基于注意力机制和多粒度特征融合的跨视角匹配模型

跨视角景象匹配是指从不同平台(如无人机、卫星等)发现同一地理目标的图像。然而,不同图像平台会导致无人机(UAV)定位和导航任务精度较低,现有方法通常只关注图像的单一维度,忽略了图像的多维特征。针对上述问题,提出一种全局注意力和多粒度特征融合(GAMF)深度神经网络以改进特征表示,提高特征可区分度。首先,GAMF模型结合无人机视角和卫星视角的图像,在统一的网络架构下延展为3个分支,从3个维度提取图像的空间位置、通道和局部特征;然后,建立空间全局关系注意力模块(SGAM)和通道全局注意力模块(CGAM),引入空间全局关系机制和通道注意力机制捕获全局信息,从而更好地进行注意力学习;其次,为了融合局部感知特征,引入局部划分策略,以更好地增强模型提取细粒度特征的能力;最后,联合3个维度的特征作为最后的特征对模型训练。在公开数据集University-1652上的实验结果表明,GAMF模型在无人机视觉定位任务上的平均精准率(AP)达到了87.41%,在无人机视觉导航任务中召回率(R@1)达到了90.30%。验证了GAMF模型能够有效聚合图像的多维特征,提高无人机定位和导航任务的准确性。

结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法

随着位置服务(LBS)的普及,基于智能手机的行人步频检测方法对行人航迹推算(PDR)有重要影响.针对传统步频检测方法在行人多种运动模式下计步误差大的问题,提出一种结合CNN-BiLSTM-SA运动模式识别的自适应步频检测方法.首先根据行人行走特点划分运动模式,使用卷积神经网络(CNN)提取行人不同运动模式的局部特征,利用自注意力机制(SA)对提取的运动特征进行权重分配;再结合双向长短期记忆网络(BiLSTM)挖掘行人运动特征的前后时序关系进行分类识别;然后根据分类结果提出自适应最小峰距和自适应动态阈值两个特征约束的峰值检测算法对步频进行检测,并在步行中动态调整阈值大小.实验结果表明:本文提出方法在8种组合运动模式下步频检测平均误差率为1.31%,与传统峰值检测相比误差率降低5.97%,同时也优于固定阈值法.