简介:在视频编码中,DCT系数分布模型是率失真理论模型的基础,视频量化一般可分别为硬判决量化(HDQ)以及软判决量化(SDQ),SDQ算法能实现最优编码性能,但其中维特比算法会导致严重的系数间串行处理依赖.比较而言,基于死区(deadzone)的HDQ算法率失真性能略有损失,但是不考虑系数间的相关性.提出了一种基于分段逼近TCM模型(TransparentCompositeModel)的自适应硬判决量化算法,采用更精确的DCT分布估计模型,估算不同频率分量DCT系数的分布参数.根据模型参数及DCT系数分布参数,优化构造自适应的死区偏移量模型.实验表明,相对于固定偏移量HDQ算法,其编码性能非常接近于SDQ算法.
简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.
简介:道路目标检测在智慧城市建设中扮演着重要角色,而Faster-RCNN是目前主流的目标检测网络结构算法.本文在Faster-RCNN卷积神经网络结构基础上增加了特征金字塔网络层,并采用关注损失函数替代了原有的交叉熵损失函数.其中增加的特征金字塔特征融合层可以提取到检测图片中更具鲁棒性和一般性的前背景特征,而通过关注损失函数则能起到缓解检测图片中的正负样本不均的情况.最后,在公开数据集KITTI上实验证实,改进的目标检测算法能实现提高原有的Faster-RCNN目标检测准确率.
简介:受壁面作用和稀薄效应等的影响,微纳尺度通道内的气体流动有别于宏观流动现象.采用分子动力学方法,研究纳米通道中气体的Poiseuille流动,主要对通道内气体黏度特性进行了分析.利用牛顿粘性定律,定义了气体的当地等效黏度.根据模拟结果,可将纳米通道内气体划分为中心区和近壁区两个部分,中心区气体当地黏度与宏观黏度一致,但是在近壁面区,气体受到壁面原子的作用,气体的当地黏度小于宏观黏度值.研究发现:1)不同的气体密度、流固作用势能以及温度下,通道中心区域的气体当地等效黏度均符合对应温度和压强条件下的气体宏观实测黏度值;2)在纳米尺度气体流动中,气体密度越小,稀薄程度越高,气体偏离热力学平衡态越远,所以壁面对气体等效黏度的影响随密度的减少而增大,壁面影响厚度也随之增大;3)气体黏度的壁面影响厚度在10nm量级,该厚度不随温度和流固作用势能的变化而变化,但是密度越小,壁面影响厚度越大.