针对人脸分割的精度问题,提出了融合网络深层特征和浅层特征的新结构,三次精调人脸检测框,提高人脸分割的精确度.新结构结合通道注意力与空间注意力机制,利用深度分离卷积,为每个通道特征提供各自对应的注意力权重,充分利用深层语义信息与浅层定位信息,为精确分割提供特征信息,三次精调为分割提供准确的检测结果.实验结果相比Mask R-CNN的mAP提高0.1,相比最新方法mAP提高0.2.

针对人体实例分割任务中存在着姿态多样和背景复杂的问题,提出了一种高精度的实例分割算法.利用Mask R-CNN算法特征融合过程中的细节信息,改善人体分割任务中边缘分割不精确的问题,提高人体分割精度.改进了特征金字塔的特征融合过程,将原有自顶向下的路径改为自底向上,以保留浅层特征图中更多的空间位置信息,并且在特征融合过程中加入多尺度空洞卷积,在增大特征图感受野同时保持分辨率不变,可以避免降采样过程中特征丢失;使用COCO数据集和网络平台,建立新的人体图像数据集.最后将本算法与Mask R-CNN算法做对比,在IoU分别为0.7、0.8和0.9时,准确率提高了0.26,0.41和0.59.实验结果表明,算法在新的人体图像数据集可以得到更精确的结果.

由于低秩表示（Low-Rank Representation,LRR）模型中核范数对非零奇异值的估计不足,所以利用参数化的非凸惩罚函数来估计非零奇异值,同时结合全变差（Total Variation,TV）范数保持图像边缘信息和加强区域平滑性的能力,通过对LRR模型中的系数矩阵施加TV范数约束,提出了一个新的图像去噪算法,并且采取交替最小化方法求解对应模型。利用图像的内在非局部自相似性先验,所提算法能够在有效发现和移除噪声的同时,增强恢复图像的结构和区域平滑性,提高图像的恢复质量。实验结果表明,与其他去噪算法相比,无论是客观评价还是视觉效果,所提算法都实现了具有竞争力的去噪表现,特别是在噪声强度较大时。

LSPE(Locality and Similarity Preserving Embedding)特征选择算法首先基于KNN定义图结构来保持数据的局部性,再基于定义图学习数据的低维重构系数来保持数据的局部性和相似性.两个步骤独立进行,缺乏交互.由于近邻个数是人为定义的,使得学习到的图结构不具备自适应的近邻,不是最优的,进而影响算法性能.为优化LSPE算法的性能,提出改进的局部和相似性保持特征选择算法,将图学习与稀疏重构、特征选择并入同一个框架,使得图学习和稀疏编码同时进行,其要求编码过程是稀疏的,自适应近邻的和非负的.所提算法旨在寻找一个能保持数据的局部性和相似性的投影,并对投影矩阵施加l2,1范数,进而选择能够保持局部性和相似性的相关特征.实验结果表明,改进后的算法减少了主观人为影响,消除了选择特征的不稳定性,对数据噪声鲁棒性更强,提高了图像分类的准确率.

现有的特征选择算法更多的只强调数据局部性,忽略了数据间的相似性.针对这一问题,提出一种基于局部和相似性嵌入的特征选择算法,将图学习、特征选择和稀疏编码并入到同一个模型中,强调数据的局部性和相似结构,通过寻找一个能保持数据局部性和相似性的投影矩阵来选择最相关的特征.通过实验与目前流行的几种算法进行对比,验证了本文方法的有效性.

全变差(TV)范数具有保持图像边缘信息及加强区域平滑性的能力,为增强低秩表示(LRR)模型恢复图像的结构光滑性,将TV范数引入到LRR模型中,通过对LRR模型中的系数矩阵增加TV范数约束,提出了一个新的图像去噪模型——全变差低秩表示(TVLRR)模型,并采用交替最小化方法有效地求解该模型.利用图像内在的非局部自相似性先验,所提算法可以有效地发现和去除噪声,同时增强恢复图像的结构光滑性,使去噪后的图像质量显著提高.实验结果表明,与顶尖的去噪算法相比,所提出的算法在主观和客观上都实现了具有竞争力的去噪表现,特别是当噪声强度很大时.

提出了一种基于深度学习的精确图像分割方法.在Mask-R-CNN网络基础上给出一种实例分割网络.针对精确边界分割问题,提出通过重新设计掩码分支结构,来改善边界分割精度.在掩码分支上使用了前后层特征融合的方法可以更好的保留边缘信息.进一步通过增大RoIAlign层的分辨率,得到了更加精确的边界信息.在不影响算法精度的前提下采用深度可分离卷积减少了训练参数,提高了分割算法的效率.实验时通过比较mAP(平均准确率)的结果和检测定量图片需要的时间以及消耗的内存表明该算法的精确性和高效性.

针对人脸识别过程中深度置信网络在直接提取特征时易忽略局部特征以及传统的局部三值模式提取局部特征时不精细的问题,提出一种基于改进的局部三值模式和深度置信网络相结合的人脸识别算法,该算法将传统的局部三值模式中周围像素点与中间像素点的差值与某一固定阈值进行比较改为了相邻像素点进行两两比较,然后将其差值与计算得到的动态阈值进行比较,该动态阈值可以避免固定阈值对不同样本的影响.为了防止图像因为旋转问题而降低识别率,将LBP的旋转不变性引入到了改进的LTP,然后获取直方图,作为DBN的输入数据,对DBN网络进行参数调优,然后利用DBN网络进行训练识别,该算法在ORL,YALE等公开人脸库中的识别率与其他方法相比有了很大的提高,受光照和姿态的影响也有所降低,实验数据说明该算法具有很好的识别效果.

为了从微表情中获得更显著的特征,从而识别出微表情所表达的情感,需要更全面的提取微表情图像纹理特征,解决图像时空变化的问题,避免出现冗余差分等现象,提出了一种基于局部二值模式(Local Binary Patterns,LBP)的微表情识别方法的改进.该算法将微表情序列划分成三个正交平面,三个正交平面相交可以获得相交点,去除掉冗余的相交点,提供更紧凑和显著的表达,从而获得更小的计算复杂度.实验表明,该算法获得了较好的识别精度和计算复杂度.

针对当前高校网络工程专业人才培养存在的问题,提出通过产学合作,调整优化网络工程专业主干课程知识体系,梳理重构课程教学内容,丰富课程实验和课程设计案例,以适应"万物互联"时代高级网络技术人才培养的需要;以计算机网络原理课程为例,阐述如何将思科网络技术学院课程教学内容和实验案例,融入课程教学内容、丰富实践教学案例、建设优质课程教学资源,最后说明教学实践效果.

In order to accurately reconstruct the unknown sparse signal,the special signal and the noise signal,an improved compressive sensing reconstruction algorithm-a forecast orthogonal matching pursuit algorithm proposed.The proposed algorithm predicts and selects the desired atoms by the total number of atoms in the selected support set,the energy difference between the signals and the residuals information.The forecast orthogonal matching pursuit algorithm can adaptively reconstruct the block sparse signals,the noise signals and the picture signals in the case of unknown sparse degree.The experimental results show that the improved algorithm improves the quality of reconstruction and reduces the running time under the same conditions.

在低秩表示算法的基础上,提出了一个新模型。新模型构建了揭示数据内在特征联系的亲和度图以实现聚类任务。首先,根据矩阵分解原理对原始数据重新生成数据字典,在算法初始输入时筛除部分噪声。其次,利用数据间的稀疏性加强局部约束,为给定的数据向量构建非负低秩亲和度图。亲和度图中边的权重由非负低秩稀疏系数矩阵获得,系数矩阵通过每个数据样本作为其他数据样本的线性组合完成构建,如此获得的亲和度图显示了数据的子空间结构,同时表现局部线性结构。与现存的子空间算法相比,非负局部约束低秩子空间算法在聚类效果上有明显的提升。

培养大学生的创新能力和实践能力是网络专业的一项重要工作,网络学科竞赛是促进网络课程体系改革的催化剂,产教合作提供了丰富的教学资源.因此,研究以竞赛为驱动的产教合作创新型网络人才培养模式的实施方案,对基于竞赛的教学改革进行系统研究与实践.

Sparsity adaptive matching pursuit (SAMP)algorithm is a widely used reconstruction algorithm for com-pressive sensing under the condition that the sparsity is unknown.In order to optimize the performance of SAMP algo-rithm,an improved sparsity adaptive matching pursuit(ISAMP)algorithm was proposed.The proposed algorithm intro-duces generalized Dice coefficient for matching criterion,which improves its performance in selecting the most matching atom from measurement matrix for residual signal.Meanwhile,it uses threshold method to select preliminary set and adopts exponential variable step during the iteration.Experimental results show that the proposed algorithm improves reconstruction quality and computational time.

The main goal of subspace clustering algorithm is to find its low dimension representation from high dimensional data.In the low-rank representation subspace algorithm,original data is used as a dictionary,however the noise from data is inevitable.To solve this problem,a sparse low rank subspace clustering algorithm with using sparse representation optimization dictionary is proposed.The improved algorithm can handle the appearance that the excessive deviation of final result perfectly.It is showed by the experimental results that the algorithm has a significant improvement compared with the sparse subspace algorithm and the low rank representation algorithm.

The reconstruction algorithm in theory of compressed sensing (CS) is an important part of compression perception theory.Under the unknown condition of the sparse degree,some reconstruction algorithms perform poorly.To solve this problem,a kind of orthogonal matching pursuit algorithm based on double threshold was put forward.Under the unknown condition of the sparse degree,the twice screening for the selected atoms can have high efficiency and high quality reconstruction image signal.The proposed algorithm can effectively reconstruct signals through experimental comparison with other algorithms.The proposed algorithm in this paper has higher reconstruction precision and has shorter running time.

In order to reconstruct the signal under the sparse unknown condition and solve the step selection problem for the SAMP framework.A new sparse degree estimation strategy and a new compressive reconstruction algorithm-Estimate Step Adaptive Matching Algorithm (ESAMP) are proposed.The proposed algorithm estimates the sparseness in a new way.Using the estimated sparse degree as the initial step size and reconstructing the energy difference between the signals as the method of changing the step size,so that the signal can adaptively reconstruct the signal under the sparseness unknown condition.Through the experiments,the proposed algorithm can reconstruct the signal better and ensure the reconstruction quality while improving the reconstruction speed.

计算机网络原理是计算机专业的核心必修课程,课程中包含许多抽象的网络协议、过程原理和算法.本文研究Authorware的多媒体开发环境和编程功能,设计开发一个简单实用、功能强大、交互性强的计算机网络原理多媒体课件.阐述了用Authorware制作多媒体课件的设计框架、设计思路和方法步骤,并以计算机网络原理的三种信息交换过程、停止等待协议和使用子网划分的分组转发这三个典型协议和过程为例,具体讨论了使用Authorware设计实现中的图标技巧.教学实践证明,通过多媒体课件模拟仿真实现网络协议和过程原理,可以将晦涩难懂的网络协议和过程原理直观化和形象化,增强了学生学习的交互性、自主性和创造性.

MOOC的发展为高等教育课程改革带来了一场革命，翻转课堂作为一种新的课堂教学模式冲击着传统的课堂教学方式。文章分析MOOC和翻转课堂带来的教学模式的转变，探讨如何将MOOC和翻转课堂教学模式的理念融入“计算机网络原理”精品课程的建设，梳理课程知识体系，进行多样化的课程设计，制作课程视频和微课，开发课程辅助教学系统，等等；提出以教师重点知识引导与学生自主学习相结合的教学模式，旨在培养学生创新能力以适应互联网时代大学教育转型改革的趋势。

为了使压缩感知重构算法在稀疏度未知的情况下能够实现信号精确重构,提出了一种新的贪婪匹配追踪重构算法—一种改进的子空间追踪算法.该算法首先通过一种新的柔性方法获得信号的稀疏度,然后将稀疏度估计的结果和子空间追踪算法结合起来对信号进行重构,若子空间追踪不能精确地重构信号,则利用弱匹配原则来获取新的原子.实验结果表明,和同类算法比较,当信号稀疏度相同时,改进的子空间追踪算法重构的精度较高,运行速度也较快.