基于深度学习的序列图像深度估计技术

针对单帧图像深度估计的弱泛化性,提出了基于深度学习的序列图像深度估计技术,利用深度卷积神经网络作为基础框架,结合对极几何约束,构建从序列图像到图像对应深度信息的端对端映射,实现仅依赖序列图像信息的无监督深度估计。同时,构建了一类基于场景三维几何信息的损失函数,舍弃原始基于图像间重投影误差的损失函数,提高算法鲁棒性。最后,通过开源数据库验证了算法的准确性和精度,同时,通过红外图像数据集验证了算法的泛化性,为军事领域应用奠定了基础。

基于LSTM与孪生网络的序列图像视觉定位技术

军事领域离不开导航技术,而定位是导航的基础。尽管目前以卷积神经网络为代表的机器学习技术,已经在有关单张图像的六自由度位姿回归方面取得显著进展,其精度达到甚至超过基于手工特征提取的传统方式。然而,单张图像的位姿回归问题只参考了场景的结构化信息,缺乏序列图像间的时序关系,导致其位姿回归的损失函数不包含时空约束,最终限制了算法定位精度。针对单张图像六自由度位姿回归缺乏时空约束的问题,依靠长短期记忆网络(LSTM)对时序关系的捕捉优势,提出一类基于LSTM与孪生网络的视觉定位技术,其综合孪生网络与LSTM各自优势,将图像间运动视差信息与位姿时序信息同时作用于位姿预测,构建从序列图像到图像各自对应六自由度位姿信息的端对端深度神经网络,并通过开源数据库和仿真数据验证了算法的准确性和精度,为军事领域的视觉定位和协同跟踪奠定了基础。

基于多层级图像分解的图像融合算法

不同类型的探测器在成像机理上有不同的侧重点,使得成像图像表征的信息也有所不同,导致单幅图像不能完整地反映场景的有效信息。因此,提取多源图像的互补信息,并去除其中的冗余信息,合成一幅能准确、完整表达场景的复合图像的技术成为了图像处理领域中一项非常重要的技术,图像融合正是这类问题的一种有效解决方法。针对传统多尺度分解的图像融合方法易产生噪声和信息缺失的现象,文中提出了一种基于多层级图像分解的红外与可见光图像融合算法。首先,利用加权平均曲率滤波的边缘保持特性与高斯滤波的平滑特性,构建了多层级图像分解模型。在利用该模型将源图像分解为小尺度层、大尺度层和基层等3个不同层级。然后,针对基层,采用能量属性融合策略进行融合;针对大尺度层,采用复合融合策略进行融合;针对小尺度层,采用最大值融合策略。最后,将融合后的层级进行加和,以重构出最终的融合图像。实验结果表明:文中提出的基于多层级图像分解的图像融合算法能够有效降低噪声产生的概率,同时减少了融合后的信息缺失。

面向智能感知的小样本学习研究综述

小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值,学术界和工业界提出很多针对该问题的解决方案,但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先,给出了小样本学习的问题定义,列举其与其他一些经典的机器学习问题之间的联系,同时从理论上阐述小样本学习问题面临的挑战;接着,对基于小样本学习的图像分类进行了概述,并对其中代表性的工作进行介绍与分析;在此基础上,重点针对基于小样本学习的目标检测,特别是零样本条件下的目标检测问题,详细介绍和分析了现有的研究工作;最后,立足于现有方法的优缺点,从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望,期望为该领域后续的研究工作提供启示。