简介:近年来,目标显著性检测引起了众多学者的极大关注,并涌出了一些基于低秩矩阵恢复理论的检测方法.在这些方法中,人们一般使用核范数约束低秩部分.但是,由于秩函数是非凸且不连续的,由此导致核范数不能很好地逼近秩函数,使得检测效果往往不佳.为解决上述问题,现提出基于加权Schatten-p范数与低秩树结构的稀疏分解模型.一方面,利用加权Schatten-p范数对图像背景进行低秩约束.另一方面,采用具有树结构稀疏特性的l2,1范数和图像拉普拉斯正则化对显著性目标进行稀疏约束,以此提高显著性检测精准度.经过与4种已有的常用显著性检测方法在3个不同数据库中的实验结果对比,证实现提出的方法具有更好的检测性能.
简介:大数据分析是检查具有各种类型的大量数据并快速生成以识别隐藏模式、未知相关性和其他有用信息的过程。在现代汽车集团的研发中心,有许多类型的机器能够以前所未有的规模生成数据。作者开发了一种名为VDMS的车辆信号采集设备。这种类型的传感器每天在大数据系统上存储超过1TB的数据。因此,分析不断增加的数据量和高速流传感器数据的能力是必不可少的。本文研究了传感器数据的分析方法,首先,建立了从信号数据相关性分析到分类模型的分析过程,并开发了针对信号优化的分析方法。另外,提出了一种将异常信号数据形成图案并检测特定图案的方法。