基于样本增量学习的遥感影像分类

深度学习模型在遥感影像分类中取得了显著的成绩。随着新的遥感数据不断被采集,基于深度学习的遥感影像分类模型在训练新数据、学习新知识时,对旧数据的识别性能会下降,即旧知识遗忘。为帮助遥感影像分类模型巩固旧知识和学习新知识,提出一种基于样本增量学习的遥感影像分类模型——增量协同学习知识模型(ICLKM)。该模型由两个知识网络组成,第一个网络通过知识蒸馏保留旧模型的输出,缓解知识遗忘问题;第二个网络将新数据的输出作为第一个网络的学习目标,通过维护双网络模型的一致性有效地学习新知识。最后两个网络共同学习,通过知识协同策略生成更精确的模型。在两个遥感数据集NWPU-RESISC45和AID上的实验结果表明,相较于微调训练(FT)方法,ICLKM的准确率分别提升了3.53和6.70个百分点。可见ICLKM能够有效解决遥感影像分类的知识遗忘问题,不断提高对已知遥感影像的识别准确率。

基于特征分布学习的小样本类增量学习

关注了一个非常具有挑战性的问题:深度神经网络的小样本类增量学习。其中深度神经网络模型可以从少量的样本中逐步学习新知识,同时不会忘记已学习的旧知识。为了平衡模型对旧知识的记忆和对新知识的学习,提出了一个基于特征分布学习的小样本类增量学习方法。在基类上学习模型以获得一个性能良好的特征提取器,并使用每类的特征分布信息来表示知识。将已学习的知识与新类的特征一起映射到一个新的低维子空间中,以统一地回顾旧知识与学习新知识。在子空间内,还为每个新类生成了分类权值初始化,以提高模型对新类的适应性。大量实验表明,该方法可以有效地减轻模型对已学习知识的遗忘,同时提高模型对新知识的适应性。

基于随机映射的特征压缩在快速目标检测中的应用

目标检测通常利用复杂的、高维度的特征来提高其检测精度,而高维特征往往会产生较高的计算复杂度和存储开销。经典的特征压缩算法常常被用于目标检测系统以实现特征降维,但在其求解过程中会涉及到大量的矩阵分解运算,从而降低了算法的实时性。针对此问题,提出一种基于随机映射的特征压缩算法。该算法仅通过一个稀疏随机矩阵和简单的矩阵乘法运算就实现了特征从高维空间到低维空间的映射。利用经该算法压缩后的特征向量构建了Ada-Boost分类器,实验结果表明,该分类器在保证检测精度的前提下,提高了目标检测的实时性。

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一。然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性。针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度。此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果。利用精简的SVM结合Selective Search+BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性。

深度神经网络的小样本学习综述

随着最近深度学习技术的蓬勃发展,深度神经网络(DNN)在大规模的图像分类与识别任务中取得了突破性的进展,但其在解决小样本学习问题时仍面临巨大挑战。小样本学习(FSL)是指在少量有监督样本的情况下学习一个能解决实际问题的模型,在深度学习领域具有重要意义。这促使该系统梳理了已有的DNN下的小样本学习工作,根据它们在解决小样本学习问题时所采用的技术,将DNN下的小样本学习解决方案分为四种策略:数据增强、度量学习、外部记忆、参数优化。根据这些策略,对现有的DNN下的小样本学习方法进行了全面的综述,同时总结了每一种策略在相关基准上的表现。强调了现有技术存在的局限性并对其未来的发展方向进行了展望,为今后的研究工作提供参考。

基于半监督学习的单幅图像去雨算法

在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大多数算法都采用监督学习即在含有配对标签的合成雨图数据集上进行模型训练。由于合成雨图和真实雨图中雨纹的亮度、透明度、形状等存在巨大差异,基于监督学习的去雨算法对真实雨图的泛化能力普遍较差。为提高去雨模型对真实雨图的去雨效果,提出了一种基于半监督学习的单幅图像去雨算法。该算法在模型训练过程中加入合成雨图和真实雨图并最小化两个输入图像转换成的特征向量的一阶信息和二阶统计信息差异,使两者特征分布一致。同时,针对雨纹复杂多样的特点,引入多尺度网络以获取更丰富的图像特征,并提高模型性能。实验结果表明,所提算法在Rain100H合成雨图测试集上相较JDNet、Syn2Real等算法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别至少提升了0.66 dB、0.01,在去除雨纹的同时能最大限度保留图像细节和颜色信息;并且由于减少了分布差异,该算法在真实雨图测试集上的去雨效果明显优于现有的JDNet、Syn2Real等去雨算法,具有较强的泛化能力。所提算法可以应用于现有的基于监督学习的去雨算法并显著提高其去雨效果,拥有较高的独立性。

填充式防护结构弹道极限方程的差异演化优化

综合建模形式弹道极限方程中存在11个待定参数,从理论上讲,采用穷举法可以获得其数值大小,但需要的计算时间过长,储存空间巨大,不宜实现,为解决此问题,改用差异演化算法。基于填充式实验数据,采用差异演化算法对综合建模形式弹道极限方程的11个待定参数进行了多目标优化计算。结果显示,方程的总体预测率为82.35%,安全预测率为100%,平均相对误差平方和为0.001 3。该方程对其他来源的49个实验数据的预测结果显示,总体预测率提升了1.32%,安全预测率降低了4.08%,平均相对误差平方和增加了0.007 3,表明差异演化算法适用于解决多参数多目标的弹道极限方程建模问题。

填充式防护结构弹道极限方程形式建模

为获得适用于国内填充式防护结构在超高速撞击条件下的弹道极限方程，对国内学者采用量纲分析方法建立填充式防护结构弹道极限方程（国内方程）的过程进行改进，获得了适用于国内陶瓷纤维布／碳纤维布（Ce／Ca）的填充式结构弹道极限方程形式。由于将填充材料的厚度测量改进为面密度测量，新的弹道极限方程形式，更便于国内填充式防护结构的建模。

Pixhawk飞控系统的四旋翼无人机室内飞行技术研究

针对在GPS信号缺失的室内环境下四旋翼无人机的定位和自主飞行问题,构建了一个基于激光雷达和超声波传感器的四旋翼无人机控制系统。基于机器人操作系统(ROS)构建了通信网络系统,并选用英伟达TX2运行该系统,采用pixhawk飞行控制板运行核心控制部分。测试结果表明,搭建的无人机能实现较精确的自主悬停。