2020年春季学期视觉计算实验室第九周论文研读预告

时间 : 2020年4月30日 09: 00
地点 : 四川大学视觉计算实验室钉钉群
研读成员 : 胡浩、于奉汐
Part 1
分享者 : 胡浩
[1]Li Q, Zhong S, Fang Z, et al. Optimizing Mixed Pedestrian-Vehicle Evacuation via Adaptive Network Reconfiguration[J]. IEEE Transactions on Intelligent Transportation Systems, 2019.
[2]Xu M, Wu J, Liu M, et al. Discovery of critical nodes in road networks through mining from vehicle trajectories[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 20(2): 583-593.
论文简介
  [1]针对城市灾难中人车混流的疏散问题,以最大化疏散市民数量和最小化市民受灾风险为目标,结合遗传算法和蚁群算法,通过规划人车冲突消除策略和逆流策略的安置地点,达到提升疏散效率的目的。如毒气等灾害其受灾区域随时间扩散,城市交通路网的可达性也随之变化。该研究设计的规划算法考虑了该特性,设计了分阶段的疏散规划方案。该研究使用南京地图进行模拟测试,比较了各规划方案的疏散效率。

图1 结合两种策略的疏散规划方案

  [2]城市路网中的某些结点一旦发生堵车,会对大量附近交通网的通行效率产生灾难性的后果,而另一些结点则相对影响较小。识别城市路网中的关键结点可以为政府部门提供决策指导。目前图论中已有的一些仅利用网络结构识别关键点的方法,难以反应真实的车流量和拥堵传播情况。本文将信息熵概念和pageRank(HITS)算法引入对OD流数据的挖掘中,分别设计了ODEF和CRRank两种算法,识别路网中的关键节点。最后使用北京地图和出租车OD数据进行测试,通过降低关键点容量并观察其对仿真交通效率的影响,评估几种算法识别关键点的能力。
图2 识别路网关键节点

Part 2
分享者 : 于奉汐
分享内容
[3]Zhu G, Deng W, Hu H, et al. Reconstructingspatial organizations of chromosomes through manifold learning[J]. NucleicAcids Research, 2018, 46(8).
论文简介
  [3]染色体空间结构解码对真核生物基因调控研究具有重要意义。近年来,以染色体构象捕获为基础的技术,如Hi-C,已被广泛用于揭示全基因组范围内的相互作用频率,并为三维基因组结构解析提供帮助。本文提出了一种新的流形学习框架GEM,其综合考虑了构象能量和流行学习方法,能够对基因组进行三维重构。与之前的方法不同,该模型直接将Hi-C的空间邻近相似性嵌入到三维欧几里德空间中。验证表明,GEM不仅远优于之前的建模方法,而且还提供了一个物理和生理上皆有效的染色体三维表示。

图3 流形学习框架GEM
123