检索结果-内蒙古大学图书馆

东南大学学报（自然科学版） 2018年第5期48卷 933-938页

作者：张毅锋蒋程程旭刘袁东南大学信息科学与工程学院南京210096 东南大学南京通信技术研究院南京211100 南京大学计算机软件新技术国家重点实验室南京210093 南京信息工程大学计算机与软件学院南京210044

为了进一步改善经典卷积神经网络的识别性能,首先证明了跨层传输实质上是基的完备化过程,然后基于多类型特征提取结构、嵌入多层感知机以及跨层传输结构提出一种新型深度卷积网络——期望网络.经分析发现,期望网络中的多类型特征提取结... 详细信息

为了进一步改善经典卷积神经网络的识别性能,首先证明了跨层传输实质上是基的完备化过程,然后基于多类型特征提取结构、嵌入多层感知机以及跨层传输结构提出一种新型深度卷积网络——期望网络.经分析发现,期望网络中的多类型特征提取结构可提取不同类型的特征,嵌入多层感知机可生成期望图并标定不同类型特征的权重,跨层传输结构可缓解网络性能退化的问题.仿真实验结果表明,在数据集CIFAR-10、数据集CIFAR-100和数据集SVHN上,相比于ResNet网络、深度监督网络和Highw ay网络等经典深度卷积网络,期望网络的误识别率均有不同程度的下降.

关键词：基完备化期望网络嵌入多层感知机期望图

来源：评论

学校读者我要写书评

暂无评论

基于多损失的生成式对抗目标跟踪算法

引用

东南大学学报（自然科学版） 2018年第3期48卷 400-405页

作者：程旭周琳张毅锋东南大学信息科学与工程学院南京210096 中船重工鹏力(南京)智能装备系统有限公司南京210003 南京大学计算机软件新技术国家重点实验室南京210023

为了降低目标遭受遮挡、光照变化、运动模糊等外界挑战性因素造成跟踪失败的风险,提出了一种基于多损失生成式对抗网络的目标跟踪算法.在生成式对抗网络中,针对遮挡、光照变化和运动模糊3种挑战性场景设计了相应的解码器结构,编码器则... 详细信息

为了降低目标遭受遮挡、光照变化、运动模糊等外界挑战性因素造成跟踪失败的风险,提出了一种基于多损失生成式对抗网络的目标跟踪算法.在生成式对抗网络中,针对遮挡、光照变化和运动模糊3种挑战性场景设计了相应的解码器结构,编码器则共享网络参数.跟踪时,编码器作为特征提取器来提取目标的特征,在粒子滤波框架下完成对目标的定位.从内容损失、类内损失和身份保留损失方面定义了损失函数,将对抗训练得到的先验知识和目标固有知识相结合,重构清晰图像.实验结果表明,在遮挡、光照变化和运动模糊情况下,所提跟踪算法取得了良好的跟踪性能.

关键词：深度学习生成式对抗网络目标跟踪损失函数

来源：评论

学校读者我要写书评

暂无评论

SpaceOS中若干全局性质的形式化描述和验证

引用

小型微型计算机系统 2019年第1期40卷 141-148页

作者：顾海博付明乔磊冯新宇中国科学技术大学计算机科学与技术学院合肥230027 中国科学技术大学苏州研究院软件安全实验室江苏苏州215123 华为上海研究所2012实验室-OS内核实验室上海201206 北京控制工程研究所北京100190 南京大学计算机软件新技术国家重点实验室南京210023

SpaceOS是北京控制工程研究所自主研发的嵌入式实时操作系统,已被应用于探月工程、空间站等重大航天项目.SpaceOS作为底层系统软件,是影响航天任务成败的关键因素. SpaceOS在设计中提出了一些多个内核模块(如任务管理、调度、通信和时... 详细信息

SpaceOS是北京控制工程研究所自主研发的嵌入式实时操作系统,已被应用于探月工程、空间站等重大航天项目.SpaceOS作为底层系统软件,是影响航天任务成败的关键因素. SpaceOS在设计中提出了一些多个内核模块(如任务管理、调度、通信和时间管理等)相互协同过程中所需要满足的全局性质.本文扩展已有的操作系统验证框架支持全局性质的推理,为SpaceOS内核建立抽象模型,给出主要系统调用的抽象规范,并基于设计需求给出形式化定义描述若干全局性质,通过严格的数学证明保证SpaceOS在抽象设计层面上满足这些全局性质.所有工作都在证明助手Coq中完成.

关键词： SpaceOS 形式化验证全局性质操作系统内核 Coq

来源：评论

学校读者我要写书评

暂无评论

一种自动读取指针式仪表读数的方法

引用

南京大学学报（自然科学版） 2019年第1期55卷 117-124页

作者：李巍王鸥刚毅凝周杨浩郝跃冬国家电网辽宁省电力有限公司信息通信分公司沈阳110006 南京大学软件新技术国家重点实验室南京210023 南瑞集团有限公司(国家电网电力科学研究院有限公司) 南京211000

介绍一种基于机器学习和图像处理算法,针对自然场景中的指针仪表图片进行仪表检测和读数识别.首先,检测并提取出图像中恰好包含仪表的部分,再针对不同的图像中仪表存在大小的多尺度特点,使用图像金字塔方法对原图进行多次的缩小和放大操... 详细信息

介绍一种基于机器学习和图像处理算法,针对自然场景中的指针仪表图片进行仪表检测和读数识别.首先,检测并提取出图像中恰好包含仪表的部分,再针对不同的图像中仪表存在大小的多尺度特点,使用图像金字塔方法对原图进行多次的缩小和放大操作.再使用固定大小的滑动窗口对缩放后的图像进行遍历,提取每个窗口图像HOG(Histogram of Oriented Gradient)特征,使用线性SVM(Support Vector Machine)分类器对窗口是否含有仪表进行判断.然后对检测得到的仪表图像,通过图像处理的方法进行图像预处理,减少阴影的干扰,获取梯度、边缘等信息,再结合改进的霍夫变换,结合仪表图像的灰度信息检测指针的位置,以计算指针的角度.最后,根据指针的角度以及量程信息,计算当前指针的读数.实验证明,该方法具有较好的稳定性与准确性.

关键词：指针仪表 HOG特征支持向量机霍夫变换

来源：评论

学校读者我要写书评

暂无评论

知识工程课程实验教学改革探索

引用

计算机教育 2019年第4期 167-170页

作者：胡伟南京大学计算机软件新技术国家重点实验室江苏南京210023 南京大学计算机科学与技术系江苏南京210023

针对当前知识工程课程中普遍存在实验教学偏少、内容陈旧等问题,分析国内外相关课程及教材现状,提出知识工程课程实验教学的改革思路,设计新的知识工程课程实验内容,说明在实际教学中的改革效果。

关键词：知识工程语义网知识图谱实验教学改革课程建设

来源：评论

学校读者我要写书评

暂无评论

分类不平衡对软件缺陷预测模型性能的影响研究

引用

计算机学报 2018年第4期41卷 809-824页

作者：于巧姜淑娟张艳梅王兴亚高鹏飞钱俊彦中国矿业大学计算机科学与技术学院江苏徐州221116 桂林电子科技大学广西可信软件重点实验室广西桂林541004 南京大学计算机软件新技术国家重点实验室南京210023

分类不平衡是指不同类别间样本数量分布不均衡的现象.在软件缺陷预测中,传统预测模型的性能可能会因数据集分类不平衡而受到影响.为了探究分类不平衡对软件缺陷预测模型性能的影响程度,该文提出一种分类不平衡影响分析方法.首先,设计一... 详细信息

分类不平衡是指不同类别间样本数量分布不均衡的现象.在软件缺陷预测中,传统预测模型的性能可能会因数据集分类不平衡而受到影响.为了探究分类不平衡对软件缺陷预测模型性能的影响程度,该文提出一种分类不平衡影响分析方法.首先,设计一种新数据集构造算法,将原不平衡数据集转化为一组不平衡率依次递增的新数据集.然后,选取不同的分类模型作为缺陷预测模型,分别对构造的新数据集进行预测,并采用AUC指标来度量不同预测模型的分类性能.最后,采用变异系数C·V来评价各个预测模型在分类不平衡时的性能稳定程度.在8种典型的预测模型上进行实验验证,结果表明C4.5、RIPPER和SMO这3种预测模型的性能随着不平衡率的增大而下降,而代价敏感学习和集成学习能够有效提高它们在分类不平衡时的性能和性能稳定程度.与上述3种模型相比,逻辑回归、朴素贝叶斯和随机森林等模型的性能更加稳定.

关键词：分类不平衡软件缺陷预测预测模型不平衡率代价敏感学习集成学习

来源：评论

学校读者我要写书评

暂无评论

利用辅助信息进行矩阵补全的核方法及其在多标记学习中的应用

引用

中国科学：信息科学 2018年第1期48卷 47-59页

作者：徐淼周志华南京大学计算机软件新技术国家重点实验室南京210023 软件新技术与产业化协同创新中心南京210023

现实机器学习任务中一个样本通常和多个标记相关,但获取完整的标记信息需耗费大量人力物力,因此多标记学习经常会遇到标记缺失的情况.将未缺失的标记看作不完全的标记矩阵,将样本特征作为辅助信息,则可通过矩阵补全方法来解决该问题,以... 详细信息

现实机器学习任务中一个样本通常和多个标记相关,但获取完整的标记信息需耗费大量人力物力,因此多标记学习经常会遇到标记缺失的情况.将未缺失的标记看作不完全的标记矩阵,将样本特征作为辅助信息,则可通过矩阵补全方法来解决该问题,以往研究主要针对线性可分情形,本文提出KernelMaxide方法,在处理线性不可分多标记数据中缺失的监督信息的同时,不仅能利用数据的非线性结构,还能考虑标记之间的相互关系.该方法依据矩阵核范数的表示定理,构建了基于核矩阵的核范数最小化优化目标以及相应的优化算法,并用Nystrm方法缓解核矩阵的存储和计算开销问题.实验显示出KernelMaxide的优越性能.

关键词：机器学习多标记学习矩阵补全核方法 Nystrm方法

来源：评论

学校读者我要写书评

暂无评论

一种基于多示例多标记学习的新标记学习方法

引用

中国科学：信息科学 2018年第12期48卷 1670-1680页

作者：朱越姜远周志华计算机软件新技术国家重点实验室(南京大学) 南京210023 软件新技术与产业化协同创新中心南京210023

多标记学习是一种应用非常广泛的学习范式,其中,一个对象可能同时与多个标记相关联.传统的多标记学习研究多假设训练数据中观察到的标记分布与测试数据的真实标记分布一致.但在实际应用中,训练数据中可能存在一些从未被标注出的新标记.... 详细信息

多标记学习是一种应用非常广泛的学习范式,其中,一个对象可能同时与多个标记相关联.传统的多标记学习研究多假设训练数据中观察到的标记分布与测试数据的真实标记分布一致.但在实际应用中,训练数据中可能存在一些从未被标注出的新标记.在预测时,不仅希望能够在目标标记集合(已知标记)上取得好的性能,还要求能够检测出样本是否存在新标记.针对这种多标记新标记学习问题,本文提出了一种端到端的多视图多示例多标记学习方法 EM3NL.该方法基于卷积神经网络产生多示例包,并通过最小化包上观察标记的错分损失和对新标记预测值排序损失的惩罚以及对多视图预测不一致的惩罚同时学习图像,文本两个视图的特征表示以及已知标记和新标记的预测函数.在大规模图片–文本真实数据集上验证了EM3NL在已知标记学习和新标记检测任务上的有效性.

关键词：多标记新标记学习多示例多标记学习多视图学习深度学习

来源：评论

学校读者我要写书评

暂无评论

基于对比敏感度函数的高动态范围视频编码

引用

光电子．激光 2018年第10期29卷 1107-1114页

作者：佘航飞郁梅蒋刚毅彭宗举陈芬宁波大学信息科学与工程学院浙江宁波315211 南京大学计算机软件新技术国家重点实验室江苏南京210093

考虑到HDR视频高动态范围和高精度的特殊性以及人眼视觉感知的复杂性,提出一种基于对比敏感度函数的高动态范围(HDR)视频编码率失真优化算法。首先,根据对比敏感度函数(CSF)的定义得出对比敏感度(CS)与人眼对误差敏感程度的关系;然后,针... 详细信息

考虑到HDR视频高动态范围和高精度的特殊性以及人眼视觉感知的复杂性,提出一种基于对比敏感度函数的高动态范围(HDR)视频编码率失真优化算法。首先,根据对比敏感度函数(CSF)的定义得出对比敏感度(CS)与人眼对误差敏感程度的关系;然后,针对10比特HDR视频的亮度分量,以树形编码单元(CTU,coding tree unit)为基本单位,求取影响视觉对比敏感度的适应亮度值以及空间频率的大小;最后,进一步修正对比敏感度值作为视觉感知因子,对HEVC编码过程中每个CTU的拉格朗日因子进行缩放,实现更加符合视觉感知的码率分配,去除感知冗余。实验结果显示,在相同HDR-VDP-2.2的Q因子和PSNR_DE分值下,和原始编码平台相比,码率平均节省5.6%和8.3%,有效提升HDR视频编码压缩的性能。

关键词：视频高动态范围视频(HDR) 高效视频编码(HEVC) 对比敏感度率失真优化

来源：评论

学校读者我要写书评

暂无评论

高动态范围图像融合过程中的噪声抑制算法

引用

光电工程 2018年第7期45卷 71-81页

作者：陈晔曜蒋刚毅邵华姜浩郁梅宁波大学信息科学与工程学院浙江宁波315211 南京大学计算机软件新技术国家重点实验室江苏南京210093

高动态范围成像通常需要利用多个不同曝光时间的低动态范围图像来合成高动态范围图像。在合成后图像噪声会进一步放大,可能导致最终的高动态范围图像视觉质量严重降低。针对合成图像需要保留低曝光图像中高亮区域的细节信息以及高曝光... 详细信息

高动态范围成像通常需要利用多个不同曝光时间的低动态范围图像来合成高动态范围图像。在合成后图像噪声会进一步放大,可能导致最终的高动态范围图像视觉质量严重降低。针对合成图像需要保留低曝光图像中高亮区域的细节信息以及高曝光图像中低暗区域的细节信息,且图像噪声与亮度有关这一问题,本文提出一种基于亮度分区、噪声水平估计的高动态范围图像融合过程中的噪声抑制算法。首先,根据图像的亮度信息,确定低动态范围图像的不同亮度区域;然后对图像不同亮度区域,利用重叠块估计噪声水平,根据得到的噪声水平,指导图像的稀疏去噪;最后,对处理后的低动态范围图像,采用融合方法合成高动态范围图像。实验结果表明,所提出的算法能有效地抑制图像噪声,合成的高动态范围图像具有更好的视觉质量。

关键词：高动态范围图像多曝光图像亮度分区噪声水平稀疏去噪

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：