基于改进DCNN结合迁移学习的图像分类方法

针对传统DCNN(Deep Convolutional Neural Networks)模型中Softmax分类层存在的过早饱和及模型参数采用随机初始化训练时间长、识别准确率低的问题,提出一种将噪声注入Softmax并结合迁移学习的图像分类方法.首先,根据对Softmax饱和问题探究,对比注入的噪声参数选取对识别率的影响来找到最佳情况,从而产生更为宽泛的梯度并起到延迟饱和的作用;然后,利用公开预训练模型参数来代替随机初始化参数,并比较冻结不同卷积层对模型的影响;最后,在MNIST和CIFAR-10图像分类数据集上实验,证明所提方法具有良好的识别效果.     

改进SIFT融合五官特征的旋转人脸检测算法

针对传统PID控制算法对四旋翼飞行器的姿态角进行控制时,其控制参数很难随着环境的变化进行自整定,进而影响四旋翼飞行器的稳定性的问题,提出了一种改进的PID控制算法。该算法通过改进单神经元中的K值公式提高了Kp、Ki、Kd的学习速率,从而提高了系统的响应速度;通过增加超调惩罚措施,通过适当的放大或缩小超调,可以使系统超调达到最小。通过与增量型PID、标准二次型单神经元PID算法进行比较,并且进行仿真实验。结果表明：所提方法具有参数自整定能力强且快速响应、鲁棒性强及稳定性好。     

基于改进SSIM的HEVC率失真优化

HEVC继承了传统的客观率失真模型,主要采用均方误差、平方误差和或绝对误差和等客观评价方法作为失真测度.然而,这些方法并不能得到很好的主观视觉感知质量.为了进一步解决HEVC的计算复杂度,提出了将结构相似度(Structural Similarity,SSIM)引入到HEVC的率失真代价函数中.该方法使用失真测度均方误差对SSIM进行改进,将改进后的SSIM对率失真代价函数进行优化,求解出拉格朗日乘子,从而实现率失真性能的提升.实验结果表明,该方法与HEVC参考测试模型相比,在全Ⅰ帧(All Intra,AI)配置下,率失真性能平均提高了2.6％,同时可以获得很好的编码质量,以及可忽略的编码时间增长.