Guided Depth Upsampling via A Cosparse Analysis Model

Guided Depth Upsampling via A Cosparse Analysis Model

Xiaojin Gong,Jianqiang Ren,Baisheng Lai,Chaohua Yan Dept.of Information Science and Electronic Engineering

Zhejiang University

Hangzhou,Zhejiang,China

{gongxj,rjq,laibs,3110101609}@https://www.wendangku.net/doc/9317014512.html,

Hui Qian College of Computer Science Zhejiang University Hangzhou,Zhejiang,China qianhui@https://www.wendangku.net/doc/9317014512.html,

Abstract—This paper proposes a new approach to upsample depth maps when aligned high-resolution color images are given.Such a task is referred to as guided depth upsampling in our work.We formulate this problem based on the recently developed sparse representation analysis models.More specif-ically,we exploit the cosparsity of analytic analysis operators performed on a depth map,together with data?delity and color guided smoothness constraints for upsampling.The formulated problem is solved by the greedy analysis pursuit algorithm. Since our approach relies on the analytic operators such as the Wavelet transforms and the?nite difference operators,it does not require any training data but a single depth-color image pair.A variety of experiments have been conducted on both synthetic and real data.Experimental results demonstrate that our approach outperforms the specialized state-of-the-art algorithms.

Keywords-Guided depth upsampling;cosparse analysis model;multi-modal data fusion

I.I NTRODUCTION

Guided depth upsampling in this work refers to up-sampling a depth map while an aligned high-resolution image is taken as guidance.Such a task is desirable in various computer vision applications.For instance,in tra-ditional stereo vision,some techniques[1]reconstruct a dense disparity map by upsampling sparse measurements that are reliably obtained from point-wise correspondence matching.These techniques circumvent matching ambigu-ities occurred in homogenous or repetitively textured re-gions,so that reconstruction quality is improved.Another line of exemplary applications surges with the advent of active range sensing technologies.State-of-the-art ranging sensors,such as Velodyne HDL lidars[2],Time-of-Flight (ToF)cameras[3]or Microsoft Kinects[4],are capable of producing high quality range information in real time. However,depth maps obtained by them are still low in resolution,especially compared to high-resolution visual images.Therefore,the ranging sensors are commonly used in conjunction with conventional cameras,intriguing a group of studies on guided depth enhancement[5],[6],[7].

As introduced above,guided depth upsampling aims to generate high-resolution depth maps by integrating sparse range data with visual information.Therefore,it belongs to a multi-modal data fusion problem.This problem is conducted relying on an observation that depth discontinuities often co-occur with color or intensity changes[5].A variety of approaches have been developed so far to exploit such dependencies in order to enhance depth maps.Roughly speaking,early methods are mainly based on?ltering or Markov Random Field(MRF)techniques.The former uses joint bilateral?lters and their variations[8][6]to inte-grate color information for depth enhancement.MRF-based methods[5],[9],[10],[11]infer depth via optimizing an energy function that consists of two or more terms: one term evaluates depth consistency with known sparse measurements and the others regularize?rst-or higher-order depth smoothness according to color information. Meanwhile,since depth upsampling is closely related to intensity image super-resolution,sparse representation(SR) techniques[12]that are prevalent in super-resolution have also been employed.For example,Li et al.[13]jointly train dictionaries for depth and color image patches and reconstruct high-resolution depth maps in terms of SR of learned dictionaries.Hawe et al.[1]achieve depth map super-resolution by exploiting SR in the Wavelet domain and a particular sampling strategy guided by intensity edges. Both of these two methods rely on the SR synthesis models. Very recently,cosparse analysis models[14],[15]were proposed and their effectiveness in image reconstruction has been successfully demonstrated.A pioneer work of applying the analysis models to guided depth upsampling is reported by Kiechle et al.[16].It learns a depth-intensity bimodal analysis operator of?ine and applies the bimodal cosparse analysis model to reconstruct high-resolution depth maps. Our work takes advantage of the sparse representation analysis models as well.More speci?cally,the proposed approach explores the cosparsity of analysis operators per-formed on a depth map,together with data?delity and color guided smoothness constraints for upsampling.Instead of learning operators[16],we employ the well known analytic ones,such as the Wavelet transforms and the?nite difference operators,for our guided depth upsampling.It implies that the approach requires no training data but a low-resolution depth map and an aligned high-resolution color image.It is therefore can be freely applied to either uniformly or non-uniformly sampled low-resolution depth maps,for instance,

2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops

depth maps obtained by Kinects and sparse range data collected by3D lidars.

II.C OSPARSE A NALYSIS M ODELS

In contrast to the sparse representation synthesis mod-els[17],[12]that have been extensively studied for decades, cosparse analysis counterparts have started to be investigated very recently.Therefore,we brie?y review them in this section and stress on the differences.

Let us consider a set of measurements y∈R m,which are sampled from an original signal x∈R d and are contam-inated by noise v.That is,y=Φx+v,whereΦ∈R m×d is a sampling matrix,and m

min

z

||z||0s.t.y=ΦΨz+v.(1) Instead,an analysis model suggests that the analyzed vector Ωx is expected to be sparse,whereΩ∈R p×d is a redundant analysis operator(p≥d).Upon this,the original signal x is recovered via

min

x

||Ωx||0s.t.y=Φx+v.(2) When both the dictionaryΨand the analysis operatorΩare square and invertible,the synthesis and the analysis models are the same withΩ=Ψ?1.Otherwise,there is no straightforward relation between them.

By checking the above linear transformations,we?nd out that the representationΩx cannot be very sparse if the rows ofΩare linearly independent.The reason is that at least p?d of the coef?cients ofΩx should be non-zeros if x= 0[14].Therefore,instead of focusing on nonzero elements, the analysis model emphasizes sparse representation on the number of zeros,which is referred to as cosparsity.That is, Cosparsity: :=p?||Ωx||0.(3) Generally speaking,the cosparse analysis model can be viewed as a sparse synthesis model encoded with some structure.The structure of the signal x is encoded by its cosupport,which is de?ned as the index set of the zero entries and denoted by

Λ:={j| ωj,x =0},(4) whereωj is the j-th row ofΩ.

When we use the above-de?ned analysis model to recon-struct the original signal,a necessary number of measure-ments must be given.Assuming that the sampling matrixΦand the analysis operatorΩare mutually independent,the minimum number m should satisfy the following condition in order to guarantee the uniqueness of a -cosparse solution.

m≥2·max

|Λ|≥ dim(WΛ),(5)

where WΛ=Null(ΩΛ)is the nullspace ofΩΛ,and|Λ|is

the cardinality ofΛ(refer to[14]for more details).More

fortunately,when other constraints are taken into account

for upsampling,we expect to recover x with even less

measurements.

III.G UIDED D EPTH U PSAMPLING

The proposed approach for depth upsampling is based

on the cosparse analysis model,and meanwhile color in-

formation is integrated as guidance.In this section,we?rst

introduce the formulation of our guided depth upsampling.

Then,a numerical scheme relying on the Greedy Analysis

Pursuit(GAP)[14]algorithm is presented to solve the

formulized problem.

A.Problem Formulation

Assume that we are given a set of depth measurements

D L,together with an aligned high-resolution color image

I H.Our aim is to recover a depth map D H to be of

the same resolution as the color image.Let x∈R n and

y∈R m,respectively,be the vectorized high-resolution

depth map and the vectorized sparse depth measurements,

where n=h×w is the number of image pixels.Then,

our guided depth upsampling is achieved by minimizing the

following objective function:

E(x)=λ1E C(Ω,x)+λ2E D(y,x)+λ3E S(x),(6)

where E C(Ω,x)is a term targeting at a cosparse rep-

resentation,E D(y,x)evaluates the?delity between the

measurements and the estimated depth values,and E S(x)

stands for a term assessing the smoothness of the recovered

depth map.λ1,λ2,andλ3are regularization parameters

balancing the three terms.The details of each term are

presented below.

1)Cosparse Analysis Term:Given an analysis operator

Ω,the cosparse analysis term aims to achieve a sparse

representation ofΩx.Hence,it is de?ned as

E C(Ω,x)=||Ωx||0.(7)

A critical point concerned in this term is the chosen ofΩ.

Several researches[18],[15],[19]have been studied on the

learning of analysis operators.Learned operators are consid-

ered to be of better performance in image super-resolution

than analytic ones such as Wavelets[20].However,their

disadvantages are also obvious.For instance,it takes time

to learn an analysis operator and performance of the learned

operator highly depends on training sets.Moreover,due to

limitations of computational resources,operators are often

learned in a patch-wise way and are applied locally to image

patches[15].

In contrast to learned operators,analytic operators are able

to be utilized globally to an entire depth map.Operators such

as the wavelet transforms,the?nite difference operators,

and the curvelet and shearlet transforms[21]have been

successfully used in signal processing applications.Thus,in

this work,we choose analytic operators for upsampling.We

also defend that,with the use of guided color information,

the upsampling performance of applying analytic analysis

operators is competitive to those using learned counter-

parts[16].

2)Data Fidelity Term:The data?delity term evaluates

the errors between the sparse measurements and the corre-

sponding depth values that are recovered.It is designed as

E D(y,x)=||y?Φx||22,(8) whereΦrepresents the sampling matrix as before.

It needs mentioning that,when x is a vector of an entire

depth map,very large size matrices have to be constructed

to perform the matrix-vector multiplications ofΩx andΦx,

which are not affordable in memory.Practically,bothΩand Φare implemented by functions.It in essence means that Ωstands for the process of applying the analysis transform andΦrepresents the sampling procedure.We stick to the

notations in the form of matrix-vector multiplications for

simplicity and consistency with others’work[14].

3)Smoothness Term:The smoothness term is based upon

a prior that depth maps are piecewise smooth.Constraints

such as minimizing total variations(TV)are often used for

preserving smoothness[1].In this work,we prefer to design

the term as follows:

E S(x)=

i

j∈N(i)

w ij||x i?x j||22,(9)

where x i is a pixel in x,and N(i)denotes the4-connected neighborhood of x i in the corresponding depth map D H. w ij is a weight that integrates color information for regular-

ization.It is de?ned by

w ij=exp

?

||I i?I j||22

2σ2

,(10)

in which I i and I j are color or intensity values of the pixels registered to x i and x j,andσis a standard deviation. This form is also the?rst-order smoothness constraint com-monly used in the Markov Random Field framework[5]. It performs better than the TV norm[1],especially when upsampling factor is large.

B.Numerical Scheme

As one may notice,the formulated problem in Eq.(6) degenerates to a MRF-based energy function whenλ1=0, which can be solved ef?ciently by the well-known conjugate gradient(CG)algorithm[5].However,whenλ1is not zero,the cosparse analysis term||Ωx||0leads the entire problem to be a NP-complete one.One way to approxi-mately solve it is turning it to||Ωx||1,a L1-minimization problem.Whereas,in this work,we adopt a simple approach, the Greedy Analysis Pursuit(GAP)algorithm,to?nd the optimized solution.

GAP imitates Orthogonal Matching Pursuit(OMP)[17] with a form of Iterative Reweighted Least Squares (IRLS)[22],[23].It starts from a cosupport?Λ0that is initialized to be the whole set.An initial estimation of the depth map is obtained via

?x0=arg min

x

λ1||Ωx||22+λ2E D(y,x)+λ3E S(x),(11) which is a least square optimization problem solved by conjugate gradient in this work.Some elements outside the cosupport set are?rst detected according to the values ofΩ?x0and are removed from the set.With an updated cosupport,x is re-estimated for removing more elements. By this means,GAP iteratively reduces the cosupport set till it reaches -cosparsity or another stop criterion is satis?ed. The details of GAP-based guided depth upsampling is illustrated in Algorithm1.

Algorithm1:GAP for Guided Depth Upsampling Input:The analysis operatorΩ,

the sampling matrixΦ,

the sparse measurements y,

the target cosparsity ,

and a selection factor t∈(0,1].

Output:Optimized?x=?x k.

Initialization:

k=0;

Initialize cosupport:?Λ0={1,2,...,p};

Initialize solution:

?x0=arg min

x

λ1||Ω?Λ

x||22+λ2E D(y,x)+λ3E S(x).

while k

k=k+1;

Computeα=Ω?x k?1;

Find largest entries:Γk={i:|αi|≥t max j|αj|}

Update cosupport:?Λk=?Λk?1\Γk;

Update solution:

?x k=arg min

x

λ1||Ω?Λ

k

x||22+λ2E D(y,x)+λ3E S(x). end

IV.E XPERIMENTS

Extensive experiments have been conducted in order to validate the proposed approach.In this section,we?rst present sets of experiments performed on the Middlebury stereo dataset[24]and provide both quantitative and qualita-tive comparison to state-of-the-art algorithms.Experimental settings,such as the chosen of analysis operators and the assigned parameters,are also discussed.In the end,we apply our approach to upsample real-world lidar data collected by a Velodyne HDL64E lidar.

A.Depth Upsampling from Random Samples

This group of experiments is designed to investigate the performance of the cosparse analysis model in contrast to synthesis models.Therefore,we compare our approach to the work done by Hawe et al.[1].In order to achieve quantitative evaluation,experiments are performed on the Middlebury stereo dataset.Synthetic data are generated in a way exactly the same as Hawe’s work.That is,we randomly sample a certain percentage of points from known depth maps,and include measurements on edges detected by Canny?lter as well.Aligned color images are taken as guidance in both methods.

The parameters of our algorithm are experimentally as-signed throughout all experiments as follows.The weighting factors in Eq.(6)areλ1=0.01,λ2=1,andλ3=0.1.The standard deviation in Eq.(10)is determined toσ=30.Con-sidering that depth discontinuities co-occur with intensity changes,we take the cosparsity of an aligned intensity edge map as the target cosparsity ,and set the selection factor t= 0.6in Algorithm1.Moreover,we investigate two different types of analytic analysis operators,which are Daubechies wavelets(db2-wavelets)and the?nite difference operators. For the Daubechies wavelets,decomposition levels from one to four are tested.We denote the corresponding operators, respectively,byΩW T1,ΩW T2,ΩW T3,andΩW T4.A?nite difference operator that concatenates the horizontal and vertical derivatives and the other extra concatenating the diagonal derivatives are examined as well,which are denoted asΩDIF F andΩDIF F DIAG respectively.Table I illustrates the dimensions of all the operators for each depth map.As introduced in Section II,an operator is of p×d dimension.

d is th

e same as the resolution o

f an image and p is different from case to case.Regardin

g to the extremely hig

h dimensionality,we implement the operators by functions instead of matrices.

Tsukuba Venus Teddy,Cones

d=110592d=166222d=168750ΩW T1111940168296170856

ΩW T2112963169342171918

ΩW T3113311169762172342

ΩW T4113491169978172620

ΩDIF F220512331627336675

ΩDIF F DIAG440354662439672527

Table I

T HE DIMENSION p×d OF EACH ANALYSIS OPERATOR.d IS THE SAME AS THE RESOLUTION OF AN IMAGE AND IS LISTED ON THE TOP.T HE REMAINING VALUES ARE p,WHICH VARIES FROM CASE TO CASE.

To obtain quantitative evaluation,we assess all experimen-tal results in terms of the root mean square error(RMSE) of the upsampled depth maps against to ground truth.As in[16],each depth map is?rst scaled to a certain disparity range that is required in the Middlebury website for evalua-tion.Table II reports the evaluation results for experiments upsampling from5%,15%,and25%randomly sampled measurements.In the table,’CSC’stands for the synthesis model based upsampling method as explained in[1].The others are our approaches while using different analysis operators.The results of’CSC’are obtained by running the code released by the authors,with a large number of iterations to make sure that each case converges.All other parameters are set as reported in their paper.Table II shows that,except for theΩW T1operator which fails in some cases, all other analysis operators perform better than the synthesis model(CSC).Among all,theΩW T4operator performs best, followed closely byΩDIF F DIAG andΩDIF F.The results also tell us that,for the same type of operators,the better performance is obtained if the operator is more redundant. Fig.1illustrates some comparative results upsampled from5%measurements,in which the columns(a)and(b) are the aligned color images and ground truth depth maps, the column(c)shows the sampled data,(d)are the results of CSC,and the last column are obtained by our approach using theΩW T4operator.From the results we observe that our approach preserves depth edges better.This superiority not only bene?ts from our color guided smoothness term,but also from the cosparse analysis term to a great extent.The advantage of the cosparse analysis term will be demonstrated further in the next experiment.

B.Depth Upsampling from Uniform Samples

Although random sampling together with edge samples can improve performance,it is not able to obtain these measurements in applications such as super-resolution of depth maps captured by Kinects or ToF cameras.Therefore, in this experiment,we explore the performance of our approach when applied to uniformly sampled low-resolution depth maps.Synthetic data are generated as the way in[16]. That is,we?rst smooth a high-resolution depth map[25] and then downsample it through bicubic interpolation at a certain sampling factor.Considering that bicubic interpola-tion has edge effect near occlusion,the occluded regions are inpainted by our approach before downsampling.

Among the developed depth map super-resolution tech-niques,some[5],[16]use guidance information and the others[26]do not.In our evaluation,only those methods using guidance,for instance,bilateral?ltering and MRF based techniques,are chosen for comparison.Besides these two typical techniques,we also compare our work to a state-of-the-art method[16],which is based on a cosparse analysis model as well.In contrast to us,it relies on analysis operators learned from a training set.The results of the bilateral?ltering method are produced from our own implementation.To achieve the results of MRF,we simply setλ1=0,λ2=1,andλ3=1in our model.The quantitative results of Kiechle et al.’s[16]work are from their paper.

```

``````

`

Method

Scenario

Tsukuba Venus Teddy

Cones 5%15%25%5%15%25%5%15%25%5%15%25%CSC [1]0.4230.4550.4420.7030.6030.545 2.469 2.070 2.121 2.633 2.266 2.113ΩW T 10.425 5.0190.3177.343 4.8520.17124.33522.144 1.271 5.09227.015 1.536ΩW T 20.4060.2570.1870.1160.1340.105 1.427 1.0010.967 1.594 1.0800.886ΩW T 30.3990.2430.1940.1270.0410.042 1.3260.9180.844 1.2760.9090.769ΩW T 40.3950.2510.1950.0940.0400.041 1.1150.8830.804 1.0420.8840.749ΩDIF F

0.4200.2480.1810.0490.0410.047 1.362 1.0190.945 1.1120.9540.845ΩDIF F

DIAG

0.451

0.383

0.217

0.105

0.057

0.048

1.057

0.867

0.794

1.060

0.891

0.715

Table II

RMSE OF EXPERIMENTAL RESULTS THAT ARE UPSAMPLED FROM RANDOMLY SAMPLED DATA PLUS EDGE POINTS .F OR ΩW T 1,UNDERLINED

VALUES ARE THE FAILED CASES .

(a)Color image (b)Depth map (c)Sampled data (d)CSC [1]

(e)ΩW T 4

Figure 1.Visual comparison of experimental results upsampled from 5%measurements plus edge points.The four scenarios are ’Tsukuba’,’Venus’,’Teddy’,and ’Cones’respectively.The results show that our approach preserve depth edges better.(Zoom in for better view.)

(a)Ground truth(b)Bilateral Filter(c)MRF(d)ΩW T4(e)ΩDIF F DIAG

Figure2.Visual comparison of experiments that are upsampled with a scaling factor8.(Zoom in for better view.)

````

````

``

Method

Scenario

Tsukuba Venus Teddy Cones

2×4×8×2×4×8×2×4×8×2×4×8×Kiechle et al.[16]0.2550.4870.7530.0750.1290.1560.702 1.347 1.6620.680 1.383 1.871 Bilateral Filter[8]0.3920.5400.8300.1290.1950.3420.4860.6820.9870.6910.944 1.419 MRF[5]0.4790.6460.8550.1420.1810.2550.4610.5800.7800.6640.851 1.263ΩW T40.1470.3900.7080.0890.1210.1710.3100.4560.6640.3470.681 1.159ΩDIF F0.1540.3850.7380.0450.1180.1750.2340.4740.7100.2820.676 1.166ΩDIF F DIAG0.0740.3390.7220.0290.1130.1720.2130.4780.7690.2470.659 1.167

Table III

RMSE OF EXPERIMENTS THAT ARE UPSAMPLED WITH A SCALING FACTOR OF2,4,AND8RESPECTIVELY.

````

````

``

Method

Scenario

Tsukuba Venus Teddy Cones

2×4×8×2×4×8×2×4×8×2×4×8×Kiechle et al.[16]0.47 1.73 3.530.090.250.33 1.41 3.54 6.49 1.81 5.169.22

Bilateral Filter[8]0.89 1.19 1.870.150.210.43 1.58 3.21 5.40 1.39 1.88 3.31 MRF[5] 3.35 5.839.230.440.73 1.51 2.44 3.808.00 3.93 6.2411.69

ΩW T40.31 1.78 4.540.310.220.40 1.26 2.18 5.76 1.23 3.157.45

ΩDIF F0.19 1.32 4.750.030.130.300.57 2.16 5.790.66 2.557.39ΩDIF F DIAG0.040.79 3.170.010.070.160.53 2.48 5.820.42 2.05 6.27

Table IV

T HE PERCENTAGE OF BAD PIXELS OF THE EXPERIMENTS THAT ARE UPSAMPLED WITH A SCALING FACTOR OF2,4,AND8RESPECTIVELY.

Figure3.Results of the guided depth upsampling performed on a Velodyne64E Lidar dataset.The?rst two rows,respectively,are high-resolution color images and sparse3D lidar points.The third row contains low-resolution maps obtained by registering3D points to the images.The fourth row presents upsampled depth maps,and the?fth shows the rendered dense3D point clouds obtained from our upsampling results(sky regions are removed).For comparison,the sparse rendered3D point clouds are also provided in the last row.

Visual comparison of these methods behaved with a

upscaling factor of8are illustrated in Fig.2.RMSE of

more experiments are listed in Table III.Moreover,Table IV

reports the percentage of bad pixels,whose error is greater

than one pixel.Considering the performance of our analysis

operators,we only report the results ofΩW T4ΩDIF F,

ΩDIF F DIAG here.The comparisons show that,with the

cosparse analysis term,we achieve sharper depth edges

than the MRF based technique and comparable to Bilateral

?ltering.Among all,our approach with theΩDIF F DIAG

operator performance best,followed byΩW T4.

C.Experiments on Lidar Data

Finally,we apply our approach to upsample lidar data

in order to?nally achieve dense3D reconstruction.Ex-

periments are conducted on the KITTI vision benchmark

suite[27].This dataset consists of sparse lidar data and high-

resolution color images,which are simultaneously collected

by a Velodyne HDL64E lidar and a video camera in real

road scenarios.With known sensor parameters,lidar points

are?rst registered to images so that low-resolution depth

maps are obtained,as shown in the?rst three rows of

Fig.3.Our approach is then applied to upsample these low-

resolution depth maps.The upsampled results are demon-

strated in the fourth row,followed by the rendered high-

resolution3D point clouds.Meanwhile,we also provide

the sparse rendered3D point clouds in the last row for

visual comparison.From the results we see that our approach

increases the resolution of3D point clouds successfully.

V.C ONCLUSIONS

In this paper,we have presented a new approach for

guided depth upsampling.It relies on the cosparse analysis

models and makes use of analytic operators.Different well

known operators have been investigated.The experimental

results show that,as opposed to the synthesis cases,more

redundant operators are preferred.

Bene?tted from the use of analytic operators,the ap-

proach requires no training data.It can be applied to either

randomly or uniformly sampled low-resolution depth maps, and achieves high performance even with very low sampling rate.Numerous experiments have been conducted on both synthetic and real data,while comparing to a synthesis model based method[1],an analysis operator learning based one[16],and two other typical guided depth upsampling techniques.Experiments have shown that our approach out-performs these state-of-the-art algorithms.Moreover,due to the underline scheme,our approach can also be applied to guided depth inpainting and denoising directly.

A CKNOWLEDGMENT

This research work was supported in parts by the National Natural Science Foundation of China via grants61001171, 61071219,90820306,and the Fundamental Research Funds for the Central Universities.

R EFERENCES

[1]S.Hawe,M.Kleinsteuber,and K.Diepold,“Dense Disparity

Maps from Sparse Disparity Measurements,”in ICCV,2011, pp.2126–2133.

[2]Velodyne,2013,https://www.wendangku.net/doc/9317014512.html,/lidar/lidar.aspx.

[3]Primesense,2013,https://www.wendangku.net/doc/9317014512.html,/.

[4]Microsoft,2013,https://www.wendangku.net/doc/9317014512.html,/en-US/kinect/.

[5]J.Diebel and S.Thrun,“An Application of Markov Random

Fields to Range Sensing,”in NIPS,2005.

[6]J.Dolson,J.Baek,C.Plagemann,and S.Thrun,“Upsampling

Range Data in Dynamic Environments,”in CVPR,2010. [7]X.Gong,J.Liu,W.Zhou,and J.Liu,“Guided depth

enhancement via a fast marching method,”Image and Vision Computing,vol.31,no.10,pp.695–703,2013.

[8]Q.Yang,R.Yang,J.Davis,and D.Nister,“Spatial-Depth

Super Resolution for Range Images,”in CVPR,2007. [9]J.Zhu,L.Wang,J.Gao,and R.Yang,“Spatial-Temporal

Fusion for High Accuracy Depth Maps Using Dynamic MRFs,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.32,no.5,pp.899–909,2010.

[10]U.Wong,B.Garney,W.Whittaker,and R.Whittaker,“Cam-

era and LIDAR Fusion for Mapping of Actively Illuminated Subterranean V oids.”International Conference on Field and Service Robotics,2009.

[11]J.Park,H.Kim,Y.-W.Tai,M.S.Brown,and I.Kweon,

“High Quality Depth Map Upsampling for3DTOF Cameras.”

ICCV,2011.

[12]J.Yang,J.Wright,T.Huang,and Y.Ma,“Image Super-

Resolution Via Sparse Representation,”Image Processing, IEEE Transactions on,vol.19,no.11,pp.2861–2873,2010.

[13]Y.Li,T.Xue,L.Sun,and J.Liu,“Joint example-based depth

map super-resolution,”in ICME,2012,pp.152–157.[14]S.Nam,M.Davies,M.Elad,and R.Gribonval,“The cosparse

analysis model and algorithms,”Applied and Computational Harmonic Analysis,vol.34,no.1,pp.30–56,2013. [15]S.Hawe,M.Kleinsteuber,and K.Diepold,“Analysis Oper-

ator Learning and its Application to Image Reconstruction,”

Image Processing,IEEE Transactions on,vol.22,no.6,pp.

2138–2150,2013.

[16]M.Kiechle,S.Hawe,and M.Kleinsteuber,“A Joint Intensity

and Depth Co-Sparse Analysis Model for Depth Map Super-Resolution,”in ICCV,2013.

[17]M.Elad,Sparse and Redundant Representations:From The-

ory to Applications in Signal and Image Processing,1st ed.

Springer Publishing Company,Incorporated,2010.

[18] B.Ophir,M.Elad,N.Bertin,and M.D.Plumbley,“Sequen-

tial Minimal Eigenvalues-An Approach to Analysis Dic-tionary Learning,”in The19th European Signal Processing Conference(EUSIPCO),Barcelona,Espagne,2011.

[19]R.Rubinstein,T.Peleg,and M.Elad,“Analysis K-SVD:

A Dictionary-Learning Algorithm for the Analysis Sparse

Model,”Signal Processing,IEEE Transactions on,vol.61, no.3,pp.661–677,2013.

[20]S.Mallat,A Wavelet Tour of Signal Processing,Third Edition:

The Sparse Way,3rd ed.Academic Press,2008.

[21]J.-L.Starck, E.Candes,and D.Donoho,“The Curvelet

Transform for Image Denoising,”Image Processing,IEEE Transactions on,vol.11,no.6,pp.670–684,2002.

[22]I.Daubechies,R.DeV ore,M.Fornasier,and C.S.G¨u nt¨u rk,

“Iteratively reweighted least squares minimization for sparse recovery,”Comm.Pure Appl.Math.,vol.63,no.1,pp.1–38, 2010.

[23]R.Giryes,S.Nam,M.Elad,R.Gribonval,and M.E.Davies,

“Greedy-like algorithms for the cosparse analysis model,”

2012.

[24] D.Scharstein and R.Szeliski,“A taxonomy and evaluation of

dense two-frame stereo correspondence algorithms,”Interna-tional Journal of Computer Vision,vol.47,no.1,pp.7–42, 2002.

[25]T.Michaeli and M.Irani,“Nonparametric Blind Super-

Resolution,”in ICCV,2013.

[26]O.M.Aodha,N.D.F.Campbell,A.Nair,and G.J.Bros-

tow,“Patch Based Synthesis for Single Depth Image Super-Resolution.”in ECCV,2012.

[27] A.Geiger,P.Lenz,and R.Urtasun,“Are we ready for

Autonomous Driving?The KITTI Vision Benchmark Suite,”

in CVPR,2012.

中国石油大学计算机网络原理-第一次在线作业

第一次在线作业 单选题 (共40道题) 展开 收起 1.（ 2.5分）在OSI模型中，提供路由选择功能的层次是__________ ? A、物理层 ? B、应用层 ? C、数据链路层 ? D、网络层 我的答案：D 此题得分：2.5分 2.（2.5分）以下没有采用存储转发机制的交换方式有（） ? A、电路交换 ? B、报文交换 ? C、分组交换 ? D、信元交换 我的答案：A 此题得分：2.5分 3.（2.5分） Internet最早起源于( ) ? A、ARPAnet ? B、以太网 ? C、NFSnet ? D、环状网 我的答案：A 此题得分：2.5分 4.（2.5分）根据报文交换的基本原理，可以将其交换功能概括为

? A、存储系统 ? B、转发系统 ? C、存储-转发系统 ? D、传输—控制系统 我的答案：C 此题得分：2.5分 5.（2.5分）通信子网中的最高层是 ? A、数据链路层 ? B、传输层 ? C、网络层 ? D、应用层 我的答案：C 此题得分：2.5分 6.（2.5分） ISO颁布的开放系统互连基本参考模型简写为 ? A、IOS ? B、IP ? C、TCP ? D、OSI 我的答案：D 此题得分：2.5分 7.（2.5分）网络层是OSI七层协议中的 ? A、第二层 ? B、第三层 ? C、第四层 ? D、第五层 我的答案：B 此题得分：2.5分 8.（2.5分） TCP/IP网络类型中，提供端到端的通信的是 ? A、应用层 ? B、传输层 ? C、网络层

? D、网络接口层 我的答案：B 此题得分：2.5分 9.（2.5分）加密和解密属于OSI参考模型中第（）层功能。 ? A、4 ? B、5 ? C、6 ? D、7 我的答案：C 此题得分：2.5分 10.（2.5分）在TCP/IP参考模型中，TCP协议工作的层次是( ) ? A、应用层 ? B、传输层 ? C、网络层 ? D、网络接口层 我的答案：B 此题得分：2.5分 11.（2.5分） _________物理拓扑将工作站连接到一台中央设备 ? A、总线 ? B、环型 ? C、星型 ? D、树型 我的答案：C 此题得分：2.5分 12.（2.5分）管理计算机通信的规则称为__________。 ? A、协议 ? B、服务 ? C、ASP ? D、ISO/OSI 我的答案：A 此题得分：2.5分

带拖车的轮式移动机器人系统的建模与仿真

系统仿真学报 JOURNAL OF SYSTEM SIMULATION 2000　Vol.12　No.1　P.43-46 带拖车的轮式移动机器人系统的建模与仿真 杨凯　黄亚楼　徐国华 摘　要： 带拖车的轮式移动机器人系统是一种典型的非完整、欠驱动系统。本文建立了带多个拖车的移动机器人系统的运动学模型，对系统的运动特性进行了分析，并在此基础上对系统的运动进行了数值仿真和图形仿真，验证了理论分析的正确性。 关键词： 移动机器人系统; 运动学模型; 龙格-库塔法; 计算机仿真 中图分类号： TP242.3 文献标识码：A 文章编号：1004-731X (2000) 01-0043-4 Modeling and Simulation of Tractor-trailor Robot Systems' Kinematics YANG Kai, HUANG Ya-lou (Department of Computer and System Science, Nankai University, Tianjin　300071） XU Guo-hua （Institute of Automation, Chinese Academy of Sciences, Beijing　100080，China) Abstract： A mobile robot with multi-trailers is a typical nonholonomic, underactuated system. This paper establishes a kinematic model for such system. Based on the kinematic model, the motion of the system is analytically studied, and the simulation of the motion for this system is conducted with the means of Runge-Kutta method and computer graphics. It proves that the theoretical analysis is right. Keywords： mobile robot; underactuated system; Runge-Kutta; computer simulation 1　引言 移动机器人是机器人学中的一个重要分支，本文所讨论的是一种特殊类型的移动机器人系统——带拖车的轮式移动机器人（Tractor-trailer robot），它由一系列相互铰链在一起的多个二轮式刚体小车组成，运行在一个平面上。带拖车的轮式移动机器人系统的一种情形是由一个卡车型的牵引车拖动着一个或多个被动的拖车组成，牵引车可以执行类似于汽车那样的运动：驱动轮向前或向后运动，转向轮向左或向右转向，拖车跟踪牵引车的运动路径。 作为典型的欠驱动、非完整系统，带拖车的移动机器人系统的运动学、规划、控制等方面的研究明显不同于其它机器人系统，由于系统运动规律、控制特性上的理论结果亟待验证，因此，带拖车的移动机器人系统的仿真是极有价值的。 本文针对一般结构形式的带拖车的移动机器人系统建立系统的运动学模型，研究模型的递推形式以解决拖车节数变化带来的模型重构问题，同时就一些问题开展理论分析与仿真验证。 2　系统的运动学模型 2.1　基本假设与变量说明 为了使所建立的数学模型对各种车体链接形式均成立，这里以非标准型带拖车的轮式移动机器人系统为研究对象，所谓非标准型就是相邻两车体的链接点不在前一车体的轮轴上而是在链接轴的某点上（如图1所示），且假设：整个系统是在平面上运动；车轮是无滑动的；车体关于其纵向轴线对称；车轮与地面是点接触，且是纯滚动运动；车体是刚体； 用于车体连接的关节之间是无摩擦

2021中国海洋大学计算机技术考研真题经验参考书

政治的复习以李凡老师的资料为主，我用的是《政治新时器》一套书。其他考研机构的资料是又大又厚一本，事实证明，还是让我选对人了。建议大家跟着谁就跟到底，不要乱用资料，浪费时间不说，你会发现，不同的人出题思路是不一样的。 声明一下，看书的时候，用探索理解的态度去看，可以辩驳，但是最好不要一直对着干。很多同学一谈起政治，就是洗脑工具啊，杯弓蛇影，我觉得这些属于莫须有。没有深入了解，何来发言权。说到底，用一个接受的姿态去复习政治，我觉得还挺重要的，将政治的理论思想内化掉。可能我复习时越看越有感觉，是因为政治传达的价值观和自己的是一样的吧，而且有的地方比自己更先进，所以还有种相识恨晚的兴奋感觉。我是坚持科学的唯物论，坚持集体利益大于个人的。当然既然选择了考研，就要认同这种理论武器对么，对新自由主义意识形态感兴趣的，以后可以继续研究嘛，先把考研这关过了。 我本人英语基础比较差，所以英语准备的比较早，从寒假就开始背单词，做真题了。英语阅读建议只做真题，不要买什么模拟题。 单词从开始准备到考研那天，每天都在背，有时候几十个，有时候一两百个不定，我用的是《一本单词》词汇书背诵。真题从1月份就开始带着做了，用的《木糖英语真题手译版》。下面是各时间段的复习工作： 1-9月：1994-2004年英语阅读。由于时间充裕，而且主要是为了打基础，一般一天一篇阅读，或者两天一篇，大概总共做了3遍。第一遍做一遍，对答案，看解析；第二遍，超精读。标记不认识的单词，解析长难句，分析答案；第三遍，再做一遍，争取没有不认识的单词和看不懂的句子和答案。 9-11月：05-10年真题。阅读增加到一天三到四篇，还是像之前的做法一样，也刷了大概三遍。而且也开始做完形填空和翻译。11月份开始背作文，然后我还看了蛋核英语的各题型相关的课程，大家也可以关注“木糖英语”和“蛋核英语”的微信，课程的讲解是非常详细的。 11-12月：11年往后真题，两遍，依旧是做一遍加一遍超精读。每天背两篇作文。进入12月份，做真题开始严格按照考试时间进行，逐步形成做题手感。 英语阅读是重中之重，需要花费大量时间和精力去练习，熟记单词，搞定长难句，攻克阅读的难关，翻译题、新题型就会比较简单，不用多花时间去练习，

中国石油大学计算机应用基础在线作业3套

第一次在线作业 单选题(共40道题) 1.（ 2.5分）冯·诺伊曼体系结构的核心设计思想是（）。 ?A、存储程序原理 ?B、计算机中的数据以二进制表示 ?C、计算机硬件由五大部件组成 ?D、程序设计 我的答案：A 此题得分：2.5分 2.（2.5分）计算机中用来保存程序和数据，以及运算的中间结果和最后结果的装置是（）。 ?A、RAM ?B、ROM ?C、内存和外存 ?D、高速缓存 我的答案：C 此题得分：2.5分 3.（2.5分）下列各数中最小的是（）。 ?A、十进制数25 ?B、二进制数10101 ?C、八进制数26 ?D、十六进制数1A 我的答案：B 此题得分：2.5分 4.（2.5分）以下字符的ASCII码值最大的是（）。 ?A、5 ?B、6 ?C、A ?D、a 我的答案：D 此题得分：2.5分

5.（2.5分）衡量计算机的主要技术指标有（）。 ?A、外设、内存容量、体积 ?B、语言、外设、速度 ?C、软件、速度、重量 ?D、主频、字长、内存容量 我的答案：D 此题得分：2.5分 6.（2.5分）利用计算机来模仿人的高级思维活动称为（）。 ?A、数据处理 ?B、过程控制 ?C、计算机辅助设计 ?D、人工智能 我的答案：D 此题得分：2.5分 7.（2.5分）关于Windows文件名叙述错误的是（）。 ?A、文件名允许使用汉字 ?B、文件名中允许使用多个圆点分隔符 ?C、文件名中允许使用空格 ?D、文件名中允许使用竖线（“|”） 我的答案：D 此题得分：2.5分 8.（2.5分）以下不能打开资源管理器的是（）。 ?A、单击“开始”按钮，再从“所有程序”选项的级联菜单中单击“资源管理器” ?B、双击桌面的“资源管理器”快捷方式 ?C、用鼠标右键单击“开始”按钮，出现快捷菜单后，单击“资源管理器”命令 ?D、单击桌面的“资源管理器”快捷方式 我的答案：D 此题得分：2.5分 9.（2.5分）在Windows中不属于控制面板操作的是（）。 ?A、更改桌面背景

2018年中国人民银行直属单位招聘考试笔试 历年考试真题

中国人民银行招聘考试历年真题汇总整理人行根据专业不同报考经济金融、会计、法律、计算机、管理、统计和英语专业的人员按报考专业进行单科专业科目考试和行政职业能力测验，报考其他专业（理工科、安全保卫、中文和小语种）的人员只进行行政职业能力测验，不考专业科目。人行考试题目其实不是特别难，但要有针对性的复习准备，多练题目是肯定的！之前有前辈给推荐了考佳卜上面的复习资料，比较有针对性，建议大家可以去了解一下！ 人民银行笔试经验分享一： 一、单选 索洛模型、古典货币理论（托宾）、GDP&GNP、公共物品总需求线、托宾Q效应、汇率直接标价法、CAPM、利率决定理论、货币政策操作目标及其中介目标、有效市场假说、金融工具&金融市场、贴现率、货币政策及财政政策搭配 二、多选 完全竞争、瓦尔拉斯需求函数、利率互换、派生存款、远期&期货&期权、资产证券化、漏损率、表外业务、AK模型、非合作博弈、特别提款权SDR、欧洲债券、抵补利率评价理论、拆借市场 三、简答论述（主观题部分） 利率市场化 中等收入陷阱 人民银行笔试经验分享二： 1、财务报告目标有哪两种观点？新企业会计准则倾向哪种？ 2、什么是资本保全？会计学上的资本保全主要有哪些种类？ 3、试述经营杠杆和财务杠杆的经济含义，公司应如何平衡经营杠杆和财务杠杆对公司收益和风险的影响？ 4、根据COSO报告，应如何理解内部控制？内部控制整体框架包括哪些要素？ 5、一般物价水平会计和现时成本会计各有什么特征及各自的优缺点？ 6、衍生金融工具包括的主要类别，衍生金融工具的出现对传统财务会计模式有哪些冲击？

7、列举企业管理的财务目标，各有什么优缺点？ 8、普通股筹资的利弊何在？ 9、公司债融资的利弊。 10、公司债券融资的特征及其普通股筹资的比较。 11、EVA的实质是什么?EVA与会计利润的区别。 12、制度基础审计与风险导向审计风险及处理的比较 人民银行笔试经验分享三： 一、20道判断对错题，部分考点比较细致，有宪法题，其他的还有刑法，行政法题。二、单选题，30道。涉及的部门法挺广的，有一题国私的。三、10道多选题，有司考原题。有问人行的职能，有刑诉题。四、简答题，问一般法律解释方法。五、两道案例分析题，第一题民法题，涉及合同法，预告登记，房屋买卖面积，种类物特定化风险转移。第二题，刑法题，问定罪量刑，还有阐述案例中的刑法概念。 人民银行笔试经验分享四： 行测分为：和公务员考试题型一致，时长一个小时，一共70题。 计算机专业知识：（计算机网络、数据结构、操作系统、计算机组成）。 单选多选和前几年的考点有些重合的地方，比如“稳定和不稳定的查找方式有哪些” 简答题：在链表中删除一个key=N的结点，用伪代码实现，并写出时间复杂度论述题：cpu未来的发展方向，还有分析cpu性能提高的原因 人民银行笔试经验分享五： 整本试卷考的都是高等数理统计（高教版）那本书，各种充分完备统计量，UM,UMVUE,UMPT,umpt,UMVUE,指数族，渐进分布，秩检验。。。。 居然别的都不考，呵呵呵。。。然后我就淡然了，速速填完答题卡。 在这里说一下最后有三题简答题，第一题：简要回答参数统计与非参数统计的本质，以及非参数统计的特点。 第二题是求渐进分布的，具体我不记得了，反正也不会做 第三题求UMPT还是UMVUE，也记不清了。。。

中科院计算机经验贴

中国科学院大学计算机考研经验 1.专业基本情况（含报考人数，录取人数，报录比；） 专业基本情况：对于咱们报考中科院计算机的考生来说，毋容置疑是考863计算机学科综合考试的，其中包含数据结构、计算机网络、计算机操作系统、计算机组成原理四门课，也是我们常说的四大门。 简介：计算所拥有"计算机科学与技术"、"网络空间安全"两个一级学科，包括计算机系统结构、计算机软件与理论、计算机应用技术、信息安全等多个专业方向。可研究大数据、人工智能、计算机视觉、机器学习、图形图像处理、移动计算和可持续计算、并行处理体系结构、分布式操作系统等众多研究方向。 报考人数比例：对于报考中科院计算所的考生每年大约三四百人，如果没有意外，每年进入复试的人数大约是八十人左右，最后录取人数大约五十人左右。根据这个数字，按每年报考三百人，录取五十人计算，报录比为6:1，进入复试的比例为3.75:1。整体来说有点难度，但难度不大。 2. 每年录取分数线是多少，近三年为例； 2019年 复试线总分为：322 录取最低分数线：322 2018年 复试线总分为：304 录取最低分数线：309 2017年 复试线总分为：320 录取最低分数线：321

3. 写出公共课与专业课的官方参考书目； 4. 公共课与专业课的备考经验，今年专业课更改的情况与复习方式； 对于公共课： 数学：是考研的一大关，我们要及早进入数学的复习，第一轮：数学的复习过程是先把课本过一遍，基本知识点弄会，课后习题要做一遍；第二轮：买一本数学复习全书，跟着全书把知识点弄一遍，对应全书的习题要弄懂，特别是例题讲解；第三轮：要做真题，做真题，一定要多做真题，把近十年的真题全做一遍，做懂，做会。 英语：是个长久战，也要尽早进入复习，英语可以报个辅导，跟着老师的步伐走，英语重点在作文和阅读，要多练习，前提肯定是要先过单词的关，多做真题。政治：非常建议报个班，政治是最不好复习的，尤其是自己复习，根本抓不住重点，有老师跟着，可以帮我们提取重点，分析热点。 对于专业课： 首先是复习顺序：建议顺序为数据结构、操作系统、计算机组成原理、计算机网络 对于数据结构是注重逻辑理解，将逻辑结构和物理结构理解透彻，对于每一种数据结构要知道怎么通过顺序存储和链式存储实现，对于涉及数据结构的算法，要理解过程中的每一步；后面三科比较偏文，所以需要识记，操作系统是最为简单的一个科目，需要对操作系统的线程、进程、临界区保护等热点热考的考点理解透彻，识记东西较多；组成原理中需要逻辑理解的内容较多，主要偏重计算机硬件内部结构，以及在硬件上怎么进行计算机执行的，主要还是抓住重点，进行结构和内容的识记；计算机网络虽然内容多，但是能考的考点比较少，所以重点比较突出。 5. 复试的过程与经验。

2018中国海洋大学计算机技术01初试和复试大纲

910高级程序设计 一、考试性质 高级程序设计是计算机技术（01方向）硕士研究生入学考试的专业课程。 二、考察目标 本考试旨在三个层次上测试考生对顺序、选择与循环程序设计、数组、函数、指针、结构体、文件操作等知识掌握的程度和运用能力。三个层次的基本要求分别为： 1、熟悉记忆：对基于C语言的高级程序设计方法所涉及的基本定义、语法规则等进行忆方面的考核。 2、分析判断：重点考核考生用高级程序设计知识来分析判断程序语句或程序片段存在的问题； 3、综合运用：运用所学的高级程序设计知识编写程序，综合分析并解决具体实践问题。 三、考试形式 本试卷满分为150分，考试时间为180分钟 答题方式为闭卷、笔试。试卷由试题和答题纸组成，答案必须写在答题纸相应的位置上。 试卷结构：填空题约20分，判断题约10分，选择题约20分，程序分析约30分，程序填空约30分，程序设计约40分。 四、考试内容 （一）顺序、选择及循环程序设计 内容包括数据的表现形式及其运算、语句、数据的输入输出、选择结构和条件判断、关系运算符和关系表达式、逻辑运算符和逻辑表达、条件运算符和条件表达式、多分支选择结构、循环的实现等。 （二）数组 内容包括一维和二维数组的定义和引用、字符数组的定义、输入输出及处理函数等。

（三）基于函数的模块化程序设计 主要包括函数的定义、调用、对被调用函数的声明和函数原型、嵌套调用、递归调用、数组作为函数参数的使用、局部变量和全局变量、变量的存储方式和生存期、变量的声明和定义、内部函数和外部函数等。 （四）指针 内容包括指针变量的定义、引用、作为函数参数的使用、通过指针引用数组、数组元素的指针、指针的运算、用数组名作函数参数、通过指针引用多维数组、通过指针引用字符串、字符指针作函数参数、指向函数的指针、返回指针值的函数、指针数组和多重指针等 （五）自定义数据类型 包括定义和使用结构体变量、使用结构体数组、结构体指针、用指针处理链表、使用枚举类型、用typedef声明新类型名等。 （六）文件的输入输出 内容包括打开与关闭文件、顺序读写数据文件、随机读写数据文件、文件读写的出错检测等。 五、是否需使用计算器 否。 程序设计实践 一、考试性质 程序设计实践是海大计算机科学与技术与保密科学与技术相关专业的硕士入学复试考试的专业实践课程。 二、考察目标 本考试旨在三个层次上测试考生对C/C++语言设计、数据结构与算法设计、面向对象的软件开发技术等知识掌握的程度和运用能力。三个层次的基本要求分

中国石油大学计算机文化基础第一阶段在线作业参考答案

当前用户：朱德义 单选题 已批阅未批阅 单选题123456789101112131415161718192021222324252627282930313233343536373839404142434 4454647484950 试卷要求: 本阶段在线作业占在线作业成绩的25%，含单选题50道，答题时间60分钟，3次作答机会。 一、单选题 答题要求: 每题只有一个正确答案。 窗体顶端 1(2.0分) 某型计算机峰值性能为数千亿次/秒，主要用于大型科学与工程计算和大规模数据处理，它属于____。 A) 巨型计算机 B) 小型计算机 C) 微型计算机 D) 专用计算机 参考答案：A 收起解析 解析： 无 窗体底端 窗体顶端

2(2.0分) 通常所说的“裸机”是指计算机仅有____。 A) 硬件系统 B) 软件 C) 指令系统 D) CPU 参考答案：A 收起解析 解析： 无 窗体底端 窗体顶端 3(2.0分) 计算机系统应包括硬件和软件两部分，软件又必须包括____。 A) 接口软件 B) 系统软件 C) 应用软件 D) 支撑软件 参考答案：B 收起解析 解析： 无 窗体底端 窗体顶端 4(2.0分) 计算机进行数值计算时的高精确度主要决定于____。

计算速度 B) 内存容量 C) 外存容量 D) 基本字长 参考答案：D 收起解析 解析： 无 窗体底端 窗体顶端 5(2.0分) 在计算机领域，数据是____。 A) 客观事物属性的表示 B) 实际存在的数字 C) 一种连续变化的模拟量 D) 由客观事物得到的、使人们能够认知客观事物的各种消息、情报、数字、信号等所包括的内容 参考答案：A 收起解析 解析： 无 窗体底端 窗体顶端 6(2.0分) 在计算机领域中，通常用大写英文字母B来表示____。 A) 字 B)

2017中国人民银行校园招聘考情分析及备考建议【计算机专业】

2017中国人民银行校园招聘考情分析及备考建议【计算机专业】 【考试题型、题量及变化】 本次考试计算机部分涉及到的题型主要包括判断题、单选题、多选题、程序填空题、论述题等几类。较2016人民银行校园招聘考试来讲，增加了程序填空题；于2015年考试来讲，题型没有什么变化。就整题量来讲，今年总共64题，与前两年的题量相比变化不大。 【考试内容及变化】 本次考试计算机部分内容主要包括：组成原理、计算机网络、数据结构、C语言程序等几部分。与2016年考试内容相比，减少了操作系统这部分；与2015年考试相比，减少了操作系统、数据库两部分。由此可见，计算机这部分的考试内容在逐渐"集中化"。这样有利于大家在后面的备考过程中的复习。 【难度变化】 本次考试组成原理、C语言程序这两部分的内容难度为中等水平，而计算机网络、数据结构难度相对偏难；在近几年的考试过程中，C语言基本都是中等难度，其他部分都相对偏难。所以，中公金融人温馨提示：考试的内容范围虽然在减小，但是难度有可能hi增加。所以，计算机专业的同学们在备考的过程中，一定要注意细节，在平时一定要多加练习。 【中公金融人建议】 综上，本次考试过程中：组成原理部分试题的变化量不是很大，在考核中对数值的算法部分和存储部分也都有考核，所以复习时注意组成原理的重点知识；数据结构部分今年的考试试题比率比较大，所以同学们在复习时注意重点，今年的数据结果的考核与离散数学结合靠，有很多真题都是来源于离散数据的考试试卷；C语言主要是考核程序的填空，对各种算法的考核；操作系统占有的比例越来越少，今年考试中没有涉及。（2015年的考试中占有比率较大）；数据库在最近两年考试中占有的比率很小，（2016年没有考核，2015年知识考核了很少一部分计算机试题）。

中国海洋大学954计算机基础综合考研真题

中国海洋大学954计算机基础综合复习材料 （第三版，2021年考研必备） 初试资料目录 1 计算机科学与技术学硕考研必读纸质 2 官方专业课大纲纸质 3 海大教授数据结构视频视频 4 数据结构视频配套题目纸质 5 数据结构重难点提纲笔记（精编第3版）纸质 6 软件工程重难点高分笔记（背诵第3版）纸质 7 软件工程重难点作图与应用21类纸质 8 海大数据结构期末试卷12套纸质 9 数据结构期末试卷标准答案纸质 10 海大软件工程期末试卷16套纸质 11 软件工程期末试卷标准答案纸质 12 计算机组成原理精选应用大题纸质 13 海大数据结构考研真题2000～2012（超前搜集版）纸质 14 海大978考研真题2010～2018 纸质 15 海大978考研真题参考答案纸质 16 海大954考研真题2018～2020 纸质 17 海大954考研真题参考答案纸质 18 海大数据结构PPT 电子 19 数据结构配套代码电子 20 海大软件工程PPT 电子 21 海大软件工程PPT（新版）电子 22 软件工程作者原版PPT 电子 23 软件工程作者课本和学习辅导电子 24 组成原理作者课本电子 25 软件工程视频课程视频 复试资料目录 1 复试大纲电子 2 复试参考书目电子 3 个人简历模板电子 4 导师生涯简介电子 5 面试提问集锦电子 6 复试科目PPT 电子 7 复试科目试卷电子 8 学长复试经验文档电子 纸质版书籍->快递; 电子版->百度网盘 需要复习资料或订阅考研动态的同学，请联系学长扣扣 626997175 学长寄语：

1、计算机学硕954材料今年是第三版，此版修正了一些问题，新增加了137页知识与题目。 重构了材料的逻辑结构，修订篇幅高达68%。新增了多套数据结构和软件工程海大期末试卷；新增了978和954真题和答案；新增了海大视频课程与课程同步题目。为了扩大练习范围，新增2000～2012年数据结构真题；同时，为了学弟学妹们更好地复习，我们将材料所有配图重绘成风格统一的高清透明插图，以便高效复习。 2、新增的数据结构视频课程可以让海大教授带你更有针对性地复习本门课程，搭配上视频 配套题目中的课堂测验、自主思考、课后作业、课程结业测验对考研学习也大有帮助。 3、数据结构重难点知识点拨抛开课本的官方讲述，以更通俗的语言和图片示例突出数据结 构课程的重难点知识，并加以总结；软件工程重难点知识与简答题是学姐在海大时的听课笔记，并根据海大考研大纲修订精编而来，所有简答题答案标准，可直接背诵，再也不用花费大量时间担心简答题怎么整理？背哪个版本?哪些需要背了。 4、软件工程重难点计算与应用题有极高的原题或改编题再现概率，命题教授撰写的题目必 在这21种类型之中，从本专业招收研究生以来，从未脱离过本资料的范围，非常管用！ 5、关于期末试卷，数据结构是2005~2014年的部分试卷，部分年份分AB卷；软件工程是 2005~2015年的部分试卷，部分年份分AB卷。其中新增试卷是2020版资料独家首发！ 6、954与978区别在15分值的组成原理，虽然分值不大，但也不可忽视，今年针对中央处 理器与指令流水线，新增了12类经典题目，希望对后续考试有指引和预测作用。 7、对于真题，是复习考研的最佳材料，最全题目配上答案，能直观地感受到历年真题出题 的微妙变化，从而更好地应对本门专业课考试。本材料包含了2012年之前的数据结构试卷，也包含954和978历年题目和答案，供大家参考研究。 8、本科目的各种PPT非常齐全，授课PPT最能反映出本校老师对于这门课的侧重方向、难 度把握，是考研复习不可或缺的基础性材料；同时配有视频，基础不佳的同学可以观看视频，稳打基础。 9、复试资料该有的都有，也会根据每年的实际情况进行及时调整，只要好好复习相关内容， 认真对待，会上岸的！

中国海洋大学大学计算机基础上机考试题目

《大学计算机基础》上机考试试卷 场次：1 考试日期： 二、Word 操作题（30分） 原始文字： 国内笔记本品牌关注排行榜解析 全球笔记本品牌在30个左右，而国内的活跃品牌在15个左右，显然它们经历过市场洗礼之后，这些品牌都体现出了他们的过人之处。从我们最近的一次品牌关注排行榜中可以看到，国内笔记本品牌形成了以欧美台系为第一梯队、日韩为第二梯队、国产品牌为第三梯队的市场格局，这种三足鼎立格局的出现并非偶然，而是与各品牌产品、市场策略、推广方式有着密切的联系。 第一梯队：欧美老大地位依然 第一梯队中，排名第一到第四的分别为惠普、宏碁、戴尔、联想，这四大品牌在不仅在国内甚至在全球笔记本市场中都已经成为绝对的主力，惠普、戴尔作为全球PC品牌的领军，获得如此高的用户关注并不意外，而宏碁和联想两大国产品牌在这两年的发展非常迅速，而且分别成为奥运会赞助商，其实力有目共睹。但我们仔细分析这四个品牌，可以很显然的发现，其中的三个品牌均进行过收购或者并购其他品牌，而这一举动也多少促成了他们成为全球顶尖笔记本品牌。 第二梯队：日韩品牌共发展 在第二梯队中的品牌关注度比较接近，但它们却是发展最快、最具市场潜力的品牌，这其中以日韩品牌为代表。东芝、索尼、富士通是目前国内仅有的3个日系笔记本品牌，应该说它们的发展过程都十分类似。日系产品向来以优秀的设计、出色的品质而著称，不过最初进入中国时日系笔记本价格普遍偏高，与国内市场的购买能力明显不符，而且产品种类也偏少，与欧美及国产品牌相比竞争力非常低。但也是从2007年开始，由索尼牵头，日系品牌纷纷顺应中国市场而进行转型，推出了多款低价机型，虽然低价机型的配置上要低于其他品牌同价位产品，但是个性的外观设却计俘获了不少女性消费者的心，这以索尼和东芝为甚。应该说中国消费者对日系笔记本仍有着特殊的情节，三大日系品牌如此接近的品牌就说明了一些问题。 第三梯队：国产品牌夹缝中求发展 国产笔记本先天发展不足，无论是在技术还是市场上，虽然过程品牌在近两年开始找到感觉，但是市场环境已经十分饱和，对外有惠普、戴尔这样的欧美大牌，在内有华硕、宏碁、联想这样的国际品牌，市场竞争异常激烈。虽然国内品牌有政府及国家行业采购大单，但在市场经济下国内品牌发展依然艰难，进入第三梯队也是理所当然。 要求：（对照样张） 1．请将上面的原始文字复制到Word文档中，以“排行榜”为文件名保存在考试文件夹下。 （2分） 2．将文档的题目“国内笔记本品牌关注排行榜解析”设置为黑体、二号字、加粗、红色并居中。（2分） 3．将原始文字中黑体显示的三个段落设置为标题1样式，并使用自动编号添加编号。（5分）4．在“在第一梯队”内容中插入下面的图片，设置为四周型环绕，如样张所示。（3分）

计算机测控中国石油大学

实验记录本 六组 组长：张奥翔 组员：张春虎、张强、陈兴佩、吕为康、刘智 ——注: 图像经ps调色处理，未改变图像内容 实验一 现象： 实验记录如下： 1、当信号发生器输出波形为方波时：（左侧示波器，右侧pc机） 2、当信号发生器输出波形为三角波时：（左侧示波器，右侧pc机）

3、 当信号发生器输出波形为正弦波时：（左侧示波器，右侧pc 机） 实验二 现象： 1、 当程序设置输出波形为0~5V 正弦波时：

2、当程序设置输出波形为0~10V正弦波时： 3、当程序设置输出波形为-5V~5V正弦波时： 实验数据：

实验三 现象： 设置驱动器和程序细分值均为32，再次连接好电源、驱动器、采集卡、步进电机后，启动程序，在键盘上输入转速和转向后，电机转动。 获得的数据如下表所示: 圈数/r 所用时间 /s 实测转速/rpm 程序设定转速/rpm 绝对误差相对误差 150 60.66 148.3679525 150 1.63204747 8 0.01088031 7 150 60.51 148.7357462 150 1.26425384 2 0.00842835 9 150 60.42 148.9572989 150 1.04270109 2 0.00695134 1 50 30.13 99.56853634 100 0.43146365 7 0.00431463 7 50 30.19 99.37065253 100 0.62934746 6 0.00629347 5

50 30.09 99.70089731 100 0.29910269 2 0.00299102 7 50 60.13 49.89190088 50 0.10809911 9 0.00216198 2 50 60.03 49.97501249 50 0.02498750 6 0.00049975 50 60.21 49.82561036 50 0.17438963 6 0.00348779 3 25 60.02 24.99166944 25 0.00833055 6 0.00033322 2 25 60.16 24.93351064 25 0.06648936 2 0.00265957 4 25 60.11 24.95425054 25 0.04574945 9 0.00182997 8 由上表发现，速度越大，误差越大，误差可能来源于数圈数带来的误差。设定的转速和实际转速基本吻合。 实验四 现象： 1、连接好电路后，用万用表进行检测，控制线悬空时，测得各点电压

中国石油大学(北京)计算机应用基础在线考试

在线考试（客观题） 单选题 (共50道题) 展开 收起 1.（ 2.0分）冯·诺伊曼体系结构的核心设计思想是（）。 ? A、存储程序原理 ? B、计算机中的数据以二进制表示 ? C、计算机硬件由五大部件组成 ? D、程序设计 我的答案：A 此题得分：2.0分 2.（2.0分）计算机的发展阶段通常是按计算机所采用的（）来划分的。 ? A、内存容量 ? B、电子器件 ? C、程序设计语言 ? D、操作系统 我的答案：B 此题得分：2.0分 3.（2.0分）表示6种状态的二进制数至少需要（）位二进制编码。 ? A、3 ? B、4 ? C、5 ? D、6 我的答案：A 此题得分：2.0分 4.（2.0分）某飞机场的机场定票系统程序属于（）。 ? A、系统软件 ? B、工具软件 ? C、应用软件 ? D、字处理软件 我的答案：C 此题得分：2.0分 5.（2.0分）二进制数1101011101.100101转化成十六进制数是（）。 ? A、35D.94

? B、35D.91 ? C、3514.94 ? D、35D.91 我的答案：A 此题得分：2.0分 6.（2.0分）在下列有关回收站的说法中，正确的是（）。 ? A、扔进回收站的文件，仍可再恢复 ? B、无法恢复进入回收站的单个文件 ? C、无法恢复进入回收站的多个文件 ? D、如果删除的是文件夹，只能恢复文件夹名，不能够恢复其内容 我的答案：A 此题得分：2.0分 7.（2.0分）在资源管理器中，选定多个连续文件的操作为（）。 ? A、按住SHIFT键，单击每一个要选定的文件图标 ? B、按住CTRL键，单击每一个要选定的文件图标 ? C、先选中第一个文件，按住SHIFT键，再单击最后一个要选定的文件图标 ? D、先选中第一个文件，按住CTRL键，再单击最后一个要选定的文件图标 我的答案：C 此题得分：2.0分 8.（2.0分） Windows中更改任务栏上时间的显示方式，可以使用控制面板中的（）。 ? A、区域和语言选项 ? B、外观和主题 ? C、时间和日期 ? D、系统 我的答案：A 此题得分：2.0分 9.（2.0分）在Word的“字体”对话框中，可设定文字的（）。 ? A、缩进 ? B、间距 ? C、对齐 ? D、行距 我的答案：B 此题得分：2.0分 10.（2.0分） Word中以下有关“拆分表格”说法中，正确的是（）。 ? A、可以把表格拆分为左右两部分

最新aefezpm中国人民银行2007招考笔试类、经济金融,计算机、会计等汇总

A e f e z p m中国人民银行2007招考笔试管理类、经济金融,计算机、会计等

生命是永恒不断的创造，因为在它内部蕴含着过剩的精力，它不断流溢，越出时间和空间的界限，它不停地追求，以形形色色的自我表现的形式表现出来。 －－泰戈尔 中国人民银行2007招考笔试（管理类） 1.首先也是判断15*1 内容前面是关于行政管理的大概5～6个，接着便是10个人力资源方面的 2.单项选择25*1 内容全是人力资源管理，包括招聘，绩效评估，有效控制，考核，培训等等方面。包括人 力方面的技术和手段。 3.多项选择10*1.5 还是人力资源方面的，包括企业文化，内部培训，外部培训之类的等等。记不全了。 3.简答10*2 第一题什么是有效控制，要求是什么 第二题什么是领导者，什么是被领导者。有些人认为上级就是领导者，下级就是被领导者 。对吗？为什么？

4.论述20*1 现代组织的社会责任日益重要，有些人赞同，有些人反对，请说出各自的论据？你认为现 代组织的社会责任是什么？ 个人认为时间很充裕，我提前40分钟交卷。因为我实在不会，因为我不是学人力资源的 ，如果是学人力资源的，估计会很简单。大家要是复习的话，可以找些这方面的材料。 呼唤会计和统计以及英语类笔试～～～～ 人民银行管理类笔试 试题分5部分，考试时间为150分钟 1.单项选择题（20分，1题1分，共20题） 2.多项选择题（30分，1题1分，共30题） 3.判断题（10分，1题1分，共10题） 4.材料分析题（10分，1题2分，共5题） 5.作文（30分，给材料议论文，标题自拟） 内容： 虽然是管理类，但是考题内容侧重于行政能力 例如： 北京市政府发送给国务院各部委的公文（主送方）属于： a. 上行公文 b. 下行公文 c.平行公文 d(记不清了) 再如：

中科院计算机研究所考研必看的经验

经过一年多的复习艰辛，初试的失望，等待成绩的焦躁不安，复试的忐忑，最终终于如愿以偿考上自己向往的中科院，心中有喜悦也有感恩。一路走来真的不容易，在这里把自己的一些经验和感悟给大家说一下，希望能够帮助后来的考研学子，也是对曾经给过我指导和帮助的热心人的感恩。 首先自我介绍，我是来自一个普通二本里的三本学生，软件工程专业，至于学费我想大家都知道。我今年的考研分数：数学105 英语61 政治70 专业课92 报考学校：中科院计算所。如果你是大牛考名校那就不要参考了，因为，我很平庸，报的也不是大学。而如果你也像我一样不是很优秀，又希望考上全公费另外还有零花钱去旅游得同学，你可以参考。 我的基本情况就是以上那些，在一个普通二本里的三本学习，大家可以想想学习环境，但是我想说，事在人为，只要努力就能改变命运。大学期间担任班长创建社团，连续2年国家励志和一次学校一等奖学金，大学前三年积极参加各种活动，数学建模大赛，IT创新大赛，河南省863软件大赛等活动。专业上领导社团成员并参与三个软件的开发工作。各类级别证书二十多项。我说这些不是炫耀自己，我只是证明，出身在那里不重要，重要的是你努力没有，你奋斗没有，你有没有被现实屈服。我不聪明但我一直在努力。我相信努力可以改变一些命运。所以不论你在那里上学，学校如何，都不要抱怨，而是要问自己是否努力过。Q1：为何选择中科院？ 第一全公费，我的目的很明确，每月1000-2000的补助。远远领先名校奖学金。 第二，就业好，北京的计算所最好也最难考，对我们这样的有点出身歧视。而京外所好点。我报的沈阳计算所，每年毕业不到50人，全部百分之百就业，就在前几天复试时。公寓老师说，你们毕业月薪过万没啥了不起。最好的今年有几个签百度的，据说年薪22w。 第三，复试容易。大学要选导师，这里不用，第一年在中国科技大学或者北京中科院学习一年再回来选导师。复试这几年几乎是百分之百接受。今年生源不好，招收调剂的了，前几年从不招收。所以上线300就能录取。当然这也是我算好的，算定今年分数不高。如何计算，参看我的考研数据分析。 第四，中科院导师每人最多带三个人，一般二个。项目多，做不完的项目。保证培养质量。 第五，无论在那个所上，毕业证学位证全国统一，都是中国科学院授予。没有地方的名字。 第六，生活条件好，除了上学期间不用担心钱不够花外，住宿是宾馆的标间配置，三人间。三个床。缺点：生活单调，有钱没地方花。地理位置偏僻荒凉。不过就在所里一年半，努力学习专业技术也是很好的地方。 Q2：中科院是不是有特殊要求？ 没有任何特殊要求，我们复试很多都是跨考的，比如数学系的，生物的。没有动手能力也不歧视。只要以后肯学，中国科技大学加上中科院会把你调教成专业能手的。相比大学，不用提前联系导师，具有考过初试，就不用再操心的好处。前提分数达到他们所里要求的复试线而不是国家线。 Q3: 能不能推荐几个性比价高的研究所？ 第一，我报考的沈阳计算所。专业研究计算机，数控机床很领先。今年所有学科升级为国家一级学科。首批国家工程博士培养单位。就业100%，就业单位所主页有详细历年介绍。不过分数线比较起伏，但是不管如何都比北京的好考。2013个人预测比国家线多出20分以上，因为今年比较低。估计2014年比国家线多出10分左右。详细情况参考历年数据。 第二，成都计算所，这个单位比较特殊。每年招不满，很大程度上由于专制为企业。其实，研究生培养还是中科院。就业也很好，就是招生的人不如沈阳计算所多。如果你很没有把握，只是抱着过线的心，那就考虑他吧。

一种欠驱动移动机器人运动模式分析

天津比利科技发展有限公司 李艳杰 ’马岩1，钟华2，吴镇炜2 ' 隋春平2 （1.沈阳理工大学机械工程学院，沈阳110168;2．中国科学院沈阳自动化研究所，沈阳110016） 摘要：介绍了一种欠驱动移动机器人的机械结构。分析了该欠驱动移动机器人在平地行进 模式的特点，提出一种越障控制模式。在该越障控制模式中加入了障碍物高度计算算法， 使得移动机器人在越障过程中的智能控制更加高效。利用VB编写控制程序人机界面，在移 动机器人实物平台上进行了实验，实验结果证明了控制方法的有效性。 关键词：AVR单片机；欠驱动移动机器人；越障模式 中图分类号：TP242文献标志码：A Analysis of a Underactuated Mobile Robot Moving Mode LI Yan-jie',MA Yan',ZHONG Hua2,WU2hen-wej2,SUI Chun-ping2 (l.School of Mechanical Engineering,Shenyang Ligong University,Shenyang110168,China;2.Robotics Lab,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang110016,China) Abstract:The mechanical structure of a kind of underactuated mobile robot was described in this paper.The charac- teristics of the underactuated mobile robot in the plains traveling mode was analyzed and a kind of obstacle-negotia- tion control mode was proposed.Due to calculate algorithm of obstacle's height was added to the the obstacle-nego- tiation control mode,the intelligent control of obstacle-negotiation becomes more efficient.The control procedure HMI was programmed by VB and the experiment was performed on the mobile robot platform.Experiment results show the control method was effective. Key words:AVR SCM;underactuated mobile robot;obstacle-negotiation mode 欠驱动机械系统是一类特殊的非线性系统，该容错控制的作用。因此，欠驱动机器人被广泛应用系统的独立控制变量个数小于系统的自由度个数【l】o于空间机器人、水下机器人、移动机器人、并联机器 欠驱动系统结构简单，便于进行整体的动力学分析人、伺服机器人和柔性机器人等行业。 和试验。有时在设计时有意减少驱动装置以此来增本文以四驱动、八自由度的欠驱动移动机器人加整个系统的灵活性。同时，由于控制变量受限等为实验对象，通过切换驱动器的工作模式来克服系原因，欠驱动系统又足够复杂，便于研究和验证各统不完全可控造成反馈控制失效【2】的缺点。以工控 种算法的有效性。当驱动器故障时，可能使完全驱机作为上位机，通过工控机的RS232串口与AVR 葫系统成为欠驱动系统，欠驱动控制算法可以起到单片机进行无线通讯。通过对驱动器反馈数据的分 收稿日期：2013-01-22：修订日期：2013-02-19 基金项目：国家科技支撑计划项目(2013BAK03801,2013BAK03802) 作者筒介：李艳杰（1969-），女，博士，教授，研究方向为智能机器人控制及机器人学；马岩（1988-），男，硕士研究生，研究方向为嵌入式控制；钟华（1977-），男，博士，副研究员，研究方向为机器人控制及系统集成。 Automation＆Instrumentation2013(9) 一种欠驱动移动机器人运动模式分析