基于感知偏序模型的图标视觉复杂度研究

视觉复杂度分析是计算机视觉研究的重要分支。当前主流研究方法采用基于用户数据的统计概率模型进行定量评估,这样虽能获得统计型结论,但由于缺少对潜在逻辑规则的考虑而无法逼近用户真实模型。用户感知评价的不稳定性常常导致训练模型收敛困难或者次最优现象的出现。本文针对此问题,结合用户感知评价特征与视觉特征的关系,提出基于用户感知偏序关系的视觉图标复杂度分析模型。针对感知数据难以获取和表示的困难,本文提出基于二比较的偏序关系表示用户感知特征;采用可信度预处理减少用户评价数据矛盾冲突对于模型预测的影响。通过提取特定的可视化特征,本文提出改进的SVM模型对基于偏序对的感知数据进行训练获得图标视觉复杂度感知模型。通过进行Pearson、Kendall和Spearman系数的对比,本文预测模型在中国大学图标数据库上与人工评价结果高度相似(>90%)。与最新算法的对比结果证实了本文算法的有效性和先进性。     

基于最小位移可视差的连续Seam Carving算法在图像缩放中的研究

图像缩放技术要求对图像缩放的同时保证重要信息不丢失且物体边缘不发生扭曲。近年来,Seam Carving及其改进算法得到了广泛的关注和研究。由于采用了离散式最小能量线迭代搜索策略,缩放信息无法在迭代过程中传递导致扭曲现象普遍存在。该文针对上述问题提出最小位移可视差(JND)检测算法,能够有效地检测每一次迭代中出现的潜在扭曲信息。能量权重\begin{document}$ {E}_{w} $\end{document}能够将JND信息累加传递给后续的迭代过程,从而抑制缩放过程中的边缘扭曲现象。通过JND算法和能量权重,该文首次将离散的Seam Carving模型转变为连续缩放模型。最后,在公共数据集RetargetMe上与最新的图像缩放算法进行多组对比实验,验证了所提方法的有效性和先进性。     

融合多记忆模块的半监督单图像去雨方法

近年来,基于监督学习的单图像去雨技术取得了较好的效果。由于获取真实雨图对具有较大的困难,所以现有的方法大都基于标记的合成数据集进行训练。但合成数据与真实数据在雨纹的密度、方向和形状等方面存在差异,导致训练的模型泛化性和实用性较差。针对这一问题,本文提出了一种融合多记忆模块的半监督框架,由监督分支和无监督分支组成,能更好地同时使用标记的合成数据与未标记的真实数据训练去雨网络来提高模型对于真实雨纹的处理能力。模型的关键在于将多记忆模块加入到Encode-Decoder框架中,记忆模块通过多次对特征向量的建模,提高网络对多种雨纹/雨滴的识别能力,进而提高网络的去雨能力。在公开数据集上进行了大量实验,证明了该模型的优越性。     

遗传算法在模型音乐作曲创新中的应用

本文将遗传算法与“模型音乐”作曲方式相结合。按照模型音乐作曲方式产生音乐模型，然后利用遗传算法对乐曲进行进化，以产生与传统作曲方式相区别的、更具特征性的乐曲。并且利用实验进行了验证。     

基于最小位移可视差的连续Seam Carving算法在图像缩放中的研究

图像缩放技术要求对图像缩放的同时保证重要信息不丢失且物体边缘不发生扭曲.近年来,SeamCarving及其改进算法得到了广泛的关注和研究.由于采用了离散式最小能量线迭代搜索策略,缩放信息无法在迭代过程中传递导致扭曲现象普遍存在.该文针对上述问题提出最小位移可视差(JND)检测算法,能够有效地检测每一次迭代中出现的潜在扭...     

基于遗传算法的网络信息过滤系统中的特征选择

随着Intemet在全世界的应用和普及，网络跟人们的生活越来越紧密，人们在使用网络的同时，不可避免地接触到大量的不良信息，为了过滤网络信息，出现了网络信息过滤。本文首先采用向量空间模型表示文本，给出了一个基于遗传算法的文本特征选择方法。同时为了克服遗传算法所存在着的收敛速度慢、易陷入局部最优等缺陷，文中采用了候选特征子集，并增加了一个扩展操作。最后，通过实验验证了该方法的有效性。