-
题名双流特征增强与融合的弱监督时序动作定位
- 1
-
-
作者
刘逸斌
高曙
陈良臣
-
机构
武汉理工大学计算机与人工智能学院
中国劳动关系学院计算机学院
中国科学院信息工程研究所
-
出处
《计算机应用研究》
北大核心
2025年第7期2213-2219,共7页
-
基金
国家自然科学基金项目(52172327)
国家教育部人文社科项目(18YJA630076)
中国劳动关系学院科研项目(23XYJS016)。
-
文摘
弱监督时序动作定位旨在仅使用视频级标签对未修剪视频中的动作实例进行分类和定位。现有模型通常直接使用预训练的特征提取器从视频中提取片段级RGB和光流特征,但预提取的片段级视频特征只覆盖短的时间跨度,且没有考虑RGB和光流的互补性和关联性,影响了定位的准确率。为此,提出了双流特征增强与融合的弱监督时序动作定位模型。首先,通过多尺度密集型空洞卷积扩大感受野,使模型能够覆盖多个时间跨度,从而捕捉视频片段间的时序依赖性,获得增强的RGB和光流特征。然后,利用卷积网络自适应提取增强RGB和光流特征中的关键特征进行融合,实现RGB和光流特征的关联互补,进一步丰富视频特征表示,使模型定位效果更加准确。该模型在THUMOS14和ActivityNet1.3数据集上分别达到了73.9%和43.5%的检测精度,优于现有SOTA模型,证明了该模型的有效性。
-
关键词
弱监督
时序动作定位
空洞卷积
双流融合
-
Keywords
weakly supervision
temporal action localization
dilated convolution
dual-stream fusion
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于视觉动捕的仿真掘进机操作系统
- 2
-
-
作者
李永玲
刘凌志
周百顺
雷经发
张淼
赵汝海
-
机构
安徽建筑大学机械与电气工程学院
中国劳动关系学院计算机学院
工程机械智能制造安徽省教育厅重点实验室
过程装备与控制工程四川省高校重点实验室
-
出处
《系统仿真学报》
北大核心
2025年第6期1531-1541,共11页
-
基金
安徽省重点研究与开发计划(1804a09020009)
安徽省高校自然科学研究重大项目与重点项目(J2021ZA0068,KJ2021A1060,2023AH040036)
+1 种基金
安徽省高校协同创新项目(GXXT-2022-019,GXXT-2023-006,GXXT-2023-025)
过程装备与控制工程四川省高校重点实验室开放基金(GK202101,GK202308)。
-
文摘
为实现仿真掘进环境中的人机自然交互,设计了一种基于视觉动捕的仿真掘进机操作系统。视觉动捕单元基于Mediapipe框架,通过相机捕捉手势动作,实现真实世界与虚拟空间的映射;针对手部关键点数据在大范围运动中的不合理跳变问题,通过设置加权质心提出一种改进的卡尔曼滤波算法,并依据操作者手势输出对应指令。实验结果表明:该方法在均方误差、信噪比、近似熵参数上更具有优势,所需的特定手势识别正确率可达92%以上,操作者可实现对仿真掘进机的高效控制。
-
关键词
人机交互
手势捕捉
卡尔曼滤波
仿真操作系统
近似熵
-
Keywords
human-machine interaction
motion capture
Kalman filter
simulated operation system
approximate entropy
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名基于机器学习的网络未知攻击检测方法研究综述
- 3
-
-
作者
陈良臣
傅德印
刘宝旭
卢志刚
姜政伟
高曙
-
机构
中国劳动关系学院计算机学院
-
出处
《信息安全研究》
2025年第9期807-813,共7页
-
基金
中国劳动关系学院教改项目(JG25016)
中国劳动关系学院科研项目(23XYJS016)
+3 种基金
中国劳动关系学院研究生教改项目(YJG2506)
国家重点研发计划项目(2023YFB2603800)
国家统计局全国统计科学研究项目(2022LY005)
中国科学院网络测评技术重点实验室课题(KFKT2022-003)。
-
文摘
在网络安全威胁持续演变的复杂背景下,未知的网络攻击对数字基础设施的威胁与日俱增,基于机器学习的网络未知攻击检测技术成为研究重点.首先对入侵检测系统分类和网络未知攻击检测常用技术进行论述;其次从异常检测、开集识别和零样本学习3个维度对基于机器学习的网络未知攻击检测方法进行深入探讨,并进一步对常用数据集和关键评估指标进行总结;最后对未知攻击检测的发展趋势和挑战进行展望.可为进一步探索网络空间安全领域的新方法与新技术提供借鉴与参考.
-
关键词
未知攻击检测
机器学习
异常检测
开集识别
零样本学习
-
Keywords
unknown attack detection
machine learning
anomaly detection
open set recognition
zero sample learning
-
分类号
TP393
[自动化与计算机技术]
-
