数字媒体技术专业的教学实践体系探讨

1 引言 数字媒体是科技和艺术高度融合的多学科交叉领域,涵盖了艺术、科技、文化、教育、现代经营管理等多方面的内容^[1]。随着计算机科学和应用技术的发展,在全球信息化、国际化的推动下,数字出版、网络新闻与文化传播、网络广告等数字媒体技术在工商业及教育中的应用日趋广泛和重要。     

一种指纹图像奇异点检测的方法

准确、可靠地检测奇异点(core点和delta点),对指纹分类和指纹匹配具有重要的意义.针对低质量指纹图像奇异点检测中精确定位和可靠性判断的难题,提出了一种检测指纹奇异点的方法.首先,对于一幅指纹图像,在同一分块尺寸下进行多次图像错位分块,并且分别在不同的图像错位分块情况下检测指纹的奇异点,得到区域相对集中的奇异点位置的集合,并计算其质心,以精确地确定奇异点的位置.然后,再在不同的分块尺寸下检测奇异点,并进一步判断上一步所检测到的奇异点的真伪.该方法利用了多次图像错位分块检测的奇异点位置相对集中和各级分块尺寸下检测的奇异点位置相互关联的特性,能够从指纹图像中较精确、可靠地检测出奇异点.在部分典型低质量指纹图像上的实验结果验证了该方法的有效性,对低质量指纹图像具有良好的鲁棒性.     

基于区域水平的指纹纹线距离估计方法

在充分分析现有纹线距离估计方法的基础上,突破了基于整幅指纹图像或者分块图像进行纹线距离估计的传统思路,提出了一种基于区域水平的新的指纹纹线距离估计方法。首先,根据纹线方向一致性,自适应地将一幅指纹图像划分为若干个区域,提出了区域的统计窗概念。然后,在对指纹图像进行二值化后,为每个区域定义统计窗和基线,以区域为单位,采用一种距离统计方法,估计每个区域的平均纹线距离。实验证明,采用这种方法进行纹线距离估计,弱化了细节特征点和一些低质量指纹区域的存在对纹线距离估计的干扰,估计结果可靠,同时也使得该方法对图像采集分辨率具有不变性。     

2018数据挖掘前沿进展专题前言

在当前大数据时代,海量数据的挖掘和分析尤为重要,数据挖掘技术在媒体、金融、医疗、交通、电商等领域都取得了广泛的应用。但是,大数据的复杂多样性以及数据挖掘技术在各行业应用的特殊性也为数据挖掘领域提出了新的理论和技术挑战。为及时反映国内同行在数据挖掘领域的最新研究成果,《计算机研究与发展》本次推出“数据挖掘前沿进展2018”专题征文,以进一步推动我国数据挖掘领域的创新发展。本专题得到了国内同行的广泛关注,经公开征文共收到稿件55篇,从中选择出了11篇优秀稿件。此外,专题与第七届中国数据挖掘会议（CCDM 2018）合作,从333篇会议投稿中遴选出了6篇高质量稿件纳入本专题。最终共有17篇稿件入选本专题。     

基于非局部自回归学习的医学图像超分辨重建方法

由于受放射剂量的影响及成像设备条件的限制,医学图像在成像过程中的分辨率不高,并在一定程度上影响后期临床诊疗的精度.针对此问题,文中提出基于非局部自回归学习的医学图像超分辨重建方法.利用医学图像数据固有的非局部相似性特点,将自回归模型引入到基于稀疏表示的医学图像超分辨重建模型中,同时利用聚类算法得到分类字典,提高实验效率.实验表明,文中方法提高医学图像分辨率方面的可行性,及在重建效率和性能方面的优势     

基于多级结构相似度的快速指纹匹配算法

首先对指纹中的每个细节点定义具有很好区分度的子结构,根据这些子结构计算相似度并筛选出可能的参考点对。然后利用它们之间的边角关系等结构信息实施奖惩得分制度,根据事先设定的阈值,得分较高的参考点对被保留进行最终的全局匹配并计算匹配得分,两幅指纹的最终的匹配得分就是这些分数的最大值。实验结果表明,本文提出的匹配算法在性能下降可以忽略的情况下能够大幅度降低匹配时间。     

基于Delaunay三角化的指纹匹配方法

将计算几何的三角划分方法引入指纹匹配，研究了一种基于DT（Delaunay triangulation）网的指纹匹配方法．通过对细节点的拓扑结构进行DT划分，把空间上位置相近的细节点按照一定规则相连，得到三角形网格．然后基于该网格寻找若干参考点对，并根据获得的参考点对将两幅指纹图像进行姿势调整．最后使用获得的参考点对实现基于点模式的指纹匹配．算法在第1届中国生物特征识别竞赛指纹组的测试结果证明了有效性．     

基于卷积神经网络的自适应权重multi-gram语句建模系统

如今信息量呈爆炸式增长,自然语言处理得到了越来越广泛的重视。传统的自然语言处理系统过多地依赖昂贵的人工标注特征和语言分析工具的语法信息,导致预处理中语法信息的错误传递到系统训练和预测过程中。因此,深度学习的应用受到了学者们的关注。因为它能实现端对端预测并尽可能少地 依赖 外部信息。自然语言处理领域流行的深度学习框架为了更好地获取句子信息,采用multi-gram策略。但不同任务和不同数据集的信息分布状况不尽相同,而且这种策略并没有考虑到不同n-gram的重要性分布。针对该问题,提出了一种基于深度学习的自适应学习multi-gram权重的策略,从而根据各n-gram特征的贡献为其分配相应的权重;并且还提出了一种新的multi-gram特征向量结合方法,大大降低了系统复杂度。将该模型应用到电影评论正负倾向判断和关系分类两种分类任务中,实验结果证明采用的自适应multi-gram权重策略能够大大改善模型的分类效果。     

基于相似度驱动的线性哈希模型参数再优化方法

哈希学习通过设计和优化目标函数,并结合数据分布,学习得到样本的哈希码表示.在现有哈希学习模型中,线性模型因其高效、便捷的特性得到广泛应用.针对线性模型在哈希学习中的参数优化问题,提出一种基于相似度驱动的线性哈希模型参数再优化方法.该方法可以在不改变现有模型各组成部分的前提下,实现模型参数的再优化,提升模型检索性能.该方法首先通过运行现有哈希算法多次,获得训练集的多个哈希码矩阵,然后基于相似度保持度量标准和融合准则对多个哈希码矩阵进行优化选择,获得训练集的优化哈希矩阵,最后利用该优化哈希矩阵对原模型的参数进行再优化,进而获得更优的哈希学习算法.实验结果表明,该方法对不同的哈希学习算法性能都有较为显著的提升.     

模糊逻辑系统的非线性组合预测方法与系统误差分析研究

本文提出一种基于模糊逻辑系统的组合预测方法。其基本思想是利用模糊系统的万能逼近特性,采用模糊Taki Sugeno模型来进行非线性组合预测函数的φ（x）模拟。这种全新的组合预测方法不仅降低了构造非线性组合预测函数φ（x）的难度,而且使预测精度大大提高。