期刊指标
提交
杂志简介
编辑聚光灯
特殊问题最新的文章
更多文章
点的识别设置在逼真的场景对象
随着新的智能传感技术，如3D扫描仪和立体视觉的出现，高质量的点云数据已经变得非常方便，成本更低。三维物体识别的基础上的点云的研究也受到了广泛的关注。点云几何数据结构的一个重要类型。由于其不规则的格式，许多研究者此类数据转换规则三维体素网格或图像集。然而，这可能导致数据并引起问题不必要的体积。在本文中，我们考虑在现实的感官认识对象的问题。我们首先使用欧氏距离聚类方法在逼真的场景段对象。然后，我们使用了深刻的学习网络结构直接提取点云数据的特征来识别的对象。从理论上说，这种网络结构显示出强大的性能。在实验中，有98.8％的准确率对训练集，以及在实验测试集的准确率可以达到89.7％。 The experimental results show that the network structure in this paper can accurately identify and classify point cloud objects in realistic scenes and maintain a certain accuracy when the number of point clouds is small, which is very robust.
智能移动应用：的系统映射研究
智能手机作为最经济实惠和实用的无处不在的设备通过使用许多方便的应用在我们日常生活中的增强很大程度上参与。然而，除了他们的异质性的移动用户数量显著（不同的配置文件和上下文）责成开发商，使它们更加智能，更灵活，以提高他们的应用程序的质量。这主要是实现通过分析移动用户的数据。机器学习（ML）技术提供的方法和需要从数据提取知识，以促进决策技术。因此，开发人员和研究人员确认在多个应用领域如电子医疗，电子学习，电子商务和电子相结合的教练ML技术和移动通信技术的好处。因此，本文的目的是在移动应用的设计和开发中使用的ML技术的概述。因此，我们进行的关于这个问题在2007年1月1日和12月31日之间的期间发表的论文的系统映射研究2019年甲选择的71个文件总数，研究，并进行分析，根据以下标准，年，源和信道出版，研究型和方法，实物收集的数据，并最终通过ML车型，任务和技术。
基于多叙聚变研究的室内场景分类机制
这项研究的目的是引起了传统的场景分类算法，包括多尺度或各种视角的变化和类和其他因素之间的相似度较高的非ROI（感兴趣区域）的信息干扰了很大的局限性。提出了一种基于多个描述符融合的有效室内场景分类机构，其引入深度图像来提高描述符效率。贪婪描述符滤波算法（GDFA）提出以获得有价值的描述符，并且还给出的多个描述符组合的方法是进一步提高描述符的性能。性能分析和仿真结果表明，多个描述融合不仅可以达到更高的分类精度比在具有描述符中，大尺寸的条件主成分分析（PCA），而且还能够提高分级精度比有效地将现有的其他算法。
在云数据中心合作博弈为基础的虚拟机资源分配算法
随着云服务的不断增长的需求，云数据中心（疾病预防控制中心）可以提供灵活的资源，以适应工作量的需求供应。在疾病预防控制中心，虚拟机（VM）的资源分配问题是提供高效的基础设施服务的重要和具有挑战性的问题。在本文中，我们建议在CDC系统的虚拟机统一资源分配方案。为了提供一个公平高效的解决方案，我们专注于基本概念Shapley值并通过其变化，以有效地分配资源，疾病预防控制中心。基于特征值解决方案，我们开发新的CPU，内存，存储和带宽资源分配算法。要切实履行我们的算法，应用类型被假定为合作游戏的玩家，和不同值解决方案适用于优化资源利用率。因此，我们的四个资源分配算法共同组合成一个新的四倍博弈模型，并通过级联相互作用采取各种福利以理性的方式解决，而一些全面控制问题。为了确保云服务的不断增长的需求，该功能可以利用不同的充分协同作用值解决方案。要检查我们提出的方案的有效性和优越性，我们进行了广泛的模拟。仿真结果表明，与现有的国家的最先进的协议，我们的算法有显著的性能提升。最后，我们总结了我们的合作博弈为基础的方法以及有关云计算辅助DC的资源分配模式未来的挑战讨论可能的重大研究课题。
实时手机使用CNN模型濒危鹦鹉的分类基于传递学习中的应用
在众多的深度学习方法中，卷积神经网络(convolutional neural network, CNN)模型在图像识别方面表现优异。使用CNN识别和分类图像数据集的研究正在进行中。利用CNN对动物物种进行识别和分类，有望为各种应用提供帮助。然而，复杂的特征识别是对具有相似特征的准种进行分类的关键，例如，颜色相似度高的准种鹦鹉。本研究的目的是开发一个基于视觉的移动应用程序，使用基于转移学习的高级CNN模型(一些鹦鹉有非常相似的颜色和形状)对濒危鹦鹉物种进行分类。我们通过两种方式获取图像:直接从首尔大公园动物园收集图像，并使用谷歌搜索对它们进行爬行。随后，我们用transfer learning建立了高级的CNN模型，并使用数据对其进行训练。接下来，我们将一个完全训练好的模型转换为一个文件，以便在移动设备上执行，并创建Android包文件。测量了8个CNN模型的准确性。移动设备摄像头的整体精度为94.125%。 For certain species, the accuracy of recognition was 100%, with the required time of only 455 ms. Our approach helps to recognize the species in real time using the camera of the mobile device. Applications will be helpful for the prevention of smuggling of endangered species in the customs clearance area.
深度学习上计算，资源有限的平台：综述
如今，物联网（IOT）的互联网产生了大量的数据。物联网节点配备了智能传感器可以立即通过机器学习技术，从数据中提取有意义的知识。深度学习（DL）不断由于比传统的机器学习其戏剧性的优势有助于在智能传感显著的进展。宽范围的应用会将前景广阔的DL的在各种环境中无所不在的部署要求转发。其结果是，在移动或嵌入式平台执行DL是变的共同要求。然而，典型的DL应用可以很容易地排出，由于大量的乘法和累加（MAC）操作和存储器访问操作的嵌入式或移动设备。因此，这是一个具有挑战性的任务，以弥补深度学习和资源有限的平台之间的差距。我们总结了资源有限的深度学习的典型应用，并指出深度学习是普适计算的一个不可缺少的动力。随后，我们通过回顾基本概念，包括能力，概括和神经网络的反向传播探索DL的高计算开销的根本原因。通过这些概念的指导下，我们在调查研究的代表作品，以及三种类型的解决方案的原则：算法设计，计算优化和硬件革命。 In pursuant to these solutions, we identify challenges to be addressed.
