关键词： 早期行为预测   生成对抗网络   数据处理   半序列模型   模型部署  

摘要： 人体早期行为预测任务通过观察部分人体动作序列来预测动作类别,因其在视频监控、服务机器人等领域具有广泛应用前景,相关的研究逐渐成为计算机视觉领域的热点之一。目前早期行为预测任务仍然存在一些挑战,如某些行为早期执行部分的相似性和难以区分、模型对数据变化的敏感性以及模型运行效率的提高等。本文基于骨架数据对早期行为预测展开研究,对用于早期行为预测的生成对抗结构、骨架序列的数据处理进行深入探索,为加快模型的推理速度提出并设计了半序列模型,最后对模型进行跨平台的部署。 首先,针对相似样本难以预测的问题,设计了一个新的生成对抗学习模型用于早期行为预测任务。特征样本由特征编码器生成,然后输入到类别判别器进行判别。困难样本经过对抗性生成结构生成潜在特征,鉴别器通过潜在样本再次进行学习。该方法通过对抗性生成结构生成具有细微差异的特征,增强对困难样本的判别能力。 其次,针对早期行为预测对数据敏感的问题,提出了一种新的早期行为预测数据处理方法,称为3D骨骼数据归一化和随机观测比率(3D Skeleton Data Normalization and Random Observation Ratio,3DSDN-ROR)。3DSDN数据预处理生成归一化的骨骼数据,提高预测准确性。ROR数据处理能使非序列模型能够在进行一次训练后适应不同观察比的数据。此外,ROR数据处理允许模型学习样本的全局潜在特征,从而提高了对低观察比的样本的预测准确性。 再次,为了提高模型的运行效率,创新性地提出半序列模型的概念。以往工作都是单独使用序列模型或非序列模型,本文创新性地将两者进行结合,平衡早期行为预测模型的准确度与运行效率。半序列模型的涉及多方面的探索,如数据采样距离、序列模型选择和平衡的网络结构设计等。 最后,本文设计了模型跨设备部署的解决方案。该方案利用FFMPEG软件进行数据流传输,解决了不同平台设备上的兼容性问题;同时采用Tensor RT框架进行模型性能优化,充分利用底层硬件资源。模型的跨平台部署时模型运行有更充分的计算资源,通过实验对比分析,验证了部署模型在处理速度和性能方面的优势。

关键词： 科学工作流   地球系统模式   遥感影像   回归、分类与分割问题   域适应  

摘要： 科学计算的核心价值在于运用前沿计算技术来破解错综复杂的科学难题,从而推进知识的深化与技术革新。在地球科学领域,研究者利用高性能计算技术模拟和分析各种自然现象和地球系统过程,其产生的科学数据量也不断增加。如何高效而灵活地利用这些大规模科学数据,以获取有价值的信息,是一个具有现实意义且富有挑战性的课题。针对地球科学大数据分析与处理的应用需求,本文基于科学工作流的思想,结合本文作者在国家超级计算中心的科研工作实际,针对地球科学数据处理中面临的现实问题展开了以下研究: 首先,从科学计算的实际场景出发,本文在第2章中探讨了当前场景中实际存在的问题,并针对超算服务设计了一套更灵活的工作流系统解决方案——GEO-WMS。这一方案采用了一种结构化的方法来描述工作流,并为科学工作流配备了更为友好的交互逻辑。同时,通过高效地复用历史工作流及其数据,实现了计算资源的节约。测试周期内的统计结果与用户反馈均表明,本文所提出的工作流管理系统能够有效地节省研究者的操作时间与精力,同时降低计算成本。该系统具备易用性、统一性、规范性和可扩展性等多重优势,显著提高了计算资源的利用率,并具有重要的示范意义。 随后,本文依托科学工作流的理念,针对回归、分类、分割这三大典型交叉学科应用场景,结合实际设计了相应的科学工作流程。在回归问题的框架下,第3章对单柱大气模式(Single Column Atmosphere Model,简称SCAM)展开了大规模的参数分析与调优探索。本章提出了一种新的混合框架,该框架融合了大规模执行与基于学习的代理模型,旨在支持大规模敏感性分析及多参数组合的精细调优。本章聚焦于SCAM中参数化方案的11个关键参数,通过有效利用采样过程中生成的实例数据,训练出了一个高效的基于学习的代理模型。该模型在保持高精度的同时,能够以更低的计算成本实现了更优的优化效果。借助这一科学工作流,针对三参数组合深入探索了参数组合在不同情境下的联合敏感性,成功进一步降低了降水误差,彰显了科学工作流在提升数值模式模拟准确性方面的显著优势。 在地球科学研究中,遥感图像数据是卫星观测数据的一个典型代表。因此,在运用回归思想为地球系统模式构建代理模型以加速优化的基础上,第4章又根据分类思想,深入探索了遥感数据处理这一地球科学领域在计算机上的另一重要应用场景。域适应(Domain Adaptation,简称DA)方法在遥感领域具有广泛应用,其优势在于无需在目标领域添加人工解读,因此特别适用于跨区域、多时相和多传感器的应用场景。为更好地应对遥感领域中的域适应挑战,本章依托科学工作流的理念,在优化与整合损失函数的同时,提出了一种新的通用数据处理方法C3DA专门用于遥感场景的分类。该方法通过融合样本的置信度、一致性和确定性,使网络训练更高效,并在通用的DA场景下获得更高的分类性能。在基于3个经典数据集构建的6个迁移学习任务上,相对现有方法有着明显的性能提升。这一方法在不需要任何关于标签集的先验知识的情况下,可以更好地解决更加通用和实际的数据分析问题。 接下来,在上一章工作的基础上,第5章对主动学习应用于遥感影像语义分割中的域适应场景展开了更为深入的探讨。本章提出了一种新的方法,将同时考虑到区域感知要素的主动选择策略引入到遥感领域中。同样基于科学工作流的思想,本章提出了融合了一致性与确定性的区域感知主动域适应RC2ADA,通过保持源图像中每个像素与其最近邻的局部预测一致性,同时结合标准监督损失和负学习损失,使特征更具有区分性。在实验部分,本章在两个典型的遥感图像数据集上设计了4组迁移学习实验,并验证了所提方法在实验中的有效性。在上述任务的表现中,提出的方法显著优于现有方法,并缩小了与全监督方法之间的差距。结果表明,该方法使用非常少的注释数据就可达到出色性能,为促进遥感影像分析的发展提供了具有现实价值的启示。 本文研究了基于科学工作流的地球科学数据处理方法,以大气数值模拟与遥感影像分析两种典型应用作为研究对象,通过解决回归、分类与分割这三类经典问题,展示了从科学计算任务的管理走向数据处理与分析、再到更高阶应用的发展路线。本文的方法可以在主流的地球系统科学研究场景中表现出良好的性能,且可做到与实践紧密耦合,进而提高科研工作效率。

关键词： 糖尿病诊断   电子鼻系统   气体传感器阵列   数据处理   特征选择   集成学习  

摘要： 近年来,糖尿病发病率逐年升高且传统血糖检测方法由于其侵入性给患者带来的痛苦和不便。因此本研究利用气体传感器阵列技术和模式识别方法,开发了一种电子鼻系统,旨在通过分析人体呼气和尿液中挥发性有机化合物(VOCs)来无创、便捷地筛选和监测糖尿病患者。本论文的具体研究内容如下: 1.确定了糖尿病患者浓度异常的挥发性化合物包括丙酮、氨、乙醇、二甲基二硫化物和甲苯等。依据上述特定的代谢气体成分与气体传感器特性确定了传感器选择标准,选用了12种气体传感器组成了气体传感器阵列,并设计了相应数据处理与控制电路。最后,论证了三种气体采集方案,选择了动态置顶空采样法并设计了本电子鼻系统的气路结构。为后续电子鼻系统软件设计和数据分析提供了可靠的硬件采集平台。 2.为确保电子鼻系统有效地获取、处理和传输采集数据,本研究采用Free RTOS实时操作系统开发了数据采集和处理软件。使用My SQL数据库设计了实验数据表和被试人员信息表,分别用于存储实验数据和被试人员信息。利用Py Qt5设计了上位机软件界面,实现了用户与电子鼻系统的交互功能。最后,设计了基于人体代谢气体的采集实验,并通过筛选标准将受试者分为糖尿病患者组和健康对照组,共采集了209组样本数据。 3.针对电子鼻系统的数据特性,本研究建立了一套完整的数据处理流程,包括预处理、特征生成和特征选择。在数据预处理方面,对原始数据进行了滤波、基线校准和归一化操作。在特征生成方面,基于原始响应曲线的响应和变换的方法,共生成了120个特征。在特征选择方面,采用了Wrapper、Filter和Embedded三类方法,设计了基于互信息量、SVM-REF和XGBoost的特征选择策略进行对比研究,最终采用基于XGBoost的特征选择方法,形成了一组16维的特征向量。 4.论证了适用于本电子鼻系统数据的多种模式识别算法,包括支持向量机、决策树、线性判别分析等,以及设计了基于bagging、加权投票和Boosting的集成学习模型。其中,改进的加权投票的集成分类方法最优,其分类准确率为90.5%。 本研究展现了电子鼻系统在糖尿病早期诊断和长期监测方面的潜力。通过进一步优化,该系统有望成为糖尿病管理的重要工具。

关键词： 以数治税   税务数据处理权   征税效率   纳税人信息利益   法律规制  

摘要： 当下,互联网技术迅速发展,人们的生活方式随之发生剧变,经济模式也呈新样式,再加上新冠肺炎疫情的影响,人们对于线上服务的需求在激增,这对传统的税收模式产生了冲击。数字技术的发展,驱动了经济的数字化,也推动了税收征管模式的改变。基于时代的发展需要,我国税务机关积极落实党中央、国务院有关文件精神,加快了税务数字化的步伐,充分发挥数字技术的优势,逐步建立了“以数治税”的税收新征管模式,使得税收征管在税收数字化、税收精确化、税收服务化、税收效率和税收安全等方面都显著提高,为税收现代化提供了强有力的支撑。 然而,税务机关积极引入数字技术的同时,也伴随着税务数据处理权的扩张。作为查清应税事实的前提,税务数据的准确性极为重要,因此税务数据处理权是存在正当性基础的。但在“以数治税”背景下,虽然税务数据处理极大地提高了税收征管的效率,但是技术的进步也使得税务数据处理权呈现扩张趋势,并产生了危害纳税人信息利益的风险。 再加上税务数据处理权的法律规制存在的一定的不足,无法应对“以数治税”背景下税务数据处理权的逐步扩张。首先,税务数据处理权在实体内容上存在缺失,其权力的边界范围并不清晰,易导致税务机关从自身利益角度出发尽可能地扩大数据的采集范围,同时税务数据处理中信息的同质化严重,利益分配也存在着失衡;其次,税务数据处理权的行使程序存在缺失,缺少对纳税人信息数据处理的告知程序,易引发纳税人信息利益的担忧;最后,税务数据处理权缺乏有效的约束机制,既没有独立的监督机关来对数据处理行为进行有效的监督,也没有较为完善的责任追究机制来弥补税务数据处理权所产生的损害。 因此,在充分分析美德两国在数字化下税务数据处理的法律规制手段后,从中汲取了一些先进的经验。故聚焦于数字时代背景的特点和税收治理的难点,以维持征税效率和纳税人信息利益的平衡为目标,并立足于我国具体国情,总结出具有针对性和有效性的完善建议:一是要改进税务数据处理权的实体内容,既要明确税务机关的税务数据处理权的界限范围,又要建立一体分层次的税务数据处理体系,还要调整相关主体在税务数据处理过程中的利益分配。二是要完善税务数据处理权的程序来限制税务数据处理权的无序扩张,落实告知程序,规范数据的印证程序,还要完善数据的公开程序,让纳税人能够对自己信息的去向有一个清晰的认知。三是要充实税务数据处理权的约束机制,一方面要强化对税务数据处理行为的监督,构建完善的内外监督体系,促进税务机关依法高效行使权力,以实现我国税务数据处理体系的法治化;另一方面要完善责任追究机制,拓宽追责途径,落实责任追究,以此构建维护纳税人信息合法权益的保障体系。除此之外要将相关制度落实于法律规范,使法律规范能够与数字时代相适应,让税务数据处理权在法治轨道上有序发展,进而兼顾税收效率的提高和纳税人信息利益的保全。

关键词： 伽马暴   高红移宇宙学   MCMC算法  

摘要： 伽玛射线暴（GRB）是来自宇宙学空间的高能γ射线在短时间内的强烈爆发现象。GRB高红移分布和巨大能量爆发的特点使其可以成为观测宇宙学研究和高红移探测的有力工具。在早期的宇宙学研究中,Ia型超新星（SNe Ia）通常被作为标准烛光来测量天体距离。随着宇宙学的不断发展,为了观测到更遥远的天体,人们对更大红移现象的探测需求与日俱增。而目前能够观测到的GRB最大红移已经超过z～9,远超过Ia型超新星可以观测的红移范围（z～2.3）。因此,GRB作为宇宙学研究中新的“标准烛光”,可以作为距离指示器。然而,其存在低红移GRB样本（z<0.1）较少,且光度关系的定标较为困难的问题。在早期,由于GRB Hubble图是通过假设特定宇宙学模型（如∧CDM模型）定标得到,故再将其运用到宇宙学中容易出现循环问题。因此,GRB观测数据在宇宙学应用中存在明显的逻辑困难,而这使得运用模型无关的方法,来定标GRB的光度关系也成为研究了的重点所在。 近年来,在GRB光度关系的研究中发现,改进和提高统计方法以及采用同时拟合方法,同时拟合GRB光度关系和宇宙学参数,虽可以使得循环问题得到一定程度的缓解,但依旧无法从根本上避免。针对这个问题,本文使用与宇宙学模型无关的方法,对GRB等天文观测数据进行与分析和处理,再使用MCMC算法,即马尔可夫链蒙特卡罗（Markov Chain Monte Carlo,MCMC）算法,去限制宇宙学模型参数,研究过程与其成果如下: 利用最新的221个伽马射线暴样本,其中包括49个来自Fermi目录的GRBs,将这些GRB数据分成多个红移范围,通过Ia型超新星Pantheon+样本使用高斯过程,定标其Amati关系（Ep-Eiso关系）。画出其哈勃图,然后通过MCMC算法,使用GRB单独限制宇宙学模型和将GRB数据与最新的哈勃数据联合限制宇宙学模型。最后利用182个红移在0.8≤z≤8.2的GRBs和最新的哈勃观测数据（OHD）,得到ΛCDM模型的约束结果为Ωm=3.48-0.066+0.048和h=0.68-0.029+0.029,和wCDM模型的约束结果为Ωm=3.18-0.059+0.067,h=0.704-0.068+0.055和w=-1.21-0.67+0.32。这些结果与同时拟合Amati关系系数和宇宙学参数的结果一致。

关键词： 非结构环境   深度修复   实例分割   点云处理   位姿估计  

摘要： 近年来,国家大力推动产业结构调整,聚焦智能技术的创新突破,助力中国制造迈向中国“智”造。在我国劳动人口不断减少的背景下,“机器代人”工程能够帮助企业降低人力成本,提升生产效率,大量工业机器人被应用在各个领域。对于典型的机器人分拣系统来说,非结构环境下物体种类的多样性和散乱的堆放方式增加了系统识别定位的难度,针对这些问题,本文研究面向多目标分拣任务的RGBD(RGB彩色图像和Depth深度图像,RGBD)数据处理方法,采用深度相机获取场景RGBD数据,通过深度学习技术对目标进行实例分割,根据相机内参重建目标三维信息,基于点云滤波、点云平面提取和最小包围盒等算法对物体点云进行六维位姿估计,并搭建实验平台验证系统算法。本文的具体内容如下: (1)针对原始深度图像数据缺失导致的目标识别与定位准确率低等问题,提出了一种基于不确定性度量的深度修复策略。研究相机模型理论,实现彩色图和深度图的像素级对齐。根据无效点邻域的局部深度信息进行不确定性评估以优化填充优先级,借助色彩和梯度线索预测缺失的深度值,实验证明提出的算法具有良好的修复效果。通过多线程技术设计实现算法的加速版本,提升了处理效率。 (2)针对图像实例分割算法在目标边缘处分割精细度低的问题,提出了一种基于边缘强化模块的RGBD实例分割算法。在Mask R-CNN网络的基础上,引入深度分支加强特征检测网络在空间上的学习能力,模仿注意力机制提出一种边缘强化模块,提升分割网络对于目标边缘的关注程度,并对多模态特征进行融合。在自建数据集上进行了消融对比实验,实验结果证明了算法的有效性。 (3)针对传统位姿估计方法计算复杂度高、适用范围有限等问题,提出了一种结合平面提取与最小包围盒的点云位姿估计算法。根据相机内参将目标的实例掩膜映射在三维点云空间,通过降采样和离群点去除操作降低点云的数据量,提升处理效率。联合点云平面提取与OBB包围盒算法对物体进行抓取位姿估计,并依据相机姿态对抓取数据进行矫正。 (4)为了验证本文算法的可行性,以工业结构光深度相机、计算机、机械臂以及抓取装置为主体搭建多目标分拣定位系统的实验平台,实现了视觉引导机器人的手眼标定。通过抓取实验统计抓取成功率与视觉处理耗时数据,实验结果表明,本文提出的数据处理方法能够有效完成无序环境下多目标堆叠物品的识别与定位任务。