一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

微支付交易具有交易量極大且單次交易額極小的特點(diǎn)，使得復(fù)雜的認(rèn)證協(xié)議不適用于微支付。Micali等人(2002)提出的基于概率選擇微支付方案，把微支付聚合成宏支付，大幅提高了微支付的效率。Liu-Yan在(2013)提出了保證所有參與者的數(shù)據(jù)融入概率選擇結(jié)果的生成, 而且使得所有參與者可以驗(yàn)證結(jié)果的公平性。然而，Liu-Yan方案中銀行可能獲得額外利益，從而破壞了協(xié)議的公平性。該文首先分析了Liu-Yan方案的安全威脅，并且以1個(gè)用戶-1個(gè)商家的模型代替Liu-Yan方案中大量用戶-1個(gè)商家的模型，以數(shù)據(jù)承諾技術(shù)為基礎(chǔ)保障結(jié)果的公平性與可驗(yàn)證性。

設(shè)C是虧格為g的不可約代數(shù)曲線;C*(D,G)為C上的代數(shù)幾何碼,該碼的設(shè)計(jì)距離為d*=deg(G)-2g+2。本文首先從理論上證明所給算法的合理性,然后給出一種基于基本累次算法(FIA)的譯碼算法。該算法是G.L.Feng等人(1993)提出的算法的改進(jìn)。它可對(duì)[(d*-1)/2]個(gè)錯(cuò)誤的接收向量進(jìn)行譯碼。運(yùn)算量與存貯量約為G.L.Feng等人算法的一半,且便于軟硬件實(shí)現(xiàn)。

在當(dāng)前統(tǒng)計(jì)模型的基礎(chǔ)上，結(jié)合實(shí)時(shí)輸入估計(jì)算法(Feng xinxi等，1996)的思想，提出了一種新的機(jī)動(dòng)目標(biāo)模型，并利用其方差調(diào)整關(guān)系建立了自適應(yīng)跟蹤算法。大量仿真結(jié)果表明該模型能夠準(zhǔn)確描述目標(biāo)的各種機(jī)動(dòng)情況，跟蹤算法具有良好的跟蹤性能，具有實(shí)際應(yīng)用價(jià)值。

借鑒變色龍視覺(jué)的高度獨(dú)立性、對(duì)稱性、全局性與選擇性兼顧等特點(diǎn)，該文提出一種基于雙PTZ (Pan-Tilt-Zoom)相機(jī)的主從跟蹤方法。由于兩個(gè)相機(jī)的對(duì)稱性和參數(shù)可變性、可控性，這種方法相對(duì)于靜止加主動(dòng)相機(jī)的主從跟蹤系統(tǒng)，可以增大監(jiān)控范圍；相對(duì)于多靜止加主動(dòng)相機(jī)的系統(tǒng)，可減小硬件開(kāi)銷；相對(duì)于全向加主動(dòng)相機(jī)的系統(tǒng)，更有利于信息融合。該文設(shè)計(jì)了基于球面坐標(biāo)模型的主從控制方法，可方便實(shí)現(xiàn)兩相機(jī)在任意pan-tilt-zoom參數(shù)下的主從模式跟蹤，實(shí)現(xiàn)對(duì)目標(biāo)的多尺度視覺(jué)關(guān)注。在室外場(chǎng)景中進(jìn)行的多組實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

針對(duì)目前深度學(xué)習(xí)單階段檢測(cè)算法綜合性能不平衡以及在嵌入式設(shè)備難以部署等問(wèn)題，該文提出一種面向嵌入式平臺(tái)的高性能目標(biāo)檢測(cè)算法?；谥豢?次5代 (YOLOv5)網(wǎng)絡(luò)，改進(jìn)算法首先在主干網(wǎng)絡(luò)部分采用設(shè)計(jì)的空間頸塊代替原有的焦點(diǎn)模塊，結(jié)合改進(jìn)的混洗網(wǎng)絡(luò)2代替換原有的跨級(jí)局部暗網(wǎng)絡(luò)，減小空間金字塔池化 (SPP)的內(nèi)核尺寸，實(shí)現(xiàn)了主干網(wǎng)絡(luò)的輕量化。其次，頸部采用了基于路徑聚合網(wǎng)絡(luò) (PAN)設(shè)計(jì)的增強(qiáng)型路徑聚合網(wǎng)絡(luò) (EPAN)，增加了P6大目標(biāo)輸出層，提高了網(wǎng)絡(luò)的特征提取能力。然后，檢測(cè)頭部分采用以自適應(yīng)空間特征融合 (ASFF)為基礎(chǔ)設(shè)計(jì)的自適應(yīng)空洞空間特征融合 (A-ASFF)來(lái)替代原有的檢測(cè)頭，解決了物體尺度變化問(wèn)題，在少量增加額外開(kāi)銷情況下大幅提升檢測(cè)精度。最后，函數(shù)部分采用高效交并比 (EIoU)代替完整交并比 (CIoU)損失函數(shù)，采用S型加權(quán)線性單元 (SiLU)代替HardSwish激活函數(shù)，提升了模型的綜合性能。實(shí)驗(yàn)結(jié)果表明，與YOLOv5-S相比，該文提出的同版本算法在mAP@.5，mAP@.5:.95上分別提高了4.6%和6.3%，參數(shù)量降低了43.5%，計(jì)算復(fù)雜度降低了12.0%，在Jetson Nano平臺(tái)上使用原模型和TensorRT加速模型進(jìn)行速度評(píng)估，分別減少了8.1%和9.8%的推理延遲。該文所提算法的綜合指標(biāo)超越了眾多優(yōu)秀的目標(biāo)檢測(cè)網(wǎng)絡(luò)，對(duì)嵌入式平臺(tái)更為友好，具有實(shí)際應(yīng)用意義。

非局部稀疏表示模型，如聯(lián)合稀疏(JS)模型、低秩(LR)模型和組稀疏表示(GSR)模型，通過(guò)有效利用圖像的非局部自相似(NSS)屬性，在圖像去噪研究中展現(xiàn)出巨大的潛力。流行的基于字典的JS算法在其目標(biāo)函數(shù)中利用松馳的凸懲罰，避免了NP-hard稀疏編碼，但只能得到近似的稀疏表示。這種近似的JS模型未能對(duì)潛在的圖像數(shù)據(jù)施加低秩性，從而導(dǎo)致圖像去噪質(zhì)量降低。該文提出一種新穎的低秩正則聯(lián)合稀疏(LRJS)模型，用于求解圖像去噪問(wèn)題。提出的LRJS模型同時(shí)利用非局部相似塊的LR和JS先驗(yàn)信息，可以增強(qiáng)非局部相似塊之間的相關(guān)性(即低秩性)，從而可以更好地抑制噪聲，提升去噪圖像的質(zhì)量。為了提高優(yōu)化過(guò)程的可處理性和魯棒性，該文設(shè)計(jì)了一種具有自適應(yīng)參數(shù)調(diào)整策略的交替最小化算法來(lái)求解目標(biāo)函數(shù)。在兩個(gè)圖像去噪問(wèn)題(包括高斯噪聲去除和泊松去噪)上的實(shí)驗(yàn)結(jié)果表明，提出的LRJS方法在客觀度量和視覺(jué)感知上均優(yōu)于許多現(xiàn)有的流行或先進(jìn)的圖像去噪算法，特別是在處理具有高度自相似性的圖像數(shù)據(jù)時(shí)表現(xiàn)更為出色。提出的LRJS圖像去噪算法的源代碼通過(guò)以下鏈接下載：https://pan.baidu.com/s/14bt6u94NBTZXxhWjBHxn6A?pwd=1234，提取碼：1234。