为了解决重复局面导致时间资源和硬件资源的浪费问题,以中国象棋为研究对象,提出了一种构建计算机象棋(执红棋和执黑棋)博弈知识库的方法,知识库自动记录每次计算机"思考"时经过Alpha-Beta算法和历史启发算法搜索到的最佳走...为了解决重复局面导致时间资源和硬件资源的浪费问题,以中国象棋为研究对象,提出了一种构建计算机象棋(执红棋和执黑棋)博弈知识库的方法,知识库自动记录每次计算机"思考"时经过Alpha-Beta算法和历史启发算法搜索到的最佳走法和当前棋盘局面,下一次遇到相同局面时,直接检索知识库获取最佳对弈走法;使用Zobrist哈希技术中的一个哈希值来唯一标识一个棋盘局面,以减少知识库检索时造成的时间消耗;针对开局就使用Alpha-Beta算法搜索意义不大的问题,引入了多种专家开局走法。在Visual Studio C++环境下对时间消耗进行对比实验,结果证明了所提出知识库的有效性。展开更多
为了提高人体尺寸预测的效率和准确性,该文提出了GBWO-ENN(Grey Black Wolf Optimization-Elman Neural Network)的方法。针对传统灰狼算法易于陷入局部最优和无法平衡全局与局部搜索的平衡性问题,提出了GBWO算法。该算法融合黑寡妇优...为了提高人体尺寸预测的效率和准确性,该文提出了GBWO-ENN(Grey Black Wolf Optimization-Elman Neural Network)的方法。针对传统灰狼算法易于陷入局部最优和无法平衡全局与局部搜索的平衡性问题,提出了GBWO算法。该算法融合黑寡妇优化算法中蜘蛛的运动方式对灰狼优化算法中α狼位置更新进行了优化,通过非线性递减的方法降低了收敛系数,并且提出了按位置等级更新种群的策略。随后采用GBWO算法对Elman神经网络的权值和阈值进行优化,并将GBWO-ENN模型应用于三维人体尺寸预测。实验结果表明,GBWO-ENN模型结构简单,能够准确预测人体尺寸,具有较好的预测能力。展开更多
针对在基于深度学习技术的特征提取网络中,深层次的卷积神经网络提取的特征缺乏低级语义信息的问题,该文提出了语义增强的多视立体视觉方法。首先,提出了一种ConvLSTM(Convolutional Long Short-Term Memory)语义聚合网络,通过使用ConvL...针对在基于深度学习技术的特征提取网络中,深层次的卷积神经网络提取的特征缺乏低级语义信息的问题,该文提出了语义增强的多视立体视觉方法。首先,提出了一种ConvLSTM(Convolutional Long Short-Term Memory)语义聚合网络,通过使用ConvLSTM网络结构,对多个卷积层提取的特征图进行预测,得到融合每层语义信息的特征图,有助于在空间上层层抽取图像的高级特征时,利用长短期记忆神经网络结构的记忆功能来增强高层特征图中的低级语义信息,提高了弱纹理区域的重建效果,提高了3D重建的鲁棒性和完整性;其次,提出了一种可见性网络,在灰度图的基础上,通过突出特征图上可见区域的特征,加深了可见区域在特征图中的影响,有助于提高三维重建效果;最后,提取图像的纹理信息,并进入ConvLSTM语义聚合网络提取深层次特征,提高了弱纹理区域的重建效果。与主流的多视立体视觉重建方法相比,重建效果较好。展开更多
文摘为了解决重复局面导致时间资源和硬件资源的浪费问题,以中国象棋为研究对象,提出了一种构建计算机象棋(执红棋和执黑棋)博弈知识库的方法,知识库自动记录每次计算机"思考"时经过Alpha-Beta算法和历史启发算法搜索到的最佳走法和当前棋盘局面,下一次遇到相同局面时,直接检索知识库获取最佳对弈走法;使用Zobrist哈希技术中的一个哈希值来唯一标识一个棋盘局面,以减少知识库检索时造成的时间消耗;针对开局就使用Alpha-Beta算法搜索意义不大的问题,引入了多种专家开局走法。在Visual Studio C++环境下对时间消耗进行对比实验,结果证明了所提出知识库的有效性。
文摘为了提高人体尺寸预测的效率和准确性,该文提出了GBWO-ENN(Grey Black Wolf Optimization-Elman Neural Network)的方法。针对传统灰狼算法易于陷入局部最优和无法平衡全局与局部搜索的平衡性问题,提出了GBWO算法。该算法融合黑寡妇优化算法中蜘蛛的运动方式对灰狼优化算法中α狼位置更新进行了优化,通过非线性递减的方法降低了收敛系数,并且提出了按位置等级更新种群的策略。随后采用GBWO算法对Elman神经网络的权值和阈值进行优化,并将GBWO-ENN模型应用于三维人体尺寸预测。实验结果表明,GBWO-ENN模型结构简单,能够准确预测人体尺寸,具有较好的预测能力。
文摘针对在基于深度学习技术的特征提取网络中,深层次的卷积神经网络提取的特征缺乏低级语义信息的问题,该文提出了语义增强的多视立体视觉方法。首先,提出了一种ConvLSTM(Convolutional Long Short-Term Memory)语义聚合网络,通过使用ConvLSTM网络结构,对多个卷积层提取的特征图进行预测,得到融合每层语义信息的特征图,有助于在空间上层层抽取图像的高级特征时,利用长短期记忆神经网络结构的记忆功能来增强高层特征图中的低级语义信息,提高了弱纹理区域的重建效果,提高了3D重建的鲁棒性和完整性;其次,提出了一种可见性网络,在灰度图的基础上,通过突出特征图上可见区域的特征,加深了可见区域在特征图中的影响,有助于提高三维重建效果;最后,提取图像的纹理信息,并进入ConvLSTM语义聚合网络提取深层次特征,提高了弱纹理区域的重建效果。与主流的多视立体视觉重建方法相比,重建效果较好。
