摘要：红外视频存在颜色信息缺失较为严重、识别区域易与背景混淆等现象,使得现有小样本特征提取网络常常关注无效信息,导致识别精度较低。针对此问题,本文提出一种基于内卷积(Conv-Involution)算子的红外视频小样本人体行为识别方法。首先,通过InstColorization方法恢复红外视频中的颜色信息;其次,基于空间和通道特异性设计Conv-Involution算子,并利用该算子和改进注意力机制设计特征提取网络,分离背景,更有效地关注行为发生区域;最后,结合小样本学习方法ANIL进行人体行为分类。对比实验结果表明,本文所提方法不但识别精度最高,而且具有出色的稳定性。

摘要：目前,单一图像在人工交互的条件下已能实现准确分割,但如果图像数量大,则需要大量劳动量.而自动分割难以在多图像间构建统一的目标模型.为此,提出一种多视角图像的少量交互分割算法,即仅对其中一幅进行交互,对其他图像进行前景目标一致的自动分割.首先通过构建特征点轨迹图模型,建立其他图像特征点与交互图像特征点之间的连接;然后利用最短路径算法进行特征点的前景/背景分类,获得多图像间的局部对应;最后将已分类特征点作为形状先验,使用测地星凸分割算法实现多视角图像的一致分割.命中率和误报率的比较实验结果表明,文中的算法具有较好的一致分割能力,而且这种局部对应的方式还可以实现多目标的分割.

摘要：针对现有深度学习光流计算方法的运动边缘模糊问题,提出了一种基于多尺度变形卷积的特征金字塔光流计算方法.首先,构造基于多尺度变形卷积的特征提取模型,显著提高图像边缘区域特征提取的准确性;然后,将多尺度变形卷积特征提取模型与特征金字塔光流计算网络耦合,提出一种基于多尺度变形卷积的特征金字塔光流计算模型;最后,设计一种结合图像与运动边缘约束的混合损失函数,通过指导模型学习更加精准的边缘信息,克服了光流计算运动边缘模糊问题.分别采用MPI-Sintel和KITTI2015测试图像集对该方法与代表性的深度学习光流计算方法进行综合对比分析.实验结果表明,该方法具有更高的光流计算精度,有效解决了光流计算的边缘模糊问题.

摘要：基于松弛支配的高维多目标进化算法(Many-objective Evolutionary Algorithms,MaOEAs)由于能够有效地提高区分解的能力,受到广泛关注,但该类大多数算法处理不同目标的优化问题时普适性较差.针对这个问题,本文提出一种基于自适应支配准则的高维多目标进化算法(Adaptive Dominance Criterion Based Evolutionary Algorithm for Many-objective Optimization,ADCEA).首先,自适应准则(Adaptive Dominance Criterion,ADC)根据目标空间中相邻解间的角度信息和目标数目,设计一种自适应小生境方法,并结合收敛性指标信息,实现对候选解的非支配排序.然后,为了进一步增强种群的多样性,在环境选择中引入参考向量分割种群技术;最后,构建合理的适应度函数,并根据适应度值大小选取收敛性和多样性较好的非支配解集.实验证明,本文所提的方法在处理不同目标的优化问题时普适性提高,并在平衡种群的收敛性和多样性上取得显著效果.

摘要：图像去雾是典型的不适定问题,编解码网络是常用的去雾网络架构,编解码网络由编码器、解码器和连接两者的特征转换器构成。已有去雾算法生成的去雾图像通常质量较低,存在局部细节去雾不彻底、颜色失真或引入噪声等问题。针对基于编解码网络的去雾算法在设计特征转换器时没有充分利用小尺度特征、解码阶段仅利用对应层编码特征的问题,提出一种基于高低频特征增强的去雾算法。在特征转换阶段,设计扩张残差组件并组成上下文聚合网络,充分利用大感受野的低分辨率特征,提取特征图远距离相关性,增强低频小尺度特征。设计基于通道注意力的多级特征重用网络,实现浅层高频特征的重利用,同时深度融合解码重建特征,增强视觉感知特征的恢复。在编码阶段构建视觉特性感知模块,利用残差块在局部建模方面的优势增强浅层丰富的高频视觉特征。实验结果表明,与AOD-Net、PFF-Net等去雾算法相比,该算法的PSNR和SSIM指标均有明显优势,在室内合成数据集SOTS和室外真实数据集Dense-Haze上,所提算法的PSNR和SSIM分别高出性能次优算法0.77 dB、0.000 7和0.40 dB、0.037 1。

摘要：高速运动状态下的直升机桨叶全场景挥舞状态分析,是直升机旋翼系统进行试验时的研究热点与难点。在直升机旋翼系统试验过程中,为准确可靠的复现桨叶在高速运动时的挥舞状态,提出一种基于CATIA参数化模型与Simulink仿真模块相结合实现桨叶在高速运行下挥舞形变仿真方法。建立全尺寸桨叶模型,利用立体视觉技术获取桨叶运动过程中标记点的三维信息,再对三维信息进行数据解算得出桨叶的挥舞量,并进行数据插值,构建桨叶挥舞状态运动三维仿真模型。仿真结果表明,构建的桨叶模型能够在满足仿真精度、实时性及可控变速的要求下真实地复现出桨叶在高速运动状态下的挥舞量变化。

摘要：高分辨率遥感图像检索中,由于图像内容复杂,细节信息丰富,以致通过卷积神经网络提取的特征难以有效表达图像的显著信息。针对该问题,提出一种基于级联池化的自注意力模块,用来提高卷积神经网络的特征表达。首先,设计了级联池化自注意力模块,自注意力在建立语义依赖关系的基础上,可以学习图像关键的显著特征,级联池化是在小区域最大池化的基础上再进行均值池化,将其用于自注意力模块,能够在关注图像显著信息的同时保留图像重要的细节信息,进而增强特征的判别能力。然后,将级联池化自注意力模块嵌入到卷积神经网络中,进行特征的优化和提取。最后,为了进一步提高检索效率,采用监督核哈希对提取的特征进行降维,并将得到的低维哈希码用于遥感图像检索。在UC Merced、AID和NWPU-RESISC45数据集上的实验结果表明,本文方法能够有效提高检索性能。

摘要：为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。

摘要：针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题,提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法,设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络,利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动,其次通过反卷积层将图像特征上采样到目标图像大小,再利用密集残差学习高维特征,最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验,并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比,重建出的图像在整体清晰度和边缘锐度方面更好,另外峰值信噪比(PSNR)平均分别提高了2.69dB、1.68dB、0.74dB和0.61dB。实验结果表明,该方法能够获取更丰富的细节信息,得到更好的视觉效果,达到了图像超分辨率的增强任务。

摘要：桨叶旋转时的挥舞状态反映了直升机旋翼的性能。旋转桨叶的全场景挥舞测量和分析,是直升机旋翼试验研究的热点和难点。本文提出了一种基于大视场立体视觉的桨叶挥舞量测量和挥舞模式回归分析方法。首先,构建大视场立体视觉系统并测量桨叶标记点的三维坐标;其次,在桨毂坐标系下计算桨叶标记点的挥舞量;最后,对桨叶在不同总距和周期变距下的挥舞量进行回归分析。包括,利用四阶多项式拟合分析桨叶在特定时刻的挥舞模式;利用复合正弦函数拟合桨叶旋转过程中的挥舞规律。直升机悬停状态下的桨叶挥舞测量结果验证了本文方法的有效性,在4.6 m×4.6 m场景中测量的挥舞量均方根误差小于1 mm;挥舞模式和规律回归分析的模型拟合度好,其均方根误差小于1 mm。