相较于图像分析,如何分析时序信息是动作识别中的一个主要问题.大多数先前的方法,如3D卷积网络、双流卷积网络,仅使用包含全局时域信息的特征作为视频的表征,忽略了局部时序特征的重要性.考虑到这样的问题,本文提出一种基于时序交互感知模块的长短时序关注网络——Long and Short Sequence Concerned Networks(LSCN),融合不同的时序信息,利用不同卷积层时序特征的交互加强对不同时序长度的动作实例的表示,兼顾长短动作实例对时序信息的需求.实验结果表明,基于3D ResNext101的LSCN在两个公共数据集(UCF101和HMDB51)上,相较于基础的网络分别有0.4%和2.9%的准确率提升.
结合VANET与信息中心网络(ICN,information centric network)架构,提出基于车辆动态信息的路由构造及筛选策略(SRBS,strategy for routing building and selecting)。摒弃了广泛采用的洪泛策略,通过内容发现定位内容节点,随后构造多个...
详细信息
结合VANET与信息中心网络(ICN,information centric network)架构,提出基于车辆动态信息的路由构造及筛选策略(SRBS,strategy for routing building and selecting)。摒弃了广泛采用的洪泛策略,通过内容发现定位内容节点,随后构造多个单播转发路径,减少了网络中的无用流量;为保证Data分组能够成功原路返回,在单播路径构造中引入车辆动态参数作为构造依据并结合链路有效时间(LET,link expiration time)进行路径筛选,提高了转发路径的稳定性及可靠性;仿真表明该方案提高了路由对时间的容忍度,充分利用了网络缓存并减少了网络时延及路由跳数。
暂无评论