检索结果

Select

1. 基于Kinect v4的牛体尺测量方法

赵建敏, 赵成, 夏海光

《计算机应用》唯一官方网站 2022, 42 (5): 1598-1606. DOI: 10.11772/j.issn.1001-9081.2021030532

摘要（716）

HTML （7）

PDF （3608KB）（381）

针对基于机器视觉的牛体尺测量方法中图像背景复杂、特征点提取难度大的问题，提出了一种基于Kinect v4传感器的牛体尺测量方法来采集彩色和深度图像，并结合目标检测、Canny边缘检测、三点圆弧曲率等算法提取体征特征点进而计算体尺数据。首先，制作了牛体尺特征部位图像数据集，并利用深度学习YOLOv5目标检测算法检测牛体尺特征部位信息，以减少牛体其他部位和背景对体尺测点提取的干扰；其次，借助OpenCV图像处理库中的Canny边缘检测、轮廓提取等图像处理算法获取牛体尺测点所在的关键轮廓；然后，对关键轮廓采用多项式拟合和三点圆弧曲率等算法从而在二维图像中提取牛体尺测点；最后，利用深度信息将二维图像中的测点信息转换到三维坐标系下，并结合随机抽样一致（RANSAC）算法在三维坐标系下设计牛体尺测量方法。经过在复杂环境下传感器和牛体侧面成不同偏角时的实验测量结果和人工测量结果的比较得出，牛体尺数据中鬐甲高的平均相对误差为0.76%，体斜长的平均相对误差为1.68%，体直长的平均相对误差为2.14%，臀端高的平均相对误差为0.76%。实验结果表明，所提方法在复杂环境下具有较高的测量精度。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于多特征语义匹配的知识库问答系统

赵小虎, 赵成龙

计算机应用 2020, 40 (7): 1873-1878. DOI: 10.11772/j.issn.1001-9081.2019111895

摘要（571）

PDF （880KB）（854）

知识库问答（KBQA）任务主要目的在于精确地将自然语言问题和知识库（KB）中的三元组进行匹配。传统的KBQA方法通常专注于实体识别和谓语匹配，实体识别的错误会导致错误传播从而无法得到正确的答案。针对上述问题提出一种端到端的解决方案直接匹配问题和三元组，该系统主要包含候选三元组生成和候选三元组排序两个部分来实现精确问答。首先通过BM25算法计算问题和知识库中三元组的相关性生成候选三元组；然后通过多特征语义匹配模型（MFSMM）进行三元组的排序，即用MFSMM分别通过双向长短时记忆网络（Bi-LSTM）和卷积神经网络（CNN）实现语义相似度和字符相似度的计算，并通过融合来对三元组进行排序。该系统在NLPCC-ICCPOL 2016 KBQA数据集上的平均F1为80.35%，接近了现有最好的表现。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于硬件虚拟化的虚拟机进程代码分页式度量方法

蔡梦娟, 陈兴蜀, 金鑫, 赵成, 殷明勇

计算机应用 2018, 38 (2): 305-309. DOI: 10.11772/j.issn.1001-9081.2017082167

摘要（478）

PDF （1037KB）（625）

云环境下恶意软件可利用多种手段篡改虚拟机（VM）中关键业务代码，威胁其运行的稳定性。传统的基于主机的度量系统易被绕过或攻击而失效，针对在虚拟机监视器（VMM）层难以获取虚拟机中运行进程完整代码段并对其进行完整性验证的问题，提出基于硬件虚拟化的虚拟机进程代码分页式度量方法。该方法以基于内核的虚拟机（KVM）作为虚拟机监视器，在VMM层捕获虚拟机进程的系统调用作为度量流程的触发点，基于相对地址偏移解决了不同版本虚拟机之间的语义差异，实现了分页式度量方法在VMM层透明地验证虚拟机中运行进程代码段的完整性。实现的原型系统——虚拟机分页式度量系统（VMPMS）能有效度量虚拟机中进程，性能损耗在可接受范围内。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于多维网格空间的改进 K-means聚类算法

邵伦, 周新志, 赵成萍, 张旭

计算机应用 2018, 38 (10): 2850-2855. DOI: 10.11772/j.issn.1001-9081.2018040830

摘要（483）

PDF （828KB）（377）

K-means算法是被广泛使用的一种聚类算法，传统的 K-means算法中初始聚类中心的选择具有随机性，易使算法陷入局部最优，聚类结果不稳定。针对此问题，引入多维网格空间的思想，首先将样本集映射到一个虚拟的多维网格空间结构中，然后从中搜索出包含样本数最多且距离较远的子网格作为初始聚类中心网格，最后计算出各初始聚类中心网格中所包含样本的均值点来作为初始聚类中心。此法选择出来的初始聚类中心与实际聚类中心拟合度高，进而可据此初始聚类中心稳定高效地得到最终的聚类结果。通过使用计算机模拟数据集和UCI机器学习数据集进行测试，结果表明改进算法的迭代次数和错误率比较稳定，且均小于传统 K-means算法测试结果的平均值，能有效避免陷入局部最优，并且聚类结果稳定。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于硬件虚拟化的虚拟机文件完整性监控

赵成, 陈兴蜀, 金鑫

计算机应用 2017, 37 (2): 388-391. DOI: 10.11772/j.issn.1001-9081.2017.02.0388

摘要（749）

PDF （807KB）（646）

为保护虚拟机敏感文件的完整性，针对外部监控中基于指令监控方式性能消耗大、兼容性低和灵活性差等缺点，提出一种基于硬件虚拟化的文件完整性监控（OFM）系统。该系统以基于内核的虚拟机（KVM）作为虚拟机监视器，可动态实时地配置敏感文件访问监控策略；OFM可修改虚拟机系统调用表项以透明拦截文件操作相关系统调用，以监控策略为依据判定虚拟机进程操作文件的合法性，并对非法进程进行处理。在虚拟机中采用性能测试软件Unixbench进行仿真，其中OFM在文件监控方面优于基于指令的监控方式，且不影响虚拟机其他类型系统调用。实验结果表明，OFM可以有效地监控虚拟机文件的完整性，具有更好的兼容性、灵活性和更低的性能损耗。

参考文献 | 相关文章 | 多维度评价