-
题名多分辨率图像序列的超分辨率重建
被引量：15
- 1
-
-
作者
李展
张庆丰
孟小华
梁鹏
刘玉葆
-
机构
暨南大学信息科学与技术学院计算机科学系
广东技术师范学院计算机科学学院
中山大学信息科学与技术学院计算机科学系
-
出处
《自动化学报》
EI
CSCD
北大核心
2012年第11期1804-1814,共11页
-
基金
国家自然科学基金(61070090)
中央高校基本科研业务费专项资金(21612413
+3 种基金
21612414)
广东省自然科学基金(10151063201000002)
广东省科技计划重大专项项目(2010A080402005)
广东省科技计划项目(2010B080701062)资助~~
-
文摘
针对不同焦距下拍摄的多分辨率尺度的图像序列,本文提出了一种基于尺度不变特征转换(Scale invariant feature transform,SIFT)和图像配准的超分辨率(Super resolution,SR)图像盲重建算法.首先提取图像SIFT特征点,然后用向量夹角余弦进行特征描述符向量的初匹配,并用随机抽样一致性(Random sample consensus,RANSAC)算法消除误匹配提高配准精度.计算变换参数后,将低分辨率图像(Low-resolution,LR)像素点映射到高分辨率(How-resolution,HR)网格,最后利用像素可信度加权算法填充缺失像素值,重建更高分辨率的图像.实验表明,本文算法能精确估计图像序列的缩放因子,可以有效处理仿射变换模型,对配准误差也具有一定的鲁棒性.算法从实质上提高了多分辨率尺度图像序列的分辨率,尤其在低分辨率帧数较少可用于重建的信息量严重不足时也能获得比较满意的重建效果.
-
关键词
超分辨率重建
尺度不变特征转换
多分辨率尺度
随机抽样一致性算法
仿射变换
-
Keywords
Super resolution （SR） reconstruction, scale invariant feature transform （SIFT）, multi-resolution, randomsample consensus （RANSAC） algorithm, affine transformation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名在部分观测环境下学习规划领域的派生谓词规则
被引量：2
- 2
-
-
作者
饶东宁
蒋志华
姜云飞
邓玉辉
-
机构
广东工业大学计算机学院
暨南大学信息科学与技术学院计算机科学系
中山大学信息科学与技术学院软件研究所
-
出处
《计算机学报》
EI
CSCD
北大核心
2015年第7期1372-1385,共14页
-
基金
中央高校基本科研业务费专项资金(21615438)
国家自然科学基金(61100134
+3 种基金
61003179
61272073)
广东省自然科学基金(S2013020012865
S2011040001427)资助~~
-
文摘
文中提出了一种在部分观测环境下学习规划领域的派生谓词规则的方法.在规划领域描述语言(PDDL)中,派生谓词用来描述动作的非直接效果,是规划领域模型和搜索控制知识的重要组成部分.然而,对于大多数规划领域而言,从无到有地构造派生谓词规则是不容易的.因此,研究自动获取派生谓词的推导规则是有意义的.已有研究工作提出通过修订一个初始的不完备的领域理论来获取推导规则的方法,但是它们的主要缺点在于待学习谓词的训练例的数量非常少,这是因为训练例按照非常有限的方式来生成.而更本质的原因在于它们假设环境是不可观测的.其实,在现实生活中很多动作的非直接效果是可以观测的,或者通过简单的目测或者通过专门的工具.因此文中提出增加观测来反映动作的非直接效果,以便增加待学习谓词的训练例数目从而改善学习的精准度.此外,为了补充一些在归纳学习过程中学习不到的谓词,文中还提出了一个后处理方法来使得学习到的规则在语义上更完整.通过在派生谓词基准领域上的实验表明,文中所提出的方法是可行有效的.更深远的意义在于,文中的研究工作有利于规划领域的自动建模或者控制知识的自动获取的研究与实现.
-
关键词
人工智能
自动规划
派生谓词
规则学习
部分观测
-
Keywords
artificial intelligence
automated planning
derived predicates
rule learning
partial observability
-
分类号
TP182
[自动化与计算机技术—控制理论与控制工程]
-
-
题名在部分观测环境下的不确定动作模型学习
被引量：2
- 3
-
-
作者
饶东宁
蒋志华
姜云飞
-
机构
广东工业大学计算机学院
暨南大学信息科学与技术学院计算机科学系
中山大学信息科学与技术学院软件研究所
-
出处
《软件学报》
EI
CSCD
北大核心
2014年第1期51-63,共13页
-
基金
国家自然科学基金(61100134
61003179)
广东省自然科学基金(S2011040001427)
-
文摘
近年来,动作模型学习引起了研究人员的极大兴趣.可是,尽管不确定规划已经研究了十几年,动作模型学习的研究仍然集中于经典的确定性动作模型上.提出了在部分观测环境下学习不确定动作模型的算法,该算法可应用于假定人们对转移系统一无所知的情形下进行,输入只有动作-观测序列.在现实世界中,这样的场景很常见.致力于动作是由简单逻辑结构组成的、且观测以一定频率出现的一类问题的研究.学习过程分为3个步骤:首先,计算命题在状态中成立的概率;然后,将命题抽取成效果模式,再抽取前提;最后,对效果模式进行聚类以去除冗余.在基准领域上进行的实验结果表明,动作模型学习技术可推广到不确定的部分观测环境中.
-
关键词
人工智能
自动规划
动作模型学习
不确定动作
部分观测
-
Keywords
artificial intelligence
automated planning
learning action models
non-deterministic action
partial observability
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名自动获取派生谓词规划领域的通用规划
被引量：1
- 4
-
-
作者
蒋志华
饶东宁
姜云飞
杨天奇
-
机构
暨南大学信息科学与技术学院计算机科学系
广东工业大学计算机学院
中山大学信息科学与技术学院软件研究所
-
出处
《计算机学报》
EI
CSCD
北大核心
2014年第8期1820-1838,共19页
-
基金
国家自然科学基金(61100134
61003179
+2 种基金
61272073)
广东省自然科学基金(S2013020012865
S2011040001427)资助~~
-
文摘
通用规划(解)是针对某个领域的像算法一样的规划解,通过对其的解释可以直接得出具体问题的规划解,而不需要调用任何规划系统.但是目前通用规划的提取只能在一些简单或者特殊的领域中进行,没有推广到复杂或者一般的规划领域.该文提出在包含派生谓词的规划领域自动获取通用规划的方法.与已有获取方法不同的是:首先,基于派生谓词规则,文中方法明确指出派生谓词目标与动作效果之间的依赖关系,用以完善通用规划中动作应用的目的;其次,在提取过程中借助角色来帮助识别规划解中的循环结构.实验结果表明,文中方法不仅容易在派生谓词规划领域中获取通用规划,而且还能够以较好的性能求解一类以派生谓词为主要目标的规划"难"题.该文是在派生谓词规划领域中提取通用规划的首创性工作.
-
关键词
人工智能
智能规划
派生谓词规划领域
通用规划解
-
Keywords
artificial intelligence
automated planning
planning domains with derived predicates
generalized plans
-
分类号
TP182
[自动化与计算机技术—控制理论与控制工程]
-
