【摘 要】
：
通常,核相关滤波(KCF)算法易受遮挡等实际检测情况的影响。为使跟踪结果更为准确,提出了结合改进角点检测的优化核相关滤波方法。由自适应Harris角点数量适宜且鲁棒性强的特点,解决了广义霍夫算法提取冗余边缘点速度慢,以及因光照变化导致的边缘点提取不完整的问题。同时,自适应阈值法的引入将噪声对角点提取的影响降为最低。将目标分块并对每一目标子块单独跟踪,由子块间相对位置解决KCF算法在尺度发生变化时目
【基金项目】
：
辽宁省自然科学基金面上项目(2020-MS-292),国家自然科学基金面上项目(51679116)。
论文部分内容阅读
通常,核相关滤波(KCF)算法易受遮挡等实际检测情况的影响。为使跟踪结果更为准确,提出了结合改进角点检测的优化核相关滤波方法。由自适应Harris角点数量适宜且鲁棒性强的特点,解决了广义霍夫算法提取冗余边缘点速度慢,以及因光照变化导致的边缘点提取不完整的问题。同时,自适应阈值法的引入将噪声对角点提取的影响降为最低。将目标分块并对每一目标子块单独跟踪,由子块间相对位置解决KCF算法在尺度发生变化时目标易丢失的问题。此外,对学习率参数进行了自适应更新,降低了KCF算法的学习率,减少了在目标被遮挡时的模型
其他文献
机化性肺炎(organizing pneumonia，OP)是一种较为常见的间质来源疾病。在胸部CT上，OP主要表现为实变和/或结节伴支气管气相和牵拉性支气管扩张，以支气管血管束周围和胸膜下分布为著，还可见"反晕"征、条带状实变和小叶间隔旁实变等特征，可以呈现"游走"性。OP的诊断是在影像学基础上结合临床和病理的综合性评估。
属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,以提高表示质量。该方法基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,使用skip-gram模型捕捉局部结构信息,引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链路预测实验,效果较目前流行的网络表示学
针对多类别运动想象脑电信号识别精度不高的问题,提出了一种融合注意力模块的卷积神经网络模型。该模型利用注意力模块充分挖掘脑电信号的通道和空间特征,建立其与识别任务之间的重要程度关系,从而提高运动想象脑电信号的识别准确率。信号经过共空间模式提高信噪比,利用小波变换将信号转换成二维时频图,通过注意力模块中通道和空间两个维度进行特征的调整,以强化有用特征弱化无用特征,使卷积网络充分提取更高层次的抽象特征,并最终执行运动想象任务的识别。分别在BCI竞赛IVDatasets 2a和BCI竞赛III-IIIa数据集上进
语言模型的建立对挖掘句子内部语义信息有着直接的影响,为了提高中文命名实体识别率,字的语义表示是关键所在。针对传统的中文命名实体识别算法没有充分挖掘到句子内部的隐藏信息问题,该文利用LSTM提取经过大规模语料预训练生成的字向量特征,同时将词向量预测矩阵传入到字向量特征提取阶段,通过矩阵运算融合为词向量特征,并进一步利用CNN提取词语之间的空间信息,将其与得到的词向量特征整合到一起输入语言模型XLnet(Generalized autoregressive pretraining for language u
共识机制作为区块链技术的核心内容,在不同应用领域各有差异。针对联盟链应用场景,应用广泛的实用拜占庭容错(PBFT)算法仍然存在效率及安全性问题,因此从网络模型、共识本质及安全攻击等角度对PBFT算法进行研究,提出了一种高效监督拜占庭容错算法(Efficient Supervised Byzantine Fault Tolerance,ES-BFT)。针对效率问题,ES-BFT算法将节点随机划分为多个节点簇,设置信誉值,通过信誉值从节点簇中选举共识节点、监督节点,尽可能提升共识节点的高效性及可靠性;监督节点
随着团购以及移动终端的发展越演越烈,传统的推荐机制在团购推荐问题上逐渐呈现出弊端。针对团购推荐的情境敏感性,设计了基于情境语义推理的偏好分析模块,综合考虑了消费者长期演化形成的长期偏好以及基于情境形成的短期偏好;并将团购网络中的每个成员设定为复杂网络中的一个节点,将成员间的相互关系表示为节点的链接,构建团购用户的复杂网络,并设计了基于复杂网络的社会影响分析模块,以进行团购社区的划分,以及评测社区中成员之间的影响。基于此,完成了团购平台中两类产品的团购推荐研究。仿真实验表明,融合情境语义推理及社会网络的团购
由于Bert-base,Chinese预训练模型参数巨大,在做分类任务微调时内部参数变化较小,易产生过拟合现象,泛化能力弱,且该模型是以字为单位进行的预训练,包含词信息量较少。针对这些问题,提出了BERT-TECNN模型,模型使用Bert-base,Chinese模型作为动态字向量模型,输出包含深度特征信息的字向量,Transformerencoder层再次对数据进行多头自注意力计算,提取特征信息,以提高模型的泛化能力,CNN层利用不同大小卷积核,捕捉每条数据中不同长度词的信息,最后应用softmax进行
大部分结合深度学习的行人重识别算法主要以单分支的网络结构为主,且大多利用图片的全局特征信息,这样易错失关键行人信息,导致度量学习效果、算法精度下降。因此,为使网络获取到更多的关键行人信息,减少对行人局部、细节信息的错失,加强网络对行人特征的学习。基于ResNet-50的骨干网络,采取多分支的网络结构设计,综合考虑训练难易、运算量,选择融合三个独立分支的结构设计:随机擦除分支、全局学习分支、局部学习
形状特征是图像的一种重要视觉特征,其提取方法是形状识别、图像检索以及图像匹配等领域的研究热点。Spike参数用来反映磨粒轮廓角度的变化,spike参数越大,磨粒越尖锐,磨粒的磨损作用越大。在spike参数的基础上,提出了4种用于形状特征提取的spike函数,分别为用于表征形状轮廓细节特征的spike-angle函数和spike-height函数,以及用于表征形状轮廓整体特征的spike-area函
国际疾病分类(ICD)是用于临床目的和健康管理的分类工具,是卫生统计数据的建立基础,在其庞大的分类体系中,含有与疾病健康问题和临床治疗相关的分类和对应的代码。针对在国际疾病分类的庞大标签空间中的多标签分类问题,提出一种端到端的深度学习方法。采用改进的图注意力网络对标签空间进行建模,基于注意力重构的多标签分类器进行分类。在标签空间建模中,结合国际疾病分类中手术与操作分类的层次结构,构建出三种不同的图结构,利用图注意力网络将标签空间的结构信息融入到模型中,从而利用标签之间的依赖关系进行多标签文本分类。所提出的