基于注意力机制和不确定性损失的太阳磁图超分

为了全面了解太阳活动规律,需要连续观测时长覆盖多个太阳活动周的、高质量数据.太阳磁图是研究太阳活动的重要数据,连续、长时间和高空间分辨率的太阳磁图能够提供更精细的太阳磁场演化信息,有助于更准确地预报太阳活动和空间天气事件.因此,提出一种基于深度学习的超分率算法,对MDI(Michelson Doppler Imager)磁图进行超分,取得与日震和磁成像仪(Helioseismic and Magnetic Imager,HMI)磁图一致的分辨率,从而能够获得持续时长将近两个太阳活动周的高质量太阳磁图数据库.为了引导网络学习磁图中有效的特征信息,将注意力机制引入到网络中,学习注意力权重图.此外,采用了不确定性损失作为模型训练的损失函数,该方法能够对于带有磁场变化的纹理和边缘分配更大的权重,同时不增加网络参数和计算量.实验证明,提出的算法显著提高了超分太阳磁图的质量,在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR:33.3168)、结构相似性(Structure Similarity Index Measure,SSIM:0.8754)、相关性(Correlation Coefficient,CC:0.9323)和均方根误差(Root Mean Square Error,RMSE:21.8544)等指标上取得了最优的结果.

基于傅里叶与局部特征结合的人体姿态识别方法研究

为了提高对人体姿态的识别,提出了一种以人的姿态序列图像的轮廓为特征,包括轮廓的外接矩形的宽高比、形状复杂性变化率、离心率以及傅里叶描述子相结合的人体行为识别方法。首先运用自适应的混合高斯背景建模和形态学结合的方法,利用Canny算子进行边缘检测,实现目标人体轮廓的特征提取。然后采用基于质心边缘距傅里叶描述子与k-means聚类算法与SVM分类器结合的方法,对目标人体轮廓的参数建立具有13个特征值的一维的特征向量,并和RBF神经网络的分类效果进行对比。实验表明,SVM进行分类较为准确,且不需要进行多次的迭代训练,速度较快、识别性能也很好,相比于RBF神经网络而言。运用该方法可以让人体行为识别的正确率在91%以上,该方法简单可行。