基于颜色层次矩阵的卡通着色技术

传统的卡通着色技术是基于纹理技术,通过表面属性与光线矢量的关系来确定表面像素色彩.从感知心理学非真实感绘制模型和卡通渲染过程入手,在对传统的卡通着色技术研究分析的基础上,提出了基于颜色层次矩阵的卡通着色技术.不依赖于纹理,而是通过操作颜色层次矩阵进行渲染,其优点是能够实现多层次卡通渲染并在不同的约束条件下,能够灵活快速地实现多种效果.通过与传统方法的比较,结果表明算法具有较高的有效性和灵活性,为计算机非真实感绘制继续进行艺术加工奠定了基础.     

服务自适应模型及其应用

提出了一个基于模糊理论的服务自适应模型。完整地形式化了服务自适应选择过程,使用模糊语言变量和隶属度方程定义了上下文状态和服务策略选择规则。基于当前上下文与服务实现策略标准上下文之间的模糊距离概念,提出了计算服务实现策略合适程度的合适度方程。结合名为“校园助理”的上下文敏感应用场景,阐述了该模型的有效性和具体应用。     

一种用于智能空间的多目标跟踪室内定位系统

定位系统是智能空间位置感知计算的基础部件,它不仅要能较精确定位多目标,而且在方向性、可携带性等方面也要满足要求.文中设计了一种室内定位系统Cicada,该系统基于射频和超声波到达时间差来测量距离,并采用滑窗滤波和卡尔曼滤波的方法计算位置.实验表明它对静止和移动目标都能提供平均5cm的定位精度,拥有全向型的工作区域,便于携带,具有较好的规模伸缩度以及易部署性,能较全面地满足智能空间定位的需求.     

基于认知的人工动物行为记忆研究

提出并分析比较两种记忆形成算法.二次方差法对已获取的食物点作方差计算,快速剔除距其他点较远的噪声点,获得食物分布的期望位置.改进的均值聚类算法针对二次方差法的不足,借鉴数据挖掘理论,对噪声点进行更准确的剔除.根据不同情况选取适合算法,达到聚焦器在人工动物取食记忆实现中的有效性.     

时序行为提名的上下文信息融合方法

在针对视频的人体活动定位和识别领域中,现有的时序行为提名方法无法很好地解决行为特征长期依赖性而导致提名召回率较低.针对此问题,提出了一种上下文信息融合的时序行为提名方法.该方法首先采用三维卷积网络提取视频单元的时空特征,然后采用双向门控循环网络构建上下文关系预测出时序行为区间.针对门控循环单元(GRU)存在参数较多和梯...     

基于“客户感知验证”的服务质量差距管理体系研究

文章立足运营商转型过程中所面临的服务提升问题,提出客户感知验证的创新思路和验证体系,重点介绍了服务质量差距模型与方法论,并通过具体案例介绍验证工作的实施方式和效果,同时对进一步推广应用提出相应建议,为延伸移动互联网时代客服管理体系的转型研究抛砖引玉。     

基于RTF的高光谱图像去噪方法

高光谱数据中包含丰富的光谱和空间上下文信息。早期的高光谱图像去噪方法是单波段的、仅利用了高光谱数据的空间上下文信息。近年来提出的一些去噪方法综合利用了光谱和空间上下文信息,但是在对大尺度和全局上下文信息建模以及模型与图像内容自适应等方面存在局限,导致去噪结果出现过平滑的现象。针对上述问题,提出了一种基于回归树场的高光谱图像去噪方法:首先选择需要处理的高光谱波段;然后构建基于回归树场的高光谱去噪模型;最后利用基于特定代价函数的模型训练方法同时得到模型的结构和参数、输出去噪后的图像。实验结果表明,该方法能够充分利用高光谱数据的光谱和空间上下文信息,在有效去除噪声的同时很好地保存了图像中的重要细节,与BM3D和CRF相比,其PSNR提高了0.8~1.1 dB。     

差分调制信号亚奈奎斯特率检测方法

压缩感知是一种基于亚奈奎斯特率的信息采样方法。基于压缩感知的符号检测方法通常先将亚奈奎斯特率样本重构为奈奎斯特率信号,然后再依据传统符号检测的原理检测接收符号。本文针对基于重构的压缩感知符号检测方法采样率过高的问题,研究广义似然比检测和信息采样样本之间的关系,提出了一种不需要重构奈奎斯特率信号的压缩检测方法。该方法首先通过双通道时延结构分离接收信号的参考部分和信息符号部分,然后依据两部分信号的稀疏相关特性,对亚奈奎斯特率接收符号进行检测。实验结果说明本文提出的方法能够有效地抵抗多径衰弱和符号间干扰（Inter Symbol Interference,ISI）。      

基于多流架构与长短时记忆网络的组群行为识别方法研究

提出一种基于多流架构与长短时记忆网络的上下文建模框架,旨在克服组群行为识别的两个难点,其一对复杂场景中多视觉线索进行信息融合;其二对情景人物进行建模,以获得长视频上下文关系.并且,对基于全局信息和基于局部信息的识别结果进行决策融合,判定最终组群行为属性.该算法在CAD1和CAD2上分别取得93.2%和95.7%平均识别率.     

基于海量物联网数据的压缩感知及其并行处理

物联网是当前人们的研究热点,本文提出使用压缩感知理论处理大规模的物联网中产生的海量数据.压缩感知是一种能够在采样的同时实现数据压缩的采样方法,它可以通过降低采样率显著减少采集的数据量,但压缩感知算法的计算复杂度高、对信号的适应性差.针对压缩感知方法的缺点,本文尝试对压缩感知算法并行处理方法以提高压缩感知的计算速度,同时引入冗余字典构造稀疏变换基以提高压缩感知对信号的适应性.