摘要：针对六轴机器人动力学参数辨识中激励轨迹设计问题,提出了一种将改进差分进化(IDE)算法用于优化激励轨迹参数的方法.首先,用牛顿-欧拉(Newton-Euler)迭代法建立了六轴机器人动力学模型,将机器人最小惯性参数观测矩阵的条件数作为优化目标函数;其次,通过对差分进化算法的改进,引入反向最优最差策略改善种群初始值,采用自适应算法改进变异因子和交叉因子;最后,利用改进差分进化算法优化设计了满足机器人各个约束条件的傅里叶级数作为激励轨迹,进行机器人的参数辨识.试验结果表明,采用所提出的优化方法设计的激励轨迹可以充分激发机器人动力学特性,提高了机器人动力学参数辨识试验的抗噪声能力,为建立精确的机器人动力学模型提供参考.

摘要：在自动上料控制系统中,针对传统电感式传感器容易受到外界复杂环境干扰,且需要进行繁琐校准工作等问题,提出了一种基于改进C3D模型的料仓视频视觉分类识别方法;基于实验需求,设计了合作标靶和建立了料仓识别视频数据集;将初始C3D模型作为主干网络进行改进,将该模型第3、4、5层卷积层进行精简,使得模型参数量大幅降低,有利于加快推理速度;在轻量化后的C3D模型上融合SE注意力机制,C3D模型从时空两个维度中提取特征,SE注意力机制可以有效在复杂场景视频帧中找出标靶显著区域,在兼顾时序信息的同时能够高效提取特征进而提高识别准确率;实验结果表明,SE-C3D识别模型准确率达到99.61%,与初始C3D模型相比,准确率提高2.48%,与其他典型三维卷积模型对比,各项性能指标也均有明显提升,对未来智能化上料系统的发展具有重要意义。

摘要：在混沌系统的同步控制中,由于混沌系统对初始状态的敏感性,一旦两个混沌系统的状态初值偏差大,其状态同步往往需要高幅值的控制律来达到,这给同步控制实现带来了困难,并且在同步控制中,两个混沌系统的初始值通常是未知的.本文考虑控制输入受限情况下的混沌同步控制问题,基于符号函数的近似表示式,将受限的控制输入建模为连续可微的光滑函数,在每一个采样点将同步控制误差系统近似为局部最优线性模型并设计连续型线性二次型调节器(LQR)最优控制律.为降低混沌同步控制律的幅值和维持同步系统采样时刻之间的动态,设计了等价的离散最优控制律,并通过调整LQR性能加权矩阵值,确保同步控制信号不会超出其受限的上界.最后对统一混沌模型下的三种不同混沌系统同步控制进行了仿真研究.仿真结果验证了方法的有效性.

摘要：针对目前基于深度学习的显著目标检测算法存在的目标完整性和区域平滑度的不足,基于非局部深度特征提出一种多尺度上下文信息增强的全卷积网络算法,包含多级别特征提取、多尺度上下文特征增强、对比度特征提取和局部-全局信息融合预测4个模块.首先从VGG16模型提取多级别局部特征,利用多尺度上下文实现特征信息增强;然后设计组合的损失函数进行网络训练以学习对比度特征;最后用局部-全局融合的方式实现显著图的预测.与已有算法在ECSSD,HKU-IS和DUT-OMRON数据集上进行实验的结果表明,该算法在复杂场景图像上的鲁棒性更好,对背景噪声具有更有效的抑制作用,得到的显著目标区域更加连续和完整.

摘要：针对现有行人再识别算法中采用单一外观特征所存在的特征判别力的不足问题,在深度学习框架下提出一种基于困难样本三元组损失的多任务行人再识别网络,以同时学习身份和属性标签的方式获得更多的行人判别信息.首先将预处理后的图片输入预训练的ResNet-50模型中提取行人特征信息;然后将其特征输入所设计的多任务网络,通过最小化身份和属性联合三元组损失调整网络模型参数,共同完成行人身份和属性判别双分支网络的训练;最后用训练好的模型提取行人特征,用于行人再识别任务,同时实现行人属性的判断.在Market-1501和DukeMTMC-reID这2个数据集上的实验证明,文中网络在行人再识别任务中所提取的特征更具有表征力,识别精度优于现有方法,并且能完成属性识别任务.

摘要：针对深层特征存在冗余通道影响跟踪速度和精度以及单一特征难以适应复杂场景的问题,提出了一种通道裁剪下的多特征组合目标跟踪算法。首先,在相关滤波算法的框架上结合传统手工特征和深层特征进行跟踪。其次,通过对比深层特征通道上目标区域和搜索区域的特征均值设计通道裁剪策略,筛选出合适的特征通道。最后,通过隔帧更新的方式更新深度特征,通过平均峰值相关能量更新传统特征滤波模板,最终实现准确跟踪。与10种算法在OTB2013和OTB2015数据集上进行对比实验的结果表明,本文算法在跟踪准确度和成功率方面都取得了更为理想的结果。

摘要：为了挖掘说话人识别领域中人脸和语音的相关性,该文设计多模态生成对抗网络(GAN),将人脸特征和语音特征映射到联系更加紧密的公共空间,随后利用3元组损失对两个模态的联系进一步约束,拉近相同个体跨模态样本的特征距离,拉远不同个体跨模态样本的特征距离。最后通过计算公共空间特征的跨模态余弦距离判断人脸和语音是否匹配,并使用Softmax识别说话人身份。实验结果表明,该方法能有效地提升说话人识别准确率。

摘要：由于视角和行人姿态的变化、遮挡以及非手工行人框的误差等因素,同一行人的不同图像差异较大,给行人再识别课题的研究带来了极大挑战.为提高行人姿态变化下的行人再识别性能,提出通道互注意机制下的部位对齐行人再识别网络.首先,行人图像通过2个子网络,分别提取行人的外观特征和部位特征;然后设计一个通道互注意模块,通过挖掘行人部位特征通道间的互相关系,优化部位特征在通道维度上的权重;最后,将优化后的行人部位特征和外观特征通过双线性池化进行特征融合.在3个大规模公开数据集上的实验结果表明,通道互注意机制能有效优化部位特征,所设计的部位对齐网络具有抗姿态变化和背景干扰的能力.在Market-1501,DukeMTMC-reID和CUHK03数据集上Rank-1/mAP分别达到93.9%/90.6%,87.6%/83.3%和70.4%/72.8%,优于其他现有方法.

摘要：特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。采集了玉米种子的高光谱图像,并提取每粒玉米种子在不同波段下的图像熵作为分类特征;在此基础上,利用支持向量数据描述方法构建每类玉米的分类器模型,对待识别样本的测试精度达到了94.14%,对新类别样本的识别精度达到92.28%。仿真结果表明:新方法可实现玉米种子的准确识别,同时解决了传统分类器对新类别样本的错误分类问题。

摘要：针对深度学习的方法用于微表情识别时微表情识别的实验数据库非常稀缺,导致神经网络在学习的过程中知识获取有限而难以提高精度及泛化能力的问题,提出基于双流网络信息交互的微表情识别方法.通过改进的深度互学习策略引导图像序列不同模态之间的交互训练,提高网络的识别率.方法基于RGB图像序列建立主体网络,基于光流建立辅助网络;在训练阶段,通过设计互学习损失中的有监督学习损失和拟态损失,优化训练过程,使得每一种模态都能学习正确地预测训练样本的真实标识,同时能与其他模态的预测相匹配;在测试阶段,由于互学习机制增强了RGB分支的判别能力,因此可对光流分支进行剪裁,在保证精度的前提下提高识别速度.在CASME,CASMEⅡ和SMIC数据库上的实验结果表明,该方法有效地提高了识别精度,整体性能优于已有方法.