩成分和稀疏成分,实现视频前背景分离、图像去噪等的实际应用。分析了这一技术的研究现状,针对11种经典低秩稀疏分解方法,给出了各种方法的模型及算法的优缺点。将各种算法应用于视频前背景分离和图像去噪实验中,视频前背景分离的实验结果包括使用各种算法提取的不同视频的前景效果图、视频前背景分离的F-measure值和运行时间,图像去噪实验结果展示了各种算法对不同图像的去噪效果图、PSNR值和FSIM值,从视觉效果和定量评价两个角度验证了各种算法在视频前背景分离和图像去噪这两个实际应用中的优缺点。     

语音压缩感知硬阈值梯度追踪重构算法

本文基于语音信号在DCT域的近似稀疏性,采用压缩感知(Compressed Sensing, CS)理论对其进行压缩采样和重构。CS中的梯度追踪(Gradient Pursuit, GP)算法因计算量小,迭代硬阈值(Iterative Hard Threshold, IHT)算法因实现简单,被广泛用来重构信号。针对压缩感知理论中的GP算法的支撑集在每次迭代时仅增加一个元素,以及该算法每步迭代时仅经过一次沿负梯度方向搜索求得的解可能不是最优解的问题,本文提出了语音重构的硬阈值梯度追踪(Hard Threshold Gradient Pursuit, HTGP)算法。该算法利用IHT算法的思想选择原子更新支撑集,每步迭代时支撑集中含有K个元素,而且HTGP算法每步迭代时经过k次沿负梯度方向搜索得到最优解来代替使用计算量巨大的最小二乘来求解。实验结果表明,压缩比相同的情况下,HTGP算法具有更快速的收敛性和更高的信噪比。      

改进的低秩稀疏分解及其在目标检测中的应用

针对传统低秩稀疏分解算法用于运动目标检测时,前景提取结果容易受噪声干扰以及检测结果不完整的问题,提出了一种新的低秩稀疏分解模型。考虑到视频前景目标呈结构化分布,以及动态背景对前景提取结果造成影响,该模型利用结构化稀疏范数对前景进行约束,且将稀疏部分所代表的运动区域进一步划分为动态背景部分与前景部分;然后采用广义交替方向乘子法对提出的模型进行求解,并分析了算法的复杂度;最后进行仿真实验将其应用到运动目标检测中。实验数据结果验证了提出的方法比其他基于低秩稀疏分解的运动目标检测方法更加稳定有效,更具有普适性,且对不同类型的噪声均具有一定的抗噪性。