特征分离和非阴影信息引导的阴影去除网络

为了解决现有阴影去除方法中存在的性能瓶颈以及去除结果产生的色差问题,构建了一个特征分离和非阴影信息引导的阴影去除网络(FSNIG-ShadowNet)。在分离和重建阶段,利用自重建监督将阴影图像分离成直射光和环境光两部分,对光照类型和反射率进行特征解耦分离,设计解码器对分离的特征进行重新耦合以获得无阴影图像。在细化阶段,该网络关注阴影和非阴影的邻接区域,设计局部区域自适应归一化模块将局部非阴影区域颜色先验传递至阴影区域以减少两区域间的色差。实验结果表明,所提FSNIG-ShadowNet与其他优秀的方法相比取得了较有竞争力的结果。

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景环境特征分离的背景高维特征矩阵准确度。分别设计了基于实测高光谱图像数据和模拟图像数据的修正检测算法性能验证试验,并采用三维操作特征曲线(3D ROC)结合目标与背景分离度(SDBT)开展修正算法的检测精度评估。试验结果表明,提出的修正算法有效减少了虚警率,提高了检测精度。基于实测数据的检测精度、目标与背景分离度由MCEM算法的0.937 7、 0.57提升到R-MCEM的0.993 5、 0.67,基于模拟数据的亚像元检测能力由MCEM的20%丰度提升到R-MCEM的15%丰度。

时间感知的用户长短期兴趣特征分离推荐算法

针对传统推荐算法未充分考虑行为序列间的动态时间间隔、语义不规则以及用户长短期兴趣相互纠缠的问题,提出一种时间感知的用户长短期兴趣特征分离推荐算法。利用用户个性化时间聚合间隔感知和时间位置多头注意力捕获长期兴趣特征,采用动态时间间隔感知和潜在意图注意力的Time-LSTM捕获短期兴趣特征,提出长短期兴趣特征分离获取方法,分别独立捕获两种时间尺度的用户兴趣,通过注意力机制自适应融合长短期兴趣特征,提高用户兴趣特征捕获准确率。实验结果表明,该算法在预测精度指标AUC和GAUC上较对比算法均有提升,消融实验也进一步验证了该算法的必要性。

基于特征分离的无人机多目标跟踪方法

无人机运动时往往会导致跟踪轨迹中断和外观特征混淆。提出一种基于特征分离的无人机多目标跟踪方法。针对运动轨迹中断问题,提出了一种自适应卡尔曼滤波算法,基于图像配准算法计算连续两帧图像的仿射变换矩阵,在卡尔曼滤波的预测阶段之前及时修正状态变量,使得轨迹更新过程更加平滑。针对外观特征混淆问题,设计了一种高效的多分类目标特征编码器,通过多尺度卷积流和通道门控机制学习每个目标的辨别性特征。加权运动代价和外观代价,利用匈牙利算法求解轨迹与检测目标的全局匹配关系。在广泛使用的无人机多目标跟踪数据集VisDrone2019-MOT上进行实验验证,结果表明,该方法在多目标跟踪准确度(multiple object tracking accuracy,MOTA)和轨迹识别F1分数(identification F1-Score,IDF1)指标上比目前最优方法UAVMOT分别提高8.1%和11.2%,验证了该方法的有效性。

基于特征分离的复杂环境三维手部姿态估计算法研究

基于视觉的三维手部姿态估计是实现人机交互的重要技术手段。目前,视觉手部姿态估计算法易受光照变化、遮挡和环境噪声等复杂环境因素干扰,导致模型的鲁棒性无法得到保障。这些多变的环境因素使得传统的深度学习方法在真实场景中难以取得令人满意的结果。针对这一难题,本文提出了一种基于特征分离的手部姿态估计算法,通过对手部图像中的关键特征进行精炼来提升模型在不同环境中的鲁棒性。首先,对编码器进行基于频域增强的预训练,从而减少环境噪声对于底层视觉特征提取的影响;其次,在解码阶段提出了一种用于分离因果特征和非因果特征的双分支结构,通过减少非因果特征对于姿态估计任务的影响以提高模型应对复杂环境的能力;最后,通过融合全局姿态信息和局部关节信息,实现了不同尺度的统一优化,并基于两个公开数据集的定量分析和定性分析,验证了本文所提出方法的准确性和鲁棒性。

特征分离编码的景区短期客流量预测模型

为增强景区科学管理、缓解交通压力、减少安全隐患、提升游客体验,提出基于特征分离编码和注意力机制的网络模型(feature separation encoding and attention mechanism network,FSEAMNet)预测景区短期客流量。该模型包含序列到序列(sequence-to-sequence,Seq2Seq)结构,将不同分布规律的特征进行分离并独立编码,融合成最终的编码向量序列。在每个解码时刻,注意力机制将编码向量序列重新组合成一个上下文向量,解码器从上下文向量解码出未来的游客数量。通过真实的景区数据库数据构建训练集、测试集。实验结果表明,与其它模型相较,FSEANet的预测误差最多可下降82.80%,该模型在工程应用案例分析中对未来一周客流量预测的每日相对误差均在10%以下。所提模型能对实际景区未来短期客流量实现较准确的预测。

基于特征分离的小样本苹果病害叶片检测

准确检测出苹果叶片的病害有助于促进苹果保质、增产,提高果农的经济收益。针对现有苹果病害叶片检测模型精度不高的问题,提出一种基于特征分离的小样本苹果病害叶片检测算法。首先,利用VGG-16和Swin Transformer网络将苹果病害叶片映射到全局和局部特征空间,并设计了一种特征交叉融合网络来融合全局和局部特征;然后,提出一种复杂特征的细粒度特征分离方法,通过借助苹果病害叶片的文本标签和病害区域标签将融合的深度特征分离为叶片病害分类特征和叶片病害区域特征;最后,采用对比损失实现复杂特征的分离和模型端到端的优化。通过在Plant Village开源数据集上进行试验,结果表明,所提出方法可以实现96.35%的精准率、95.76%的召回率和96.02%的F1分数,相比当前经典的目标分类模型,所提出模型综合性能表现良好。此外,该模型的提出为苹果病害叶片的细粒度分类提供一种新的思路,并且可以为田间农作物病害检测系统提供技术支撑。

基于特征分离的飞机结构件特征识别技术研究

为了有效识别并分离出飞机结构件的加工特征,论文通过定义飞机结构件的加工特征面,利用CAA二次开发技术,将加工特征定义为加工特征与辅助特征两种类型。利用邻接矩阵面节点间连接弧的凹凸性定义加工特征与辅助特征,并进行分离;将加工特征离散为点云数据,并采用DBSCAN算法对加工特征进行区分,得到单一特征与相交特征点云数据;输入点云数据至DGCNN模型的分类分割网络,实现单一特征的分类与相交特征的分割。开发CATIA应用插件对该方法进行验证,结果表明该方法能够准确识别出结构件中的复杂特征。

滚动轴承复合故障特征分离的小波-频谱自相关方法

为解决从单通道振动信号中实现复合故障特征分离的问题,提出基于小波框架理论的小波-频谱自相关方法。该方法采用正交小波基函数将复合故障信号分解为多个不同尺度的子信号后,对各子信号分别进行频谱自相关分析。研究表明:频谱自相关方法能够去掉时域自相关方法产生的拖尾现象,能量集中性更高、抗噪能力更强,能够突出复合故障信号中能量较大的冲击故障特征。对6220轴承内、外圈复合故障试验信号分析的结果表明:小波-频谱自相关方法将复合故障特征分解到不同通道后,有效地抑制各子信号中能量较弱的故障特征,实现了内、外圈复合故障特征分离。在相同的小波分解条件下,小波-频谱自相关方法比小波-包络谱的特征分离效果更好,具有较高的工程应用价值。

基于改进谐波小波包分解的滚动轴承复合故障特征分离方法

为解决滚动轴承单通道振动信号中复合故障特征难以分离的问题,提出了基于改进谐波小波包分解的轴承复合故障特征分离方法。首先,改进了二进谐波小波包分解方法,提出了连续谐波小波包分解方法,克服了信号分解后子带个数和带宽范围受二进制划分的缺陷;然后,采用谐波窗分解提取信号中频率成分集中的频段,根据轴承各单点故障特征频率确定分解层数,进行连续谐波小波包分解,利用能量算子包络解调得到子带信号中各个单点故障的权重因子;最后,重构轴承各单点故障信号,实现复合故障的特征分离和提取。对仿真信号和实测轴承内、外圈复合故障信号分析的结果表明,该方法能将轴承单通道复合故障信号分解到不同的通道中,实现了复合故障特征的分离,具有一定的工程实用价值。

基于复杂网络社团聚类的复合故障特征分离诊断方法

针对复合故障多种故障特征相互叠加彼此干扰,给全面准确诊断带来困难,提出了基于复杂网络社团聚类的复合故障特征分离诊断方法。该方法首先应用EMD将复合故障信号分解为若干个IMF分量,由于不同单一故障的特征会在不同频段得以体现,提取每个IMF分量的特征量,建立故障数据网络模型;然后将每个IMF分量视为网络中的社团,根据复杂网络社团结构的特性,进行同类社团合并,合并所得每个社团与单一故障相对应,最后对合并的信号进行分析,实现复合故障特征分离。以转子不平衡和轴承内圈、轴承内圈和滚动体复合故障特征分离与诊断为例,验证了该方法的可行性。

高光谱空间降采样独立成分特征分离

提出一种空间降采样独立成分特征分离方法,用于缩短独立成分分析(ICA)法在高光谱图像特征分离时的运算时间。该方法通过对高光谱图像的二维像素空间进行网格划分得到较小的窗口;基于光谱相似性测度法度量每个窗口中中心像素与周围像素的距离。然后舍弃这段距离小于阈值的周围像素,而将大于阈值的周围像素和中心像素作为样本量进行FastICA,获取投影矩阵变换原始数据,得到特征分离的ICA成分。对比了传统ICA与空间降采样(SDS)ICA(SDS_ICA)的性能,研究了降采样阈值参数、降采样窗口参数及初始投影矩阵对SDS_ICA特征分离性能及运行时间的影响。实验结果表明:应用SDS_ICA时,仅设置适中的阈值和不敏感的窗口大小参数,就能保持与传统ICA相近的特征分离性能,运行时间减少了30%以上。该方法适合应用于高光谱准实时特征提取、数据降维及目标探测等领域。

基于相关峭度共振解调的滚动轴承复合故障特征分离方法

提出了一种基于相关峭度的共振解调方法,并应用于滚动轴承复合故障特征的分离。沿频率轴平移给定滤波窗,计算每个滤波信号的相关峭度;通过设定不同的故障解卷积周期,形成多条故障的相关峭度曲线;根据筛选出的目标相关峭度曲线的最大值,确定多个共振频带对原信号进行共振解调。解决了由于某一频带的峭度值过大,利用谱峭度可能无法识别出不同故障各自激起的共振频带的问题;通过不同能量的多共振频带轴承复合故障仿真验证了共振频带选择的准确性,不同载荷下的轴承内、外圈复合故障实测信号分析表明,该方法可以有效实现轴承复合故障特征的分离。

基于谱峭度和最大相关峭度解卷积的滚动轴承复合故障特征分离方法

针对振动信号中复合故障特征难以准确分离的问题,提出了一种融合谱峭度(SK)和最大相关峭度解卷积(MCKD)的复合故障分离方法。对复合故障信号做谱峭度分析,根据选择的各共振频带对信号进行带通滤波,提取出多个故障信号;对提取的各信号做包络解调分析,对能提取出单一故障特征的振动信号完成分离过程;对未提取出单一故障特征的振动信号最后做最大相关峭度解卷积处理;采用改进的轴承复合故障仿真模型验证了方法的有效性。实测滚动轴承内、外圈复合故障信号分析结果表明,该方法能够实现复合故障的准确分离。

机械故障振动信号特征分离和提取的信号处理方法

在机械故障的振动信号分析诊断中,故障特征信号的分离和提取是最重要和最关键的步骤之一。针对机械故障振动信号特征周期性和冲击衰减响应特点,论述了自适应滤波、时频滤波、自适应信号分解和信号盲分离等方法,并展望这些方法的发展方向。

小差异运动图像中关键兴趣姿态点的差异特征分离

在一些连续帧的运动图像中,连续图像帧之间运动姿态点差异很小,形成像素粘连。这些细微的粘连差异特征不能形成很好的特征分离,将影响后期的处理精度。提出一种小差异运动图像中关键兴趣姿态点的差异特征分离方法,通过计算连续运动图像帧的轮廓像素空间位置参数,设置轮廓像素方向分量,计算任意像素两端的灰度值,通过运动图像窗口的移动,进行像素灰度累加,完成连续帧图像轮廓区域空间位置参数,结合连续图像间的差异拟合参数,破处粘连,实现小差异运动图像中关键兴趣姿态点的差异特征分离。仿真实验结果表明,该方法可以对高精度连续图像帧之间的运动特征差异进行分离,提高特征提取精度。

基于MR特征分离技术的室分监控研究

在简要分析传统直放站室分监控方法不足的基础上,首次提出了利用MR数据进行室分监控的思路,针对其技术难点提出了利用神经网络解决室内外MR数据分离的方法,并详细阐述了利用MR数据进行室分监控的流程及监控系统的自我完善问题。

多故障源混合信息的特征分离与精确辨识

多故障源的耦合问题,一直以来都是诊断领域面临的最大难题之一,能否实现多源信号解耦将直接影响故障诊断的准确性。在信源卷积混合的前提下,以多通道反卷积理论为基础,首先研究多故障源混合信息的特征分离方法。接着借助卷积混合后的仿真信号,研究反卷积系统的关键参数——初始滤波器长度对分离效果的影响。进而提出一种自适应的多源信息分离方法。为了确定分离系统的输入通道数量,基于小波分析与奇异值分解完成信号的源数估计;再通过设定滤波器长度的迭代区间,计算出不同参数下分离系统输出信号的时域指标,并自动选取最佳长度使得分离结果最优。最后,经滚动轴承的复合故障实验和多故障并发的工程数据验证,表明该方法在设定的滤波器长度范围内,能够根据信号的差异性自动寻优最佳参数,并成功分离出原始信号中隐含的各个故障源信息,实现机械故障的精确辨识。

一种Net架构下Web连续攻击信号的特征分离算法

在Net框架下产生的Web连续攻击信号通过发送大量攻击数据,导致降低用户的使用性能及降低网络服务质量。设计一种在Net架构下的Web连续攻击信号的特征进行分离,对Web连续攻击信号进行正常和异常数据分离。对不同频段进行频率变尺度压缩,实现对高频特征和低频特征的分段处理,提高对攻击信号的检测能力及准确抓取概率。

一种红外偏振与光强图像的暗原色多特征分离融合方法

针对现有红外偏振和光强图像融合算法不能同时兼顾提高对比度、突出明亮特征和保持边缘细节信息的问题,提出一种暗原色多特征分离融合的新方法。首先,对源图像进行局部最小值滤波和引导滤波得到暗原色图;然后,经过差值、绝对值取小融合的处理,提出暗原色多特征分离方法,得到包含亮、暗以及边缘细节信息的三部分图像;最后,对三部分图像采用不同规则分别融合,通过重构和亮度调整得到最终融合图像。实验结果表明,本文方法能有效地融合源图像的互补信息,不仅能够保留边缘细节信息,同时也能突出明亮特征和图像整体对比度,在实际的目标识别中具有一定的优势。