检索结果

Select

1. 基于可靠性低秩因子分解和泛化差异性差分的运动目标检测

汪鹏, 张大蔚, 陆正军, 李林昊

《计算机应用》唯一官方网站 2023, 43 (2): 514-520. DOI: 10.11772/j.issn.1001-9081.2021122112

摘要（217）

HTML （6）

PDF （2488KB）（84）

运动目标检测旨在分离视频的背景与前景，然而常用的低秩因子分解法往往难以综合地处理动态背景和间歇性运动的问题。考虑到背景减除后的偏态噪声分布具有潜在的背景修正作用，提出一种基于可靠性低秩因子分解和泛化差异性差分的运动目标检测模型。首先，利用时间维度像素分布的峰值位置以及偏态分布性质选取一个不含离群像素的子序列，并计算该子序列的中值以形成静态背景；其次，利用非对称拉普拉斯分布对静态背景减除后的噪声建模，并把基于空间平滑的建模结果作为可靠性权重参与到低秩因子分解中，以此建模综合背景（含有动态背景）；最后，依次利用时间和空间连续约束提取前景。其中，针对时间连续性，提出了泛化差异性差分约束，从而通过相邻视频帧的差异信息抑制前景边缘的扩增。实验结果表明，与PCP、DECOLOR、LSD、TVRPCA、E-LSD、GSTO六种模型相比，所提模型的F-measure值最高。由此可知，所提模型在动态背景、间歇性运动等复杂场景中能有效提高前景的检测精度。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于迁移学习与多标签平滑策略的图像自动标注

汪鹏, 张奥帆, 王利琴, 董永峰

计算机应用 2018, 38 (11): 3199-3203. DOI: 10.11772/j.issn.1001-9081.2018041349

摘要（764）

PDF （960KB）（594）

针对图像标注数据集标签分布不平衡问题，提出了基于标签平滑策略的多标签平滑单元（MLSU）。MLSU在网络模型训练过程中自动平滑数据集中的高频标签，使网络适当提升了低频标签的输出值，从而提升了低频标注词的标注性能。为解决图像标注数据集样本数量不足造成网络过拟合的问题，提出了基于迁移学习的卷积神经网络（CNN）模型。首先利用互联网上的大型公共图像数据集对深度网络进行预训练，然后利用目标数据集对网络参数进行微调，构建了一个多标签平滑卷积神经网络模型（CNN-MLSU）。分别在Corel5K和IAPR TC-12图像标注数据集上进行实验，在Corel5K数据集上，CNN-MLSU较卷积神经网络回归方法（CNN-R）的平均准确率与平均召回率分别提升了5个百分点和8个百分点；在IAPR TC-12数据集上，CNN-MLSU较两场 K最邻近模型（2P KNN_ML）的平均召回率提升了6个百分点。实验结果表明，基于迁移学习的CNN-MLSU方法能有效地预防网络过拟合，同时提升了低频词的标注效果。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于IPv6的嵌入式Internet应用平台的研究

汪鹏安

计算机应用

摘要（1604）

PDF （580KB）（859）

根据嵌入式Internet技术的发展现状，以及下一代网络的发展趋势，分析了当前IPv4网络环境下嵌入式Internet技术发展所面临的问题，提出了一种基于IPv6的嵌入式Internet解决方案，并进行了实现。详细地设计了TCP/IPv6协议栈的结构，针对嵌入式Internet的特点，采用面向多用户的消息队列驱动机制、静态和动态相结合的内存分配策略等方法进行优化，在系统资源极其有限的情况下，实现了一个通用的嵌入式系统平台，支持多用户实时访问。