导读:本文包含了任务上下文论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:上下文,电位,时空,模式,事件,加工,操作。
任务上下文论文文献综述
姜芸[1]（2019）在《基于用户上下文轨迹预测的移动众包任务分配方法研究》一文中研究指出近年来,计算机和通信技术飞速发展,5G也日趋成熟,促使着智能设备的迅速普及,各式各样的移动众包平台进入大众视野,例如滴滴打车、美团外卖、Foursquare等,涵盖了众多应用领域。相比于AMT、Wikipedia等早期的传统众包平台,移动众包应用的任务特征和工人行为更加复杂并具有动态性。对于任务请求方在众包平台所发布的任务,众包工人“自由”、“自愿”地选择接受或拒绝任务是众包应用场景的一个基本特征,因此有效的任务分配策略是决定任务能否成功地被所需数量的工人接受并完成的关键因素。在移动众包应用中,任务的时效性、任务位置动态分布、工人移动轨迹不确定性等复杂多变的时空因素,以及工人的兴趣爱好多样性等个性化因素,都为移动众包任务分配这一核心问题提出了挑战。本文针对移动众包动态场景以及工人自愿接受任务的原则,构建基于用户轨迹预测的移动众包任务分配模型,其主要包括移动用户轨迹预测算法和任务分配算法。主要工作如下:1.提出移动用户上下文相关的轨迹预测算法。本文通过对工人历史轨迹数据进行挖掘,分析出工人上下文相关的移动模式,并构建工人上下文相关的移动规则:最后根据移动规则对工人将要到达的位置区域进行预测,为接下来的移动众包任务分配提供基础。2.基于移动用户轨迹预测方法所得的工人下一步到达的区域,本文提出若干种将区域内的任务分配给到达这个区域工人的算法,分别是基于任务数量最大的任务分配,旨在使分配出去的任务数量尽可能的最大化;基于工人质量最优的任务分配,目的是使得分配出去的任务收集回来的答案准确率尽可能的高;基于成本最优的任务分配,该方法既保证收集回来的任务答案质量较高,也能确保工人的距离成本不会太大。3.本文选择了社交网站Gowalla收集的时空数据和移动众包实验平台收集的真实任务分配数据作为实验数据集,分别对提出的移动用户轨迹预测算法和任务分配算法进行了对比实验和验证。结果表明,本文提出的模型算法有较好的准确性和分配结果。基于用户上下文轨迹预测的移动众包任务分配方法,通过预测移动用户的轨迹位置,移动众包平台可以将时空任务分配给最有可能去执行该任务的工人,提高工人接受任务并完成任务的概率,最终提高时空任务分配的成功率。最后本文选择了真实世界的数据作为实验数据集,对提出的基于移动用户轨迹预测的任务分配模型进行了对比实验和验证,实验结果表明,本文提出的算法都有较好的运行效果和效率。(本文来源于《山东大学》期刊2019-05-20）
张磊[2]（2013）在《基于任务视觉上下文特性的显着性检测算法研究》一文中研究指出随着信息化时代的到来，人们对信息科学技术的使用和要求越来越高，大量的图像和视频信息给人工数据处理和带宽需求造成了很大的困难和压力。根据人类视觉注意系统，当人们观看一幅图像或一段视频时，往往只关注自己最最感兴趣的部分，或是带着某种目的性或任务性来搜索图像中的某些区域。所以，只对图像感兴趣的区域进行处理，不仅可以满足人类的需求，更能极大的提高处理数据的效率。因此，本文围绕基于任务的视觉注意机制开展了一些新的算法研究。首先，研究一种基于先验目标颜色分布驱动的全局显着性视觉注意模型。通过计算各聚类区域颜色分布与目标颜色分布的对比度得到具有目标约束感知的先验图。再根据类间颜色显着特征和空间分布的区域对比度计算出全局显着图。然后将二者相结合得到目标显着图。实验结果表明该算法是可行的。其次，研究一种由全局稀疏性与视觉上下文相结合的行人搜索注意模型。在低级认知阶段，计算图像的稀疏性得到全局显着性。在高级认知阶段，通过视觉上下文信息的指导，提取图像块的颜色描述符，纹理描述符和目标特征描述符来得到目标所在的位置。最后，将两者相结合得到目标显着图，从而确定行人显着区域。实验结果表明该算法准确合理。最后，研究一个基于自底向上与自顶向下相结合的行人显着区域检测模型。在低级认知阶段，通过稀疏性得到图像的全局显着图。在高级认知阶段，提取图像的场景特征和目标方向梯度直方图来得到场景显着图和目标位置图。在训练阶段，用线性支持向量机训练所有特征以得到最优的权重系数。最后输入任意图像，通过叁个图像特征乘以相应的权重系数得到最优的目标显着图，从而确定行人显着区域。实验结果表明此模型能得到更准确的检测区域。(本文来源于《燕山大学》期刊2013-05-01）
黄金君,周曙,赵艳杰,赵云肖[3]（2012）在《上下文加工的任务概率效应:事件相关电位时空模式分析》一文中研究指出目的利用AX型连续操作测试(AX-CPT)和事件相关电位(ERP)时空模式探讨上下文加工的任务概率效应及其脑机制。方法在AX-CPT任务中,18名大学生仅要求针对反应线索A后的反应探针X按键,而对抑制线索B后的各类探针X或Y均不反应。设立3组互补的AX型/AY型任务概率:0.55/0.15,0.35/0.35,0.15/0.55;保持BX型和BY型任务概率恒定,均为0.15。行为绩效和ERP数据分别采用单因素重复测量方差分析。结果反应线索A概率愈高,AX型反应愈快且BX型虚警愈多。ERP的F值统计参数映像显示概率效应显着脑区和时段分别是:线索A:顶中央区(300~350 ms)与左枕区(450~500 ms);线索B:右前额(350~500 ms)和左前额(750~950 ms)。AX型探针:右额顶(200~250 ms)、左额极、右背前额及双顶区(300~400 ms)和双顶枕区(400~650 ms);AY型探针:额中央区(350~500 ms)-P3效应;BX型探针:右颞区及左枕区(300~350 ms);BY型探针:左颞区(150~250 ms)。结论任务概率不仅影响反应型线索编码和抑制型线索期待,而且分别调节了四种类型探针加工相关的神经集群。(本文来源于《南方医科大学学报》期刊2012年04期）
宋言伟[4]（2012）在《基于P2P网络节点上下文的任务分解和调度方法研究》一文中研究指出工作流是集成业务活动并使其能够自动化或半自动化完成的一类计算机协同工作技术,是计算机科学、自动控制科学、管理科学、先进制造等多学科领域共同关注与研究的热点问题之一,其核心是通过业务流程的执行,协同网络中分布的计算资源和业务行为,并可进一步引申为对网络计算能力的挖掘。在通信、金融、保险、气象、地震、测绘、勘探、经济运行统计、科学计算、数据挖掘、经营分析等海量数据处理或者复杂业务流程处理的工作流执行过程中,工作流执行效率是个颇受关注的普遍问题。以通信行业为例,在通信计费系统中,中等省份的月话单数量约为40亿—50亿条,每月底全省集中计费和出账工作量非常大,按照上述计算规模,在多台高性能服务器计算环境中进行处理,仅仅“计费”活动需要约6小时左右,完成话单采集、话单格式化、话单查重、计费、账务处理等整个工作流程大约需要48小时左右。这一问题带来的直接影响就是工作流执行耗时过长、对IT基础设施投资的需求过大。因此,研究提高工作流执行效率的方法,具有普遍的现实意义。P2P技术实现了计算模式从主-从式向对等式的转变,网络应用的核心从中心服务器向边缘计算设备扩散,有效地解决了单点失效和负载均衡问题,大幅提升了网络的整体计算能力。充分利用P2P网络中的计算资源和计算能力,将工作流中那些运算工作量大的活动予以分解,并将其调度到优选节点上进行分布式运算,将会大幅提升可用计算资源的利用效率和工作流的整体执行效率。因此,P2P网络环境中的任务分解和调度(Task Partitioning and Scheduling, TPS)是工作流研究的一个核心问题。P2P网络环境中的任务分解和调度问题有如下特点：①P2P网络中各节点的计算资源、通信能力、负载状况和网络拓扑结构是动态变化的；②由第一个特点决定了无法在事前准确计算每个节点的任务处理时间,因此将工作流执行时间作为任务调度目标将比较困难；③结构化的、去中心化的P2P网络节点信息的局部可视化。一种较好的解决方案是使工作流管理系统具有感知P2P网络节点上下文的能力,即研究解决基于P2P网络节点上下文的任务分解和调度问题(ContextBased Task Partitioning and Scheduling, CB-TPS)。 CB-TPS问题可以分解为如下叁个子问题：①任务分解问题,即将工作量大的、复杂的活动分解为工作量小的、简单的细粒度任务集,以达到降低单个任务运算量的目的；②任务调度问题,即把分解后的子任务分配到适当的节点上运行,以实现工作流执行效率全局最优的目标；③执行结果合成问题,即将各个子任务的执行结果进行合并,使之等价于任务分解前的工作流活动的执行结果。本文重点研究了去中心结构化P2P网络环境中的任务分解和调度方法,主要工作包括：1、基于P2P网络节点上下文的任务分解与调度(CB-TPS)问题求解模型。本文将P2P网络节点上下文引入工作流管理,使工作流管理系统能够感知P2P网络环境,并根据节点上下文动态地完成任务分解和调度,以实现最优的运行效果。CB-TPS问题求解模型的基本思想是：首先通过节点上下文信息获得计算节点的计算能力和通信能力,然后据节点处理能力进行任务分解与调度。任务分解包括两种方式：基于数据划分的任务分解和基于功能划分的任务分解。使用数据划分方法进行任务分解时,首先根据获得的节点上下文信息推算节点的计算能力,然后根据节点计算能力分配与之能力匹配的任务。使用功能划分方法进行任务分解时,先使用获得的节点上下文信息测算任务处理效率,再根据测算效率分配任务。本文第2章在引入节点上下文和工作流有穷状态自动机的基础上,定义了上下文影响权重因子和节点计算能力评价指数,给出了权重因子和节点处理能力的计算方法,建立了CB-TPS司题求解模型。2、基于功能划分的的任务分解与调度方法。基于功能划分的任务分解方法,本质上是将工作流的特定活动,按照业务逻辑进行功能细分,即将其拆分为一组偏序连接的任务子流程,其中,每个任务对应一项特定的业务功能。分解后的任务子流程调度问题,可以通过执行路径规划求解,例如列表调度、任务复制调度、遗传算法、粒子群方法、蚁群算法等。本文第3章在定义任务分解算子的基础上,建立了一种基于工作流有穷状态自动机的任务分解方法；在定义节点处理能力评价指数的基础上,通过对蚁群算法的优化改进,建立了一种蚁群任务调度算法。实验结果表明,改进的蚁群任务调度算法,不但能够解决工作流执行时间等参数难于估算的问题,而且能提高任务调度的动态适应性。3、基于数据划分的任务分解与调度算法。基于数据划分的任务分解方法,本质上是将工作流的特定活动,根据被处理数据对象的细粒度划分,分解为一组可以并行执行的任务。数据划分的粒度越小,能够参与计算的P2P网络节点越多,工作流的效率提升效果越明显。本文第4章在定义数据划分的横切模式和纵切模式的基础上,基于各个数据子集中的索引字段值不能有交集的划分原则,建立了一种基于数据划分的任务分解方法；在CAN网络基础上,改进了洪泛和K随机漫步资源搜索算法。实验结果表明,改进的洪泛和K随机漫步算法能够快速地完成设定数量的计算节点的搜索,并在资源搜索的同时获得候选节点的处理能力。在任务调度时,工作流管理系统首先从候选计算节点中优选一定数量的节点作为任务节点,然后根据这些节点的处理能力确定每个节点的任务分配强度,依据任务分配强度划分数据并调度到相应节点上予以处理。所有子任务执行完成后,结果合成就是将各个子任务的执行结果进行直接合并。由于在任务分解时遵循了数据分解的不相交原则,所以执行结果的直接合并与任务分解前的执行结果是等价的。本文第4章给出了结果合成方法和等价性证明。本文工作的创新点主要体现在：1、建立了一种基于P2P网络节点本体和工作流有穷状态自动机的任务分解与调度问题求解模型。较之键值对、标记语言等方法,本体可以更好地表达P2P网络节点上下文的语义和节点的动态变化；较之WF-Net和Petri Net,工作流有穷状态自动机可以更加灵活地表示P2P网络中的不确定事件,动态地描述工作流的动态分拆和组装过程。因此,基于节点本体和自动机的任务分解与调度问题求解模型具有良好的P2P网络环境适应性。2、提出了一种基于节点上下文和功能划分的任务调度蚁群算法。改进的蚁群算法以节点处理能力指标为启发因子,以任务执行代价的倒数作为蚂蚁经过路径所留下的信息素浓度,既体现了基于节点上下文进行任务调度的自适应特点,又可以更好地引导调度算法向处理能力强、任务执行代价低的节点倾斜,加速向最优解的收敛。3、提出了一种基于节点资源快速搜索和数据划分的任务调度方法。改进的洪泛和K随机漫步资源搜索算法,能够快速地完成设定数量的计算节点的搜索,并基于上下文完成节点处理能力的评价；数据划分的不相交原则可以保证数据子集的独立性,节点处理能力评价能够保证将任务分配到处理能力最强的节点集上,提升任务调度和执行效率。P2P网络环境中的工作流分解与调度是一个涉及面很广的研究课题,本文进一步的工作主要包括：1.基于上下文的P2P覆盖网构造优化研究。P2P网络是在IP网络或者其他物理网络上的逻辑覆盖网,其拓扑与物理网络的实际拓扑并不完全匹配,造成P2P网络的路由实际上并不一定是最优的路由,可以通过上下文对逻辑覆盖网络进行优化调整,使其路由信息更加优化。2.P2P网络上工作流运行质量监督控制的优化研究。P2P网络中的工作流所处环境复杂、多变、异构,如何实时监控工作流的运行情况,并根据节点上下文信息对其进行自适应的调度,将是保证P2P工作流稳定运行的一项重要技术。(本文来源于《山东大学》期刊2012-04-20）
黄金君[5]（2012）在《上下文加工的任务概率效应：事件相关电位时空模式分析》一文中研究指出研究背景和目的上下文加工指利用保持的任务相关信息指导当前行为的过程,涉及选择性注意、工作记忆和执行控制等诸多认知成分。考查上下文加工的经典范式AX型连续操作测试(AX-type continuous performance test, AX-CPT)分为线索刺激加工和探针刺激加工两个阶段：先后呈现线索(A或B)和探针(X或Y),在AX、AY、BX和BY四种组合情形中,要求对线索A后的探针X进行反应,而其余叁种情形不做反应。因此,线索A和探针X与反应执行(Go)相关,而线索B和探针Y与反应抑制(Nogo)相关。研究发现正常人易犯AY型按键失误,而注意缺陷或精神分裂症病人易犯BX型按键错误。额叶与上下文加工紧密相关。调节某类型任务概率可导致其期待水平和优势反应倾向变化。在高概率反应任务中,被试多采用反应性控制策略,基于即时感知的外部刺激信息完成任务；而低概率反应任务执行更依赖工作记忆,需要主动地保持任务相关的线索信息,前摄性控制策略占优。目前仍然缺乏从ERP时空模式角度认识任务概率如何影响上下文加工的研究。本研究通过改变AX型和AY型任务的概率比例,用ERP时空模式揭示其如何影响上下文加工相关的神经集群。方法和对象18名在校本科生或硕士生(女生7名)自愿参与本实验,年龄介于21-27岁(24.83+1.82岁),均为右利手,身体健康。用四种不同颜色符号串分别作为线索和探针。其中,蓝色“OOO”或“XXX”分别为按键(Go)线索A或抑制(Nogo)线索B：绿色或红色“<<<”和“>>>”分别对应Go探针X或Nogo探针Y。叁字符区域大小10×4cm2,视角5.7度。线索和探针呈现时间均为200ms,线索或探针阶段时程分别为1200ms或1300ms。在AX,AY,BX和BY四种情形中,仅要求被试对Go线索A后的Go探针X做出按键反应：左向箭头按左键,右向箭头按右键；而其它叁种情形不做反应。设立叁组互补的AX型任务和AY型任务概率比例：0.55/0.15,0.35/0.35,0.15/0.55；且叁组均保持BX型和BY型任务概率恒定：0.15。依照AX型概率将叁组条件命名为AX55、AX35、AX15。各组内四型任务试次总计400个,其中BX型和BY型任务均分别为60个。每组分为各含100试次4个块,各型试次随机出现,但同类型试次连续出现不超过3次。每块持续时间约4min,各块实施期间安排30s休息。不同组实施顺序在被试者间平衡。实验前安排10min按键练习,正式实验耗时54min.。采用本实验室开发的ERP系统和北京新拓产19通道脑电放大器。记录电极按国际10-20标准导联系统安装；连接双侧耳垂为参考；接地电极置于前额正中。滤波通频带为[0.5,100]Hz,头皮与电极阻抗<10kΩ。自动拒绝伪差阈值70μV,并进一步目测和手工排除眼动和肌电伪差。两个ERP分析时窗分别为：刺激呈现前100ms(基线)至其后1200ms(线索)或1300ms(探针)。行为数据应用SPSS13.0软件行单因素叁水平(任务概率：AX55,AX35,AX15)重复测量方差分析,采用Greenhouse-Geisser法进行非球形校正。逐对比较运用LSD法。用ERP系统的统计软件包对各线索和探针的多通道ERP进行单因素叁水平(任务概率：AX55,AX35,AX15)重复测量方差分析。各通道对应F值经插值获得统计参数映像(statistical parametric mapping, SPM)。ERP的F值显着闽值采用保守的自由度减半方式调整。显着阈值α=0.05。结果一、行为绩效叁个任务组AX类型反应时(AX-RT)分别为：AX55：457.67±39.27ms,AX35：479.02±50.46ms,AX15：496.5±53.43ms.其任务概率效应显着：F(1.93,32.79)=18.155,P=0.000。LSD检验显示两两比较差异显着,即AX任务概率越高,反应越快。BX型虚警率(BX-FA%)任务概率效应显着：F(1.23,22.85)=8.642,P=0.005；分别为：AX55：3.24±3.00%,AX35：1.76±2.65%,AX15：1.67±2.68%,进一步两两比较显示AX55组显着高于另外两组。二、ERP统计参数映像时空模式ERP概率效应显着脑区与相应时段列举如下。线索A：顶中央区(300-350ms)与左枕区(450-500ms)；线索B：右额极(350-500ms)和左额极(750-950ms)；AX型探针：右侧额顶(200-250ms),左额极、右背侧额区及双顶区(300-400ms)和双枕顶区(400-650ms)；AY型探针：以额中央区(350-500ms)最为显着；BX型探针：右颞及左枕区(300-350ms)；BY型探针：左颞区(150-250ms)。结论本研究的较高概率反应任务的反应时间更短的结果与文献一致。同时观察到BX型虚警率显着增高现象,提示高反应任务概率导致的优势反应倾向加大了反应抑制的困难。一、线索阶段ERP任务概率效应在叁种AX/AY任务概率条件下,线索A和B的概率虽未改变,但探针X和Y的概率并不同,故本研究仍然观察到两类线索的不同概率效应。在低反应概率(AX15)条件下,左前额、扣带和顶中央区(350-500ms)效应反映A线索任务信息编码要求更高以便正确应对稀疏探针X,而其后时段并无更多ERP效应表明线索信息的保持不受影响。在线索B条件下不需要对各类探针进行反应,双前额区的长程(350-1150ms)CNV效应提示X/Y探针概率变化仅影响期待水平,这与前人研究一致。二、探针阶段ERP任务概率效应在AX情形下,不同任务概率影响表现为反应期待和反应任务负荷不同。低反应概率条件对靶X出现的注意和警觉的要求更高,这由Go探针相关的顶区P3改变反映,本研究不仅观察到与顶区P3对应时段(300-400ms)额顶执行网络的激活,而且进一步显示双侧顶枕区持续激活(400-650ms),提示自底向上加工系统对工作记忆的支持。在AY情形下,本研究并未观察到N2效应,而额正中区的P3效应(350-500ms)与文献结果相近,提示额正中区可能参与取消旧的计划反应和策划新的反应定势,澄清这些成分的功能意义需要进一步研究。在BX情形下,出现左颞枕区和右颞区的ERP效应,前者可能同刺激熟悉性加工相关,而后者可能系探针的反应相关性激活了右腹侧注意系统乃至额顶网络,该条件下虚警率随反应概率增高现象也提示这一点。在BY情形下,仅仅出现与刺激熟悉性加工相关的左颞区效应。虽然BX型/BY型在各组的客观概率相同(均为0.15),但本研究仍然观察到ERP效应,可能提示探针X/Y总体概率变化是BX型和BY型ERP效应的外部原因,探针X/Y出现概率作为整体上下文因素参与调节认知资源的分配。这个结果提示额区之外的脑区同样受任务整体与局部概率的细致影响。总之,反应型任务概率增加导致反应加快及抑制型任务虚警率升高。ERP提示任务概率不仅影响Go线索编码和Nogo线索期待,而且分别调节了四种类型探针加工相关的神经网络的动态变化。(本文来源于《南方医科大学》期刊2012-03-19）
阳小华,蒋辉,马家宇[6]（2010）在《基于任务上下文的查询扩展方法》一文中研究指出目前困扰查询扩展的主要问题是主题漂移.为了降低主题漂移对查询扩展优化的影响,提出了一种基于任务上下文信息的查询扩展方法,旨在通过任务上下文中的信息来选择合适的查询扩展词添加到查询中,使得查询的结果更加精确.实验结果表明,该方法有效降低了主题漂移对查询扩展精度的影响.(本文来源于《郑州大学学报(理学版)》期刊2010年01期）
段星辉,代作晓[7]（2009）在《嵌入式内核的任务上下文保护机制》一文中研究指出单粒子翻转可能发生在内核堆栈时,破坏任务的上下文环境,从而导致星载软件运行结果出错、跑飞甚至崩溃。针对该情况,对嵌入式μC/OS-II内核进行改进,实现任务上下文保护机制。经实验验证,改进的内核能有效地克服单粒子翻转对内核堆栈造成的影响。(本文来源于《计算机工程》期刊2009年14期）
黄润才,周集良,孙道清,曹奇英[8]（2009）在《普适计算中上下文依赖的主动任务发现》一文中研究指出任务计算是一种针对用户如何与设备和服务进行交互的新模式,用户可以只关注需要完成的任务,而不必考虑如何去完成。主动任务发现是任务计算的核心,它依赖于上下文,并能自动组合相应的服务完成规定的操作。在构建任务计算模型的基础上,描述了一种基于上下文依赖的主动任务发现模式,分析了主动任务的结构模型,提出了一种发现任务并执行任务的算法,并通过一个智能教室的应用环境说明了该算法的具体应用。(本文来源于《计算机应用研究》期刊2009年03期）
黄润才,庄怡雯,周集良,曹奇英[9]（2009）在《任务计算中基于语义Web的上下文感知服务选择》一文中研究指出针对普适环境中任务计算的特点,分析了任务计算的层次结构和复杂任务的分解策略,设计了一种任务计算中服务发现的体系结构。此体系结构依赖于服务和内容的语义表示,而这种语义表示是基于本体的、共享的。它不仅可以增强精确度和调用率,而且能够实现知识共享、基于能力的搜索、自主推理以及语义匹配等功能。据此,提出了一种基于语义Web的上下文感知动态服务选择机制,这种机制可以根据待匹配的服务的动态上下文属性来对其进行过滤和排序,从而进一步优化了发现的过程、节约了用户的时间和精力。此外,该选择机制可用于发现有用的静态或动态上下文信息,从而为用户提供最合适、最相关的服务。(本文来源于《计算机应用》期刊2009年03期）
任务上下文论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着信息化时代的到来，人们对信息科学技术的使用和要求越来越高，大量的图像和视频信息给人工数据处理和带宽需求造成了很大的困难和压力。根据人类视觉注意系统，当人们观看一幅图像或一段视频时，往往只关注自己最最感兴趣的部分，或是带着某种目的性或任务性来搜索图像中的某些区域。所以，只对图像感兴趣的区域进行处理，不仅可以满足人类的需求，更能极大的提高处理数据的效率。因此，本文围绕基于任务的视觉注意机制开展了一些新的算法研究。首先，研究一种基于先验目标颜色分布驱动的全局显着性视觉注意模型。通过计算各聚类区域颜色分布与目标颜色分布的对比度得到具有目标约束感知的先验图。再根据类间颜色显着特征和空间分布的区域对比度计算出全局显着图。然后将二者相结合得到目标显着图。实验结果表明该算法是可行的。其次，研究一种由全局稀疏性与视觉上下文相结合的行人搜索注意模型。在低级认知阶段，计算图像的稀疏性得到全局显着性。在高级认知阶段，通过视觉上下文信息的指导，提取图像块的颜色描述符，纹理描述符和目标特征描述符来得到目标所在的位置。最后，将两者相结合得到目标显着图，从而确定行人显着区域。实验结果表明该算法准确合理。最后，研究一个基于自底向上与自顶向下相结合的行人显着区域检测模型。在低级认知阶段，通过稀疏性得到图像的全局显着图。在高级认知阶段，提取图像的场景特征和目标方向梯度直方图来得到场景显着图和目标位置图。在训练阶段，用线性支持向量机训练所有特征以得到最优的权重系数。最后输入任意图像，通过叁个图像特征乘以相应的权重系数得到最优的目标显着图，从而确定行人显着区域。实验结果表明此模型能得到更准确的检测区域。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
任务上下文论文参考文献
[1].姜芸.基于用户上下文轨迹预测的移动众包任务分配方法研究[D].山东大学.2019
[2].张磊.基于任务视觉上下文特性的显着性检测算法研究[D].燕山大学.2013
[3].黄金君,周曙,赵艳杰,赵云肖.上下文加工的任务概率效应:事件相关电位时空模式分析[J].南方医科大学学报.2012
[4].宋言伟.基于P2P网络节点上下文的任务分解和调度方法研究[D].山东大学.2012
[5].黄金君.上下文加工的任务概率效应：事件相关电位时空模式分析[D].南方医科大学.2012
[6].阳小华,蒋辉,马家宇.基于任务上下文的查询扩展方法[J].郑州大学学报(理学版).2010
[7].段星辉,代作晓.嵌入式内核的任务上下文保护机制[J].计算机工程.2009
[8].黄润才,周集良,孙道清,曹奇英.普适计算中上下文依赖的主动任务发现[J].计算机应用研究.2009
[9].黄润才,庄怡雯,周集良,曹奇英.任务计算中基于语义Web的上下文感知服务选择[J].计算机应用.2009
论文知识图
