《毛细管电色谱理论基础》

毛细管电色谱作为一种新型微分离分析技术，其分离过程具有多种机理协同作用的特征。对于毛细管电色谱的理论研究不仅要考虑系统的电属性，还要兼顾溶质的两相分配特征。该书系统地阐述了毛细管电色谱的基本理论，讨论了分离过程中影响峰展宽的因素及其规律。基于作者发展的弛豫理论和唯象的输运过程处理方法，阐述了毛细管电色谱中的动力学和热力学问题，分别就不同的分离模式的选择性规律和柱内富集理论与技术、梯度洗脱的溶质输运特征加以说明。     

动态特征空间和三维运动目标的智能递推识别方法

在实际成像条件下,运动中的三维目标,其投影形状(silhouette)是变化的,因而其可识别性也处于变动中.为了应对这类困难情况,本文定义了模式的动态特征空间和模式的动态可识别性等概念.提出了处理三维目标运动图像序列的多尺度智能递推识别方法(MUSIRR).构造了一种混合神经网络和逻辑决策模块的智能识别器,BP神经网和RBF网用作识别器的基本构成单元.在训练阶段,该识别器使用目标的多尺度二值特性视图模型的规则矩不变量为样本特征向量.在识别阶段,算法在递推识别序列目标图像过程中,充分利用了目标姿态不会突变以及有关成像过程的合理约束,达到了提高识别率目的.     

对象随型粗糙面近红外单目视觉测量与基准图像自愈

针对复杂应用环境中近红外单目视觉位姿测量系统偏离预置合作目标对象后,无法完成位姿测量的特殊情况,提出一种以合作目标周边随型粗糙面图像为测量对象的单目视觉测量方法,以及图像受损后的动态自愈方法。通过将实时获取的随型粗糙面图像特征与预存基准图像特征进行匹配计算,完成特殊情况下的应急测量。同时,为减少随型粗糙面图像污染或受损后对位姿测量精度的影响,实时计算污染或受损程度并动态自愈基准图像特征。实验结果表明,以随型粗糙面为对象的位姿测量精度稍低于合作目标对象,但能够满足特殊情况下的应急使用需求,提高了测量系统的鲁棒性;当随型粗糙面图像污染或受损达到70%时,采用自愈处理与未做自愈处理相比,方位角测量误差减少72%以上,验证了基准图像自愈方法的有效性。     

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。     

图像块改进Harris角点检测的农田图像拼接

为了达到农田研究人员对于宽视野、高清晰度图像的要求,提出一种基于图像块改进Harris角点检测的农田图像拼接算法.为了降低图像拼接数据量,减少运算时间,提高拼接效率,将参考图像与待拼接图像分割成具有重叠区域的图像块,采用余弦相似度,寻找最优匹配图像块;采用Harris角点检测算法实现最优匹配图像块的特征点提取,通过计算...     

基于多模态融合的视觉问答传输注意网络

针对传统视觉问答任务无法完全捕捉多模态特征之间复杂相关性的缺点,文中提出了基于多模态融合的视觉问答传输注意网络。在特征提取部分,分别利用GloVe词嵌入+LSTM提取问题特征,并使用ResNet-152网络提取图像特征。通过3层传输注意网络进行多模态融合来学习全局多模态嵌入信息,进而使用该嵌入重新校准输入特征。文中设计了一个多模态传输注意学习架构,通过对传输网络进行重叠计算,使组合特征聚焦在图像和问题的细粒度部分,提高了预测答案的准确率。在VQA v1.0数据集上的实验结果表明,该模型的总体准确率达到了69.92%,显著优于其他5种主流视觉问答模型的准确率,证明了该模型的有效性和鲁棒性。     

基于数据分析的剪辑特征与视频内容相关性研究

随着人工智能技术的日益成熟,在剪辑工作中应用人工智能技术来提升剪辑效率已成为研究热点.现阶段,人工智能视频剪辑质量尚不能媲美人工剪辑.本文通过数据采集、特征提取和数据分析,对大量不同类型、不同特点的视频内容从剪辑速度(镜头时长)和景别特征两方面详细分析了剪辑特征和视频内容的关联性,从而帮助AI理解人工视频剪辑的基本规律...     

基于激光雷达的建筑物轮廓信息识别提取研究

对于采用激光雷达扫描的建筑物进行点云重建的关键,在于建筑物轮廓信息的提取,并且要能够保证其精确度和完整性。文章提出了基于几何特征与语义描述的外轮廓信息改进识别方法,比较好地解决了目前建筑物轮廓提取中存在精度较低、后续处理麻烦的问题。最终建立了数学求解模型,并且以采集的单栋建筑物点云数据作为实验样本,进行了建筑物轮廓信息提取实验。结果表明,采用的改进方法不仅理论上能够实现,还大大提高了建筑物轮廓信息提取的清晰度,通过多次实验验证,此方法优越性明显。文中所述方法对点云数据分割,特别是建筑物与地面点的分割,建筑物的三维重建具有极大的意义。     

基于通道注意力机制和多尺度卷积的行人重识别

针对真实环境中由于复杂背景和物体遮挡、角度变换、行人姿态变化带来的行人重识别(person re-identification,person re-ID) 问题,设计了基于通道注意力(efficient channel attention,ECA) 机制和多尺度卷积(poly-scale convolution,PSConv) 的行人重识别模型。首先利用残差网络提取全局特征,在网络末端加入基于ECA机制及PSConv的特征融合模块,将全局特征和该模块提取的全局特征进行融合,之后将新的全局特征进行分割得到局部特征,最后将新的全局特征和分割得到的局部特征融合得到最终特征,并计算损失函数。模型在Market1501和DukeMTMC-reID 数据集上进行实验验证。在Market1501数据集中,Rank-1和平均精度均值分别达到94.3%和85.2%,在DukeMTMC-reID数据集中,上述两参数分别达到86.3%和75.4%。实验结果可知,该模型可应对实际环境中的复杂情况,增强行人特征的辨别力,有效提高行人重识别的准确率和精度。