亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

復雜場景中的人群行為解析及其應用

隨著人口的不斷增長，行人聚集活動帶來的安全問題日益突出。面向大規模 人群的智能視頻監控受到各國學者的廣泛關注，成為預防突發性群體事件的關鍵 技術。利用計算機視覺與圖像處理技術對監控視頻中的人群行為進行解析，可以 及時發現場景中的潛在危險因素，有助于公共場所安全性的提升。因此，人群行 為解析成為智能視頻監控的一項熱門研究課題，被廣泛應用于公共安全保障中。

人群行為解析的根本任務是掌握人群的行為模式。在復雜、擁擠的場景中， 行人通常會呈現出有序的集體活動，形成群體，每個群體都具備特定的行為模 式。相比于個體行為，群體行為具有連續、穩定的特點，并包含了宏觀層面的語 義信息。因此，群體行為模式的識別與分析成為人群行為解析的主要研究內容， 涉及異常檢測和人群行為預測等多個研究方向。然而，大規模人群的復雜性為群 體行為的研究帶來了諸多挑戰：1. 流形結構難把握。由于個體間的密切交互，人 群中往往存在流形結構，屬于同一群體的個體可能在行為表現上存在較大差異；2. 研究對象難提取。由于場景中存在嚴重的遮擋，個體的準確提取非常困難。已 有方法通常將運動特征點或粒子作為研究對象，但這些特征點和粒子過于局部化， 運動信息不穩定，在某些場景中難以準確反映個體的運動情況；3. 行為特征難挖 掘。在大規模場景中，個體分布非常密集，計算機視覺中常用的顏色、形狀等特 征難以利用，導致難以挖掘群體的行為特征。

圍繞上述難點，本文對復雜場景中的人群行為解析問題進行了深入研究，以 群體行為的識別與分析為研究重點，提出了一系列新方法，主要包括：

1. 為挖掘場景中的流形結構，提出了基于錨點的人群行為解析方法。在人群 場景中，群體中往往包含一些代表性個體，其行為可大致反應所在群體的行為模 式。受此現象啟發，該方法提出了交互度的概念，將與周圍特征點交互頻繁的點 作為錨點，每個錨點對應一個類別。進而，利用流形排序方法，計算特征點在拓 撲結構上的關系，并根據與錨點的拓撲關系，對每個特征點分配群體類別，得到 子群體。最后，提出了連續性合并策略，將在空間、運動方向上表現出連續性的 子群體進行合并，得到最終群體。該方法充分挖掘了特征點在結構層面的拓撲關 系，能夠在結構復雜的人群中準確識別群體行為。

2. 為減輕研究對象局部化問題，提出了基于圖像塊主題的人群行為解析方 法。區別于直接將特征點作為研究對象的工作，該方法對人群圖像進行分割，以 圖像塊為單位研究特征點運動規律，并提出圖像塊描述子，以獲得人群運動的結 構上下文表征。進而，為深入挖掘人群中的潛在行為模式，該方法利用隱狄利克 雷分布模型對圖像塊的語義主題進行推理，找出共享同一主題的圖像塊。同時， 該方法將局部一致性引入隱狄利克雷分布模型中，以挖掘圖像塊的空間關聯線 索。最后，利用類內距離評價標準，自動確定最優的群體數目，并完成群體行為 的識別。該方法通過學習圖像塊的語義主題，在避免研究對象局部化的同時有效 挖掘了群體行為所包含的語義信息。

3. 為處理場景屬性與拍攝視角多樣化的人群視頻，同時減輕研究對象局部化問題，提出了基于多視角聚類的無參數人群行為解析方法。該方法提出了基于鄰 近點運動方向分布的結構上下文描述子，從宏觀層面理解人群行為。所提描述子 對軌跡抖動不敏感，且能夠反映特征點的結構信息。為結合特征點在運動方向和 結構上的關聯信息，提出了權重自適應的多視角聚類算法，對不同視角的相似圖 進行融合，自適應地學習最優相似圖，并得到初步的子群體。考慮到不同子群體 間可能存在較高的關聯，提出了基于緊密度的子群體融合方法，對相似子群體進 行合并。該方法不涉及任何參數，因此適用于密度、結構分布多樣化的人群場景。

4. 為充分挖掘人群行為特征，提出了基于圖像塊多視角聚類的人群行為解析 方法。為充分挖掘人群行為特征，該方法分別從交互關系、空間位置、運動方向 分布和運動規律等四個視角比較圖像塊中特征點的運動相似度。為結合不同視角 的信息，提出了一種基于相似圖多樣性的多視角聚類方法，在多視角學習過程中 引入圖多樣性正則項，強調了不同視角的互補性，并自動地學習不同視角的權重， 得到子群體。最后，提出了基于運動方向和中心位置的子群體合并方法，將被劃 分入不同子群體的相似圖像塊進行合并，得到最終群體。該方法提出了多種人群 行為表征方法，并對圖像塊進行多視角聚類，有效緩解了研究行為特征利用不充 分和對象局部化的問題。

摘要： 隨著深度學習技術的快速發展，許多研究者嘗試利用深度學習來解決文本分類問題，特別在卷積神 經網絡和循環神經網絡方面，出現了許多新穎且富有成效的分類方法。本文對基于深度神經網絡的文本分類問題進行分析。分類介紹基于深度學習的文本分類方法，研究卷積神經網絡、循環神經網絡、注意力機 制等方法在文本分類中的應用和發展，分析不同深度學習文本分類方法的特點和性能，從準確率和運行時 間方面對基礎網絡結構進行比較。已有研究和本文實驗結果表明，深度神經網絡方法的分類性能超過了傳 統的機器學習方法，卷積神經網絡具有良好的分類性能。分析當前深度文本分類模型的不足，并對未來的 研究方向進行展望。

//www.ecice06.com/CN/10.19678/j.issn.1000-3428.0059099

文本分類技術經歷了從專家系統到機器學習再到深度學習的發展過程。上世紀 80 年代 以前，基于規則系統的文本分類方法需要領域專家定義一系列分類規則，通過規則匹配判斷 文本類別。基于規則的分類方法容易理解，但該方法依賴專家知識，構建成本高，系統可移 植性差。到上世紀 90 年代，機器學習技術逐漸走向成熟，出現了許多經典的文本分類算法， 如決策樹[1]、樸素貝葉斯[2]、支持向量機[3]、最大熵[4]、最近鄰方法[5]等，這些方法部分克服 了前述缺點，一定程度上實現了分類器的自動生成，被廣泛應用的各個領域，但其缺點是在 構建分類器之前，通常需要繁雜的人工特征工程。2012 年開始，深度學習算法引起了越來 越多人的關注，深度學習為機器學習建模提供了一種直接端到端的解決方案，避免了復雜的 特征工程。Golve[6]和 word2vec[7]等詞向量模型的提出，為深度學習算法應用到文本處理領域 上鋪平了道路，隨后出現了各種基于深度神經網絡的文本分類方法，這些方法主要采用了卷 積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural networks， RNN）、注意力機制（attention mechanism）等深度學習技術，并且取得了比傳統方法更為 出色的性能。近年來，圖卷積網絡（graph convolutional network，GCN）、區域嵌入（region embedding）、元學習（meta-learning）等一些新的深度學習方法也被應用到文本分類領域。本文對基于深度神經網絡的文本分類技術進行了介紹和分析，將詳細介紹卷積神經網 絡、循環神經網絡、組合模型、注意力機制等方法在文本分類中的應用和發展，分析各類方 法的特點以及之間的區別，對不同方法的性能表現和適用場景進行分析比較，討論在應用深度學習方法處理文本分類任務時應當注意的問題，最后指出未來的研究方向。

摘要： 網絡是一系列節點和邊的集合,通常表示成一個包含節點和邊的圖。許多復雜系統都以網絡的形式來表示,如社交網絡、生物網絡和信息網絡。為了使網絡數據的處理變得簡單有效,針對網絡中節點的表示學習成為了近年來的研究熱點。網絡表示學習旨在為網絡中的每個節點學習一個低維稠密的表示向量,進而可將得到的向量表示運用到常見的網絡分析任務中,如節點聚類、節點分類和鏈路預測等。然而,絕大多數真實網絡節點都有豐富的屬性信息,如社交網絡中的用戶資料和引文網絡中的文本內容。網絡的屬性信息對網絡表示具有重要的作用,當網絡高度稀疏時,網絡的屬性信息是網絡表示重要的輔助信息,有助于更好地學習網絡表示。傳統的鄰接矩陣僅僅表示了邊的信息,而無法加入節點的屬性信息。因此,網絡表示不僅要保存網絡的結構信息,還要保存網絡的屬性信息。此外,大多數真實世界網絡都是動態變化的,這種變化包括網絡節點的增加和減少,以及網絡邊的新建和消失。同時,與網絡結構變化相似,網絡中的屬性也會隨著時間的推移發生變化。隨著機器學習技術的發展,針對網絡表示學習問題的研究成果層出不窮,文中將針對近年來的網絡表示學習方法進行系統性的介紹和總結。

//www.jsjkx.com/CN/10.11896/jsjkx.190300004