正互反矩阵一致性的充要条件

本文论述了正互反矩阵一致性的充要条件,并给出了证明.     

1Cr18Ni9Ti不锈钢中形变诱发α’马氏体相的组织特征

论文通过对1Cr18Ni9Ti不锈钢试件在－70℃下进行低温拉伸，制备出具有不同形变，诱发α’马氏体相（铁磁相）含量的试样，进行了XRD和TEM研究其相结构。     

对管螺纹标准中有关问题的见解

概述了《用螺纹密封的管螺纹》、《非螺纹密封的管螺纹》、《60圆锥管螺纹》和《米制锥螺纹》等4项管螺纹国家标准的使用范围,介绍了4种管螺纹的特征代号、公差规则、标注实例以及在图样上的标注方法,并提出了标准实施中应注意的几个问题。     

基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景,但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题,提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示,以引导构建更关注行人前景区域的局部特征,达到语义对齐的目的,减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征,利用协同学习平均模型生成行人重识别模型的多标签表示,减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型,提高行人重识别模型的识别能力。实验结果表明：在Market-1501→DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上,与NRMT方法相比,平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%,多标签协同学习方法具有显著的优越性。     

运动信息引导的目标检测算法

在室外监控视频的场景下,由于场景的复杂性及目标的多样性,监控视频中的目标存在难以检测的情况,如目标被遮挡、目标尺寸变化等,目标检测任务仍然存在挑战。基于此,提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进,使得到的运动前景图中能够保持静止目标前景的存在;利用运动前景图中的前景可以指示目标空间位置的特点,在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合,提高特征图可能存在目标区域的响应值;在目标检测算法的检测器中,引入一个定位分支,利用视频帧的运动前景图,学习候选目标的定位置信度,并与目标的分类置信度加权求和,作为目标最终的置信度,再通过非极大值抑制方法得到检测结果。实验证明,在固定摄像机下采集的数据集中,所提算法能够提升目标检测的准确率。     

结合轮廓及骨架序列编码的二维形状识别

二维形状识别是物体识别中的一个基本问题,被广泛地应用于商标检索、指纹识别、物体定位、图像检索等多个领域。其中,基于生物信息学的二维形状识别是近期一个新的研究方向,基本思想是把二维形状的轮廓转化为生物信息序列,借助标准的生物信息序列分析工具来进行二维形状的匹配和识别。不过,利用轮廓进行信息序列编码存在编码冗余和编码准确性不高的问题,本文提出了一种新型的结合形状轮廓和骨架的序列编码方法。该方法利用骨架表示形状的细长分支,减少编码的冗余;并分别对轮廓和骨架进行不同类型的编码,具备编码简洁、后续匹配准确性高等优点。最后,本文在三个公开数据集上进行大量的形状识别实验,并与多种通用形状识别方法进行了比较。实验表明,本文方法在多个实验中均取得了较高的识别准确率,相比基本的形状特征描述方法,准确率提高了近5%。      

自相关分析法用于电离层TEC的内插评估

基于2004年实测数据的统计分析,将自相关分析法用于电离层TEC的缺值内插,并进行精度评估.采用上海地区GPS综合应用网和中国地壳运动GPS监测网数据,解算成电离层垂直TEC,对缺值进行了时序内插及评估.结果表明,缺值段内的插值误差一般中间较大,两侧较小,插值误差远小于均方差.将自相关分析法内插结果与线性插值法、抛物线法、三次样条法内插结果进行对比,发现对于缺值较多、变化较复杂的缺值段,其插值精度有明显的提高.采用自相关方法进行内插后,有效减小了由于缺值而引起的局部跳跃变化,可以比较准确地研究TEC变化特性.     

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

全系数自适应控制器若干稳定性质分析

在更加一般的条件下对黄金分割反馈控制器在单输入单输出和多输入多输出特征模型中的稳定性和鲁棒性进行了系统分析,并在混合辨识背景下研究了投影梯度法在特征模型框架中应用时的输入状态稳定(ISS)性和参数估计误差的L2界.最终的结果进一步扩展了已有的结论,对整个系统的稳定性分析具有重要作用.