摘要：现有的遥感图像变化检测方法主要依赖卷积神经网络(convolutional neural network,CNN)或Transformer进行构建,但这些方法通常未能充分平衡这两种技术的优缺点,并且往往没有专门针对变化检测的任务特性(对变化区域特征信息进行提取学习)进行优化设计。针对这一问题,充分利用了Transformer的全局信息处理能力和CNN的局部信息捕获能力,提出了一种充分结合两者各自优势并由多条支路组成的多边特征引导聚合网络模型,该模型通过基于Transformer的主网络来对图像的全局信息进行提取,通过设计的基于CNN的多尺度特征提取模块来对图像的局部信息进行提取,通过特征聚合网络将图像的全局信息分别与变化和未变化区域信息进行聚合后输出得到预测结果图。为了验证模型的有效性,构建了一个包含多种地表覆盖类型,涵盖不同季节的新的遥感图像变化检测数据集。同时在实验部分也利用两个公开数据集来进一步验证了模型的泛化性和鲁棒性。实验结果表明,与现有先进方法相比,所提算法在三个数据集上的平均交并比(mean intersection over union,MIoU)指标分别提高了0.83、0.71、0.7个百分点。

摘要：针对存在干扰的四旋翼无人机姿态系统,设计了一种RBF网络鲁棒自适应反步滑模控制器.在反步滑模控制的基础上,通过RBF网络逼近和补偿标称控制律,采用神经网络最小参数学习法,取神经网络的权值上界估计作为神经网络的估计值,通过设计参数估计自适应律来代替神经网络权值的调整,并用Lyapunov理论证明系统的稳定性.仿真结果表明:该方法相比反步滑模控制方法,在有干扰的情况下,有更短的调节时间,更好的跟踪精度,验证了本方法具有更好的抗干扰性和鲁棒性.

摘要：针对现有去雾方法处理的图像细节模糊和色彩偏差等问题,提出了一种基于特征增强的双重注意力去雾网络。该网络采用编码器-解码器结构,设计了一个双重注意力特征增强模块,其中,利用Ghost模块替代非线性卷积,实现模型轻量化处理,通过RFB充分融合不同尺度的特征,实现均匀去雾,引入双重注意力实现信息跨通道与空间交互,保证模型性能和抑制噪声特征。使用RESIDE数据集对网络进行训练和测试。实验结果表明,所提算法在主观视觉和客观评价指标上均有优异表现,能有效地提升网络的特征提取能力,实现对不同场景雾图的色彩恢复,增强图像的对比度和清晰度。

摘要：为解决Camshift目标跟踪算法在跟踪目标遮挡时陷入局部最大值、跟踪目标快速移动导致跟踪丢失以及光照变化影响跟踪精度一系列问题,提出一种改进Camshift目标跟踪算法。利用自适应权重与H通道特征提取模板,融合Kalman滤波算法并引入巴氏距离遮挡判别法。非遮挡时,使用Kalman预测调整跟踪搜索区域;遮挡时,使用Kalman预测跟踪。实验结果表明,将改进后算法部署于FPGA硬件平台能够准确地跟踪快速运动、遮挡干扰目标,在1920×1080分辨率下理论跟踪帧率为98.17帧/s,对1080p@60 Hz以及多种分辨率视频输入下平均跟踪重叠率达到84.68%。

摘要：卷积神经网络是目标检测中的常用算法,但由于卷积神经网络参数量和计算量巨大导致检测速度慢、功耗高,且难以部署到硬件平台,故文中提出一种采用CPU与FPGA融合结构实现MobileNetV1目标检测加速的应用方法。首先,通过设置宽度超参数和分辨率超参数以及网络参数定点化来减少网络模型的参数量和计算量;其次,对卷积层和批量归一化层进行融合,减少网络复杂性,提升网络计算速度;然后,设计一种八通道核间并行卷积计算引擎,每个通道利用行缓存乘法和加法树结构实现卷积运算;最后,利用FPGA并行计算和流水线结构,通过对此八通道卷积计算引擎合理的复用完成三种不同类型的卷积计算,减少硬件资源使用量、降低功耗。实验结果表明,该设计可以对MobileNetV1目标检测进行硬件加速,帧率可达56.7 f/s,功耗仅为0.603 W。

摘要：为了提高光电稳定平台的动态性能与抗干扰能力,提出一种分数阶降阶自抗扰控制(FO-RADRC)算法。首先,利用系统输出信号的可测性和可靠性,采用降阶线性扩张状态观测器,提高观测效率和精度;然后,采用分数阶PD(FOPD)作为控制律,从而增强系统的稳定性和控制性能。通过数值仿真实验,与线性自抗扰算法和降阶线性自抗扰算法进行了对比分析。结果表明,所提算法在动态性能指标上均优于对比算法,且在不同频率的等效扰动作用下具有更强的扰动抑制能力。这些结果验证了所提改进算法在提升光电稳定平台控制效果方面的有效性和创新性。

摘要：为了克服非约束性(光照、遮挡、姿势等变化)条件下会大大降低人脸识别率的缺陷,提出一种基于Gabor相位和幅值信息的统一化局部二进制模式&稀疏表示人脸识别算法.首先将人脸图像经过Gabor滤波器滤波得到Gabor相位和幅值图像,然后分块提取其统一化的局部二进制直方图,最后通过稀疏表示判断测试图像所属类.利用AR数据库进行实验的结果表明,与SRC、结合LBP和SRC特征的分割识别算法相比,该算法在非约束性条件下识别率最高.

摘要：目的现有图像级标注的弱监督分割方法大多利用卷积神经网络获取伪标签,其覆盖的目标区域往往过小。基于Transformer的方法通常采用自注意力对类激活图进行扩张,然而受其深层注意力不准确性的影响,优化之后得到的伪标签中背景噪声比较多。为了利用该两类特征提取网络的优点,同时结合Transformer不同层级的注意力特性,构建了一种结合卷积特征和Transformer特征的自注意力融合调制网络进行弱监督语义分割。方法采用卷积增强的Transformer(Conformer)作为特征提取网络,其能够对图像进行更加全面的编码,得到初始的类激活图。设计了一种自注意力层级自适应融合模块,根据自注意力值和层级重要性生成融合权重,融合之后的自注意力能够较好地抑制背景噪声。提出了一种自注意力调制模块,利用像素对之间的注意力关系,设计调制函数,增大前景像素的激活响应。使用调制后的注意力对初始类激活图进行优化,使其覆盖较多的目标区域,同时有效抑制背景噪声。结果在最常用的PASCAL VOC 2012(pattern analysis,statistical modeling and computational learning visual object classes 2012)数据集和COCO 2014(common objectes in context 2014)数据集上利用获得的伪标签进行分割网络的训练,在对比实验中本文算法均取得最优结果,在PASCAL VOC验证集上,平均交并比(mean intersection over union,mIoU)达到了70.2%,测试集上mIoU值为70.5%,相比对比算法中最优的Transformer模型,其性能在验证集和测试集上均提升了0.9%,相比于卷积神经网络最优方法,验证集上mIoU提升了0.7%,测试集上mIoU值提升了0.8%。在COCO 2014验证集上结果为40.1%,与对比算法中最优方法相比分割精度提高了0.5%。结论本文提出的弱监督语义分割模型,结合了卷积神经网络和Transformer的优点,通过对Transformer自注意力进行自适应融合调制,得到了图像级标签下目前最优的语义分割结果,该方法可应用于三维重建、机器人场景理解等应用领域。此外,所构建的自注意力自适应融合模块和自注意力调制模块均可嵌入到Transformer结构中,为具体视觉任务获取更鲁棒、更具鉴别性的特征。

摘要：针对遥感有向目标存在的检测问题,设计了一个基于改进Rotated RPN的网络,设计特征重组机制,通过加权使网络关注有效目标区域。使用新的有向框标注方法,避免在临界角度出现错位等问题。在检测头前端使用极化注意力模块,改善因为分类和回归任务所需特征不一致导致的性能下降问题。实验结果表明,该模型可以提高多类目标的检测精度。相较于基准Rotated RPN,该模型在Dior-R数据集上精度提升4.95%,在HRSC2016数据集上精度提升11.75%。

摘要：极性电介质支持的表面声子极化激元(surface phonon polaritons,SPhP)在红外波段增强光与物质相互作用过程中引起了广泛的关注,然而存在光场操控有限、调制波段限定在剩余射线带区域的问题.提出了一种由双轴范德瓦耳斯材料(a-MoO_(3))和外尔半金属组成的异质结构,用来研究各向异性SPhP的主动可调谐性.在横磁波入射条件下,通过4×4传递矩阵法准确地求解异质系统中的反射系数以及场分布,描述各向异性SPhP的色散性质.研究结果表明:模式杂化和色散操控可以通过方位角度及a-MoO_(3)的厚度大小实现.更重要的是外尔半金属中费米能级的大小能够启用动态色散曲线调节,而费米能级依赖于外界温度的变化.因此研究有助于进一步优化和设计基于范德瓦耳斯材料的可控光电器件,在红外热辐射和生物传感等方面具有较好的应用前景.