水下管汇安装虚拟仿真训练系统设计与实现

为满足海洋环境作业模拟与水下安装应用需求,将Vortex与Vega Prime虚拟现实平台相结合构建实时动力学虚拟仿真环境,通过对作业环境、管汇、绳索、吊钩、导向桩、ROV机器人进行物理属性与几何属性建模,设计并实现了水下管汇安装虚拟仿真训练系统。实验运行结果表明,该系统具有高度物理真实感的实时动力学仿真效果,实现了水下管汇安装全过程仿真,沉浸感强,交互效果好,可满足水下管汇安装的训练需求;同时实现了多台联合操控管汇水下安装训练仿真,增强了训练的真实感,为水下作业提供了高度可靠的仿真平台。

用于遥感影像建筑物变化检测的多尺度交叉对偶注意力网络

本文提出了一种用于遥感影像变化检测的多尺度交叉对偶注意力网络MSCDAN(Multi-Scale Cross Dual Attention Network),该神经网络模型利用改进的ResNet18网络提取原始遥感影像中的多尺度低级特征,并通过结合交叉注意力和对偶注意力2种注意力机制的CDA(Cross Dual Attention)模块提取注意力特征信息。CDA模块可以加强输入数据中不同视角或特征图之间的关联、融合时空信息、捕捉地表变化的时间序列特征、识别周期性变化和持续性变化等时序相关的变化模式。MSCDAN模型通过全转置卷积上采样模块FTCUM(Fully Transposed Convolution Upsampling Module)对特征图中的每个点进行局部的特征融合,由神经网络判别变化边界,避免了像双线性插值等传统方法带来的模糊和锯齿等问题,且实现了端到端的训练和优化,从而能够更好地适应遥感影像变化检测任务需求。相较于现有主流方法DTCDSCN(Dual-Task Constrained Deep Siamese Convolutional Network),本文提出的方法在DSIFN数据集上的准确度提高了5.13%,在WHU-CD数据集上的准确度提高了1.3%。同时,本文方法在这两个数据集上的表现也优于现有方法ChangeNet以及LamboiseNet,在CDD数据集上的表现优于改进DeepLabv3+和SRCD-Net。这些结果表明本文方法在不同数据集上均具有良好的性能,对进一步研究遥感影像变化检测具有重要参考价值。