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

借鑒變色龍視覺的高度獨(dú)立性、對稱性、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。由于兩個相機(jī)的對稱性和參數(shù)可變性、可控性，這種方法相對于靜止加主動相機(jī)的主從跟蹤系統(tǒng)，可以增大監(jiān)控范圍；相對于多靜止加主動相機(jī)的系統(tǒng)，可減小硬件開銷；相對于全向加主動相機(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)對目標(biāo)的多尺度視覺關(guān)注。在室外場景中進(jìn)行的多組實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

P.H.Pathak,Wang Nan等人在研究典型問題幾何繞射理論之后,于1981年發(fā)表了任意導(dǎo)電凸曲面振子天線高頻電磁輻射一致性幾何繞射理論近似解。本文應(yīng)用并矢格林函數(shù)方法,通過典型曲面高頻電磁輻射一致性近似解的研究和推廣,導(dǎo)出了理想導(dǎo)電凸曲面上電、磁振子電磁輻射場在高頻近似下一致性幾何繞射理論近似解。與P.H.Pathak,Wang Nan等人的結(jié)果相比,主項(xiàng)并矢轉(zhuǎn)移函數(shù)除個別系數(shù)外完全相同,高階并矢轉(zhuǎn)移函數(shù)在幾何光學(xué)區(qū)略有差異。

群簽名允許群成員以匿名的方式代表整個群體對消息進(jìn)行簽名。而且,一旦發(fā)生爭議,群管理員可以識別出簽名者。該文對Posescu(2000)群簽名方案和Wang-Fu(2003)群簽名方案進(jìn)行了安全性分析,分別給出一種通用偽造攻擊方法,使得任何人可以對任意消息產(chǎn)生有效群簽名,而群權(quán)威無法追蹤到簽名偽造者。因此這兩個方案都是不安全的。

該文提出一組基于廣義局部沃爾什變換(GLWT)的紋理特征。首先給出局部沃爾什變換(LWT)的定義，并在空域中對其加以推廣，用以提取圖像的局部紋理信息；然后在一個宏窗口中估計(jì)12個GLWT系數(shù)的二階矩作為圖像的紋理特征。對這組紋理特征的鑒別性能進(jìn)行了分析，并與Haralick(1973)，Wang Li(1990)，以及Yu Hui提出的紋理特征進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，該文提出的紋理特征具有更好的鑒別性能和分類能力。

通過對Zhang-Liu-He (2006)，Gan-Chen (2004)和Wang-Zhang-Ma (2007)提出的可轉(zhuǎn)換環(huán)簽名方案進(jìn)行分析，指出了這幾個可轉(zhuǎn)換環(huán)簽名方案存在可轉(zhuǎn)換性攻擊或不可否認(rèn)性攻擊，即，環(huán)中的任何成員都能宣稱自己是實(shí)際簽名者或冒充別的成員進(jìn)行環(huán)簽名。為防范這兩種攻擊，對這幾個可轉(zhuǎn)換環(huán)簽名方案進(jìn)行了改進(jìn)，改進(jìn)后的方案滿足可轉(zhuǎn)換環(huán)簽名的安全性要求。

Wang Xiaoyun等(2005)給出了MD5能產(chǎn)生碰撞的一個充分條件集，并首次成功對MD5進(jìn)行了碰撞攻擊。Yuto Nakano等(2006)指出上述充分條件集中有16個條件是冗余的，并給出了其中14個條件冗余的原因。Liang Jie和Lai Xuejia(2005)指出Wang Xiaoyun等給出的充分條件集并非總能產(chǎn)生碰撞，并增加新的條件使之總能產(chǎn)生碰撞，同時提出了一個新的碰撞攻擊算法。本文證明了Yuto Nakano等給出的16個冗余條件中有兩個并不冗余，且Liang Jie和Lai Xuejia增加的新條件中有兩個是冗余的，指出Liang Jie和Lai Xuejia的碰撞攻擊算法在消息修改時忽視了被修改條件之間的制約性，因而未必總能產(chǎn)生碰撞，本文對此進(jìn)行了修正，給出新的充分條件集，并通過實(shí)驗(yàn)驗(yàn)證了該充分條件集總能產(chǎn)生碰撞。

SIMON系列算法自提出以來便受到了廣泛關(guān)注。積分分析方面，Wang，F(xiàn)u和Chu等人給出了SIMON32和SIMON48算法的積分分析，該文在已有的分析結(jié)果上，進(jìn)一步考慮了更長分組的SIMON64算法的積分分析?；赬iang等人找到的18輪積分區(qū)分器，該文先利用中間相遇技術(shù)和部分和技術(shù)給出了25輪SIMON64/128算法的積分分析，接著利用等價密鑰技術(shù)進(jìn)一步降低了攻擊過程中需要猜測的密鑰量，并給出了26輪SIMON64/128算法的積分分析。通過進(jìn)一步的分析，該文發(fā)現(xiàn)高版本的SIMON算法具有更好抵抗積分分析的能力。

目前基于標(biāo)簽的Grbner基算法大多是Buchberger型的，涉及矩陣型算法的文獻(xiàn)往往是為了進(jìn)行復(fù)雜度分析，而不考慮實(shí)際的效率。該文從實(shí)際應(yīng)用出發(fā)，給出矩陣型Gao-Volny-Wang(GVW)算法的一個實(shí)例，提出算法層次的優(yōu)化設(shè)計(jì)方法。同時，該文還給出一個高效的約化準(zhǔn)則。通過實(shí)驗(yàn)，該文比較了算法可用的各項(xiàng)準(zhǔn)則及策略。實(shí)驗(yàn)結(jié)果表明，該文的矩陣型GVW實(shí)例在準(zhǔn)則和策略的選取上是最優(yōu)的。并且，矩陣型GVW在某些多項(xiàng)式系統(tǒng)(例如，Cyclic系列和Katsura系列多項(xiàng)式系統(tǒng))下比Buchberger型GVW要快2~6倍。

針對目前深度學(xué)習(xí)單階段檢測算法綜合性能不平衡以及在嵌入式設(shè)備難以部署等問題，該文提出一種面向嵌入式平臺的高性能目標(biāo)檢測算法?；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)來替代原有的檢測頭，解決了物體尺度變化問題，在少量增加額外開銷情況下大幅提升檢測精度。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平臺上使用原模型和TensorRT加速模型進(jìn)行速度評估，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)檢測網(wǎng)絡(luò)，對嵌入式平臺更為友好，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題。提出的LRJS模型同時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求解目標(biāo)函數(shù)。在兩個圖像去噪問題(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)時表現(xiàn)更為出色。提出的LRJS圖像去噪算法的源代碼通過以下鏈接下載：https://pan.baidu.com/s/14bt6u94NBTZXxhWjBHxn6A?pwd=1234，提取碼：1234。