摘要：为了提高语义分割精度,解决模型在不同数据域上泛化性差的问题,提出基于深度信息的无监督领域自适应语义分割方法.首先,深度感知自适应框架通过捕捉深度信息和语义信息的内在联系,减小不同域之间的差异;然后,设计了一个轻量级深度估计网络来提供深度信息,通过跨任务交互策略融合深度和语义信息,并在深度感知空间对齐源域和目标域的分布差距;最后,提出基于深度信息的域内自适应策略弥合目标域内部的分布差异,将目标域分为子源域和子目标域,并缩小子源域和子目标域分布差距.实验结果表明,所提方法在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任务上的平均交并比分别为46.7%和73.3%,与同类方法相比,该方法在语义分割和深度估计精度上均有显著提升.

摘要：假设可估计各个跑道入侵事件持续时间的出现概率,考虑专机、要客、普通航班等不同航班类型对延误和备降处理的优先级差异,建立不确定情景下的多跑道运行模式进离场航班排序优化模型,选择部分普通进场航班去备降机场,将剩下的航班分配给相对应跑道,计算这些进离场航班的实际起飞或降落时间,在优先保障专机和要客航班进离场情形下,尽可能减少普通航班的延误成本。根据问题特征,设计求解问题的多阶段并行分布式启发式算法。最后,结合一个真实案例,给出了最佳方案,并揭示入侵事件、不同优先级类型的航班数量和航班延误之间的内在关系,从而验证模型的正确性。