基于双向循环网络的变色龙视觉超分辨率图像重建

针对使用均方误差(Mean Square Error,MSE)作为目标损失函数,导致重建的超分辨率图像在失真与感知质量上难以兼得的问题,提出基于双向循环网络的变色龙视觉重建模型(Super-resolution Bidirectional Recurrent Neural Network,SRBRNN)以改善重建效果.首先,鉴于变色龙可以同时注视两个不同方向的非凡视觉功能,SRBRNN模型借助双向循环神经网络结合序列演进前向与反向给输出提供不同方向时间信息的思想,实现重建过程中失真与感知质量的兼顾;其次,SRBRNN模型定义了特征演进和退化序列,并设计了低分辨率图像到高分辨率图像演进和高分辨率图像到低分辨率图像退化网络,将演进网络和退化网络对应应用为原双向循环网络的前向循环和反向循环网络;最后,利用双向循环机制重建超分辨率特征.用SRBRNN算法在Set5、Set14、BSD100基准测试集上进行实验,实验结果表明在峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity, SSIM)评估指标及主观质量评分上,SRBRNN算法性能优于其他主流算法.

基于卡尔曼滤波算法的轨迹预测

卡尔曼滤波可以通过运动方程及概率统计实现对一般事物发展的预测,因为不需要追溯历史数据,只需根据上一时刻的状态来预测下一时刻的状态,所以在故障诊断、巡航制导等方面应用广泛。基于此,将卡尔曼滤波作为预测模型来实现车辆的行车轨迹预测。首先阐述了卡尔曼滤波的预测过程及公式,其次将小车的运动区分为直线运动和转向运动,并通过简化阿克曼转向理论构建小车的运动模型,最后在Simulink及车辆运动工具箱中搭建物理模型对小车的运动轨迹进行预测,以此证明卡尔曼滤波预测小车行车轨迹的可行性。