结合通道剪枝和通道注意力的轻量型车辆点云补全网络

针对现有的点云补全网络多关注于补全的精度而忽视补全效率问题,提出了一种轻量型点云补全网络来准确、高效地修复自动驾驶中的不完整车辆点云。为了提高网络推理效率,采用一种高效的一次性通道剪枝技术提高网络的补全效率;在特征提取阶段,网络加入通道注意力模块,将加权特征与全局特征拼接,通过两层多维特征信息提取,得到最终的特征向量;将特征向量传入双解码器结构中,分别通过全连接层和多层感知机生成稠密的粗糙点云和输入点云偏差值;将粗糙点云与输入点云偏差值相加得到最终的精细化完整点云。在PCN数据集和KITTI数据集上进行实验,实验结果表明在补全缺失车辆信息的实时性上有着显著的提升,并且在补全精度上也有不错的表现。

融合CNN-BiGRU和注意力机制的网络入侵检测模型

为提高网络入侵检测模型特征提取能力和分类准确率,提出了一种融合双向门控循环单元(CNN-BiGRU)和注意力机制的网络入侵检测模型.使用CNN有效提取流量数据集中的非线性特征;双向门控循环单元(BiGRU)提取数据集中的时序特征,最后融合注意力机制对不同类型流量数据通过加权的方式进行重要程度的区分,从而整体提高该模型特征提取与分类的性能.实验结果表明:其整体精确率比双向长短期记忆网络(BiLSTM)模型提升了2.25%.K折交叉验证结果表明:该模型泛化性能良好,避免了过拟合现象的发生,印证了该模型的有效性与合理性.

面向“做中学”的程序设计课程体系改革

针对目前程序设计体系改革存在的弊端以及当前“做中学”教学模式只限定在单门课程所造成的不能综合提升学生程序设计能力和素养的问题,提出面向“做中学”的程序设计课程体系,介绍“做中学”程序设计课程体系项目方案选型、知识点脉络和项目教学流程,并说明教学改革成效。

融合GBWO与ENN的人体尺寸预测模型

为了提高人体尺寸预测的效率和准确性,该文提出了GBWO-ENN(Grey Black Wolf Optimization-Elman Neural Network)的方法。针对传统灰狼算法易于陷入局部最优和无法平衡全局与局部搜索的平衡性问题,提出了GBWO算法。该算法融合黑寡妇优化算法中蜘蛛的运动方式对灰狼优化算法中α狼位置更新进行了优化,通过非线性递减的方法降低了收敛系数,并且提出了按位置等级更新种群的策略。随后采用GBWO算法对Elman神经网络的权值和阈值进行优化,并将GBWO-ENN模型应用于三维人体尺寸预测。实验结果表明,GBWO-ENN模型结构简单,能够准确预测人体尺寸,具有较好的预测能力。

基于改进Yolov5s的增强现实文物识别方法

将增强现实技术应用于数字博物馆的文物展览,有助于拉近参观者与文物的距离,使展览更具趣味性。针对增强现实技术在文物展览应用场景中,增强现实设备采集的文物目标图像背景复杂、文物形状纹理丰富而导致的误检、识别准确率低的问题,提出一种基于改进的Yolov5s的文物识别方法。在Yolov5s网络结构中的骨干网络与颈部网络之间引入了CBAM注意力机制,并在骨干网络中的Bottleneck模块中,使用多头注意力机制替换普通卷积,有效捕获局部信息,降低了无用信息的干扰。为了提高识别网络对于目标文物的边界框定位精度,采用DIoU-NMS方法挑选最优的目标识别框作为最终的预测框。实验结果表明,该方法提高了文物的平均识别精度,比原模型更适用于AR应用文物的目标识别。

融合编码器多尺度特征的RGB-D图像语义分割

针对语义分割任务中,室内场景中目标物体尺寸变化较大的问题,在ACFNet的基础上,提出融合编码器多尺度特征的RGB-D语义分割网络。首先,为有效利用网络提取的多尺度特征,提出结合池化操作的多尺度特征融合模块(PMFM),选择编码器不同阶段RGB和深度特征的融合特征作为该模块的输入;其次,设计改进的跳跃连接模块(ISCM),使用下一层级包含更多语义信息的特征图辅助修正当前层级的特征图,再经跳跃连接以拼接的方式传输到解码器对应阶段。将提出的网络模型应用到NYUD V2和SUN RGB-D数据集上,平均交并比分别达到了52.6%和48.8%。通过这两项改进,实验结果表明,上述方法达到了较高的分割准确率,优于对比的语义分割方法。

深度语义关联学习的基于图像视觉数据跨域检索

基于图像的视觉数据跨域检索任务旨在搜索与输入图像在语义上一致或外形上相似的跨域图像和三维模型数据,其面临的主要问题是处理跨域数据之间的模态异质性。现有方法通过构建公共特征空间,采用域适应算法或深度度量学习算法实现跨域特征的域对齐或语义对齐,其有效性仅在单一类型的跨域检索任务中进行了验证。提出一种基于深度语义关联学习的方法,以适用多种类型的基于图像的跨域视觉数据检索任务。首先,使用异构网络提取跨域数据的初始视觉特征;然后,通过构建公共特征空间实现初始特征映射,以便进行后续的域对齐和语义对齐;最后,通过域内鉴别性学习、域间一致性学习和跨域相关性学习,消除跨域数据特征之间的异质性,探索跨域数据特征之间的语义相关性,并为检索任务生成鲁棒且统一的特征表示。实验结果表明,该方法在TU-Berlin、IM2MN和MI3DOR数据集中的平均精度均值(mAP)分别达到0.448、0.689和0.874,明显优于对比方法。

室内机器人动态SLAM技术

随着计算机视觉、深度学习的发展,基于视觉的静态SLAM研究不断改进,然而大多数SLAM算法存在静态假定不成立和累计漂移。针对上述问题,设计动态BN-SLAM算法,利用深度图像的几何信息对原始掩模进行修正,修正掩膜用于移除运动物体及其影响。设计加权RANSAC方法,求解摄像机局部位姿。在TUM数据集上的实验结果表明,BN-SLAM的ATE、平移RPE和旋转RPE的平均RMSE值分别为95.46%、92.45%和90.88%,平均S.D.值分别为94.88%、94.76%和92.80%,跟踪轨迹点结果的平均率为98.80%。在真实环境的实验结果表明,BN-SLAM能够剔除运动的人造成的地图污染。

基于激光雷达的室内机器人路径规划方法研究

自主移动机器人在室内环境中的导航取得了重大进展,然而地图构建精度较差且路径规划欠佳,限制了这类机器人的实际应用。为了解决这些问题,提出了一种基于引导搜索的路径规划算法,即引力双向快速搜索随机树算法(GBI-RRT),该算法采用目标偏差抽样,有效地引导节点走向目标,减少无效搜索。为了进一步提高导航效率,又提出了一种消除低质量节点,提高路径曲率的路径重组策略,为了验证上述方法的有效性,将其集成到一个基于ROS系统的移动机器人中,并在仿真和真实环境实验中进行了评估。结果表明,GBI-RRT在各种室内环境下的性能均优于现有算法。

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。

基于YOLOv8L遥感图像旋转目标检测

针对遥感图像复杂背景下的目标(如船舶、飞机等)具有朝向任意、尺度变化较大、数量多、目标排列密集等特点,提出一种基于改进YOLOv8L的旋转目标检测算法,用带有角度的旋转框能够更加精确定位目标。首先,在网络Head部分增加解耦角度预测头,预测目标的角度信息;其次,融合坐标注意力机制模块提高模型抑制噪声的能力;最后,在Neck部分引入自适应空间特征融合模块,抑制不同尺度特征图之间融合特征信息时的不一致性,保留有效的信息并进行融合。实验结果表明,所提算法在DOTA数据集上的检测精度达到了73.85%,较原有YOLOv8L模型提升了3.53%。

基于优势后见经验回放的强化学习导航方法

目前强化学习在移动机器人领域表现出了强大的潜力,将强化学习算法与机器人导航相结合,不需要依赖先验知识就可以实现移动机器人的自主导航,但是在机器人强化学习过程中存在样本利用率低且泛化能力不强的问题。针对上述问题,在D3QN算法的基础上提出优势后见经验回放算法用于经验样本的回放。首先计算轨迹样本中轨迹点的优势函数值,选择优势函数最大值的点作为目标点,然后对轨迹样本进行重新标记,将新旧轨迹样本一同放入经验池中增加经验样本的多样性,使智能体利用失败的经验样本学习,更高效地实现到目标点的导航。为评估该方法的有效性,基于Gazebo平台搭建不同的实验环境,并采用TurtleBot3机器人在仿真环境下进行导航训练与迁移测试,结果表明,该算法在训练环境下导航成功率高于当前主流算法,在迁移测试环境中导航成功率可达86.33%,能够有效提高导航样本利用率,降低导航策略学习难度,增强移动机器人在不同环境中的自主导航能力和迁移泛化能力。

基于全局双线性注意力的红外视频行为识别

针对红外视频缺少纹理细节特征以致在人体行为识别中难以兼顾计算复杂度与识别准确率的问题,提出一种基于全局双线性注意力的红外视频行为识别方法。为高效计算红外视频中的人体行为,设计基于两级检测网络的关节点提取模块来获得人体关节点信息,创新性地将所形成的关节点三维热图作为红外视频人体行为识别网络的输入特征;为了在轻量化计算的基础上进一步提升识别准确率,提出一种全局双线性注意力的三维卷积网络,从空间和通道两个维度提升注意力的建模能力,捕获全局结构信息。在InfAR和IITR IAR数据集上的实验结果表明,该方法在红外视频行为识别中的有效性。

复合主干融合的图像增强算法

基于深度学习的微光图像增强算法所生成的图像普遍存在噪声凸显和细节丢失等问题,而端对端深度学习算法的性能又在很大程度上依赖于骨干网络的提取能力,因此,通过探索更有效的骨干网络结构可以提升微光增强任务的性能收益.本文提出了一种复合主干网络融合策略的图像增强算法,将不同图像增强算法中的主干网络进行融合,以提高整体网络的特征提取能力.该算法通过逐层融合来自不同主干网络的特征信息,将复合特征引导到解码器中,再充分利用不同的上采样方法,将主干网络融合的特征进行堆叠,最终生成正常光照条件下的图像.通过与现有的主流算法进行定量与定性的对比实验,结果显示,本文方法显著提升了微光图像的亮度,同时保留图像的细节特征,在峰值信噪比和结构相似性客观指标上,在LOL-V2数据集上达到了24.35 dB和0.871,有效解决了图像增强后的噪声凸显和细节丢失问题.

深度强化学习算法在智能军事决策中的应用

深度强化学习算法能够很好地实现离散化的决策行为,但是难以运用于高度复杂且行为连续的现代战场环境,同时多智能体环境下算法难以收敛。针对这些问题,提出了一种改进的深度确定策略梯度(DDPG)算法,该算法引入了基于优先级的经验重放技术和单训练模式,以提高算法收敛速度;同时算法中还设计了一种混合双噪声的探索策略,从而实现复杂且连续的军事决策控制行为。采用Unity开发了基于改进DDPG算法的智能军事决策仿真平台,搭建了蓝军步兵进攻红军军事基地的仿真环境,模拟多智能体的作战训练。实验结果显示,该算法能够驱动多作战智能体完成战术机动,实现绕过障碍物抵达优势区域进行射击等战术行为,算法拥有更快的收敛速度和更好的稳定性,可得到更高的回合奖励,达到了提高智能军事决策效率的目的。

基于持久同调的三维模型检索方法

针对现有拓扑检索方法难以应用于无明显骨架结构的三维模型等问题,提出基于持久同调的三维模型检索方法。运用代数拓扑中的持久同调理论,从不同尺度范围上发现三维模型中的稳定拓扑不变量,捕获其全生命周期的变化,以持久性图作为特征描述子,通过度量持久性图间的相似性实现三维模型检索。实验结果表明,将持久同调应用于三维模型检索,能更准确地提取任意拓扑结构的三维模型的特征,提高了检索的有效性和准确性。

AJAX在关系型数据库中的改进及应用

传统AJAX引擎在解析较大的回传XML文档时时间开销过大,为了解决这一问题,提出了一种改进的AJAX模型,并给出了一个应用实例。改进AJAX模型采用结构化的并行数组来存储回传数据,避免了对半结构化的XML文档进行解析,提高了数据利用效率。实验结果表明,改进AJAX模型可以满足较大数据量的业务处理要求,明显缩短了用户等待时间。在3000千条记录以下的数据表中应用这一模型,客户端与服务器交互顺畅,可以很好地满足用户实时性要求。

一种基于前缀编码的树生成算法

为了使树生成算法更为通用且效率更高,提出一种基于前缀编码的树生成算法.算法中的节点采用前缀编码的数据结构,便于用户对树中节点及其下层子节点上的关联数据进行快速查询和统计.由于在构造树之前已采用先根遍历的方式对节点进行了排序,同时建树过程中记录了最近各层节点的信息,因此无需搜索节点的上下层信息就可直接建立起树,大幅提高了建树效率,算法时间复杂度为O(n).该算法无需额外的数据预处理即可构造任意子树,且不会增加算法复杂度.

准共形映射的三维模型变形算法

为了解决在三维曲面之间直接变形艰难、局部区域失真较大、对细节丰富或骨架不明显的模型变形效果差的问题,提出一种基于准共形映射的三维模型变形算法。首先,采用准共形映射将三维模型参数化到二维平面圆盘;其次,基于准共形迭代算法计算2个二维平面圆盘之间的映射,构建变形后的二维模型;最后,采用模型恢复算法从变形后的二维模型还原出三维模型,从而得到具有不同外观的三维模型。实验选取了2个公开数据集中的三维模型进行变形操作,并与基于拉普拉斯的微分坐标变形算法进行了对比。结果表明,该方法可以便捷地对模型进行平移、旋转和拉伸等操作,很好地保持了模型的局部特征,运行时间短,变形效果好,鲁棒性强。此方法能够适用于具有任意边界的模型,对模型的选取要求低,适用于各类三维模型的变形及三维模型的快速构造。

基于前缀编码的先根遍历树生成算法的研究与应用

在管理信息系统的层次分类树中,为了快速查询分类信息并高效地生成层次分类子树,提出了一种基于前缀编码的先根遍历树生成算法。该算法中的节点采用前缀编码的数据结构,便于快速检索出子树节点集合;在构造子树时预先对其进行先根遍历,产生有序遍历表,同时记录最近各层节点的信息,使得建立子树的效率得到大幅提高。最后通过实例验证了所提算法的有效性,为管理信息系统中层次分类树的建立提供了可行的解决途径。