基于红外和可见光的多模态数据融合方法研究

为实现红外和可见光多模态信息的融合互补,本文梳理了基于传统的融合方法及基于深度学习的融合方法发展脉络,分析了各种方法的原理及局限性,并在此基础上,进一步分析了多模态数据融合发展的方向,即基于自注意力的Transformer融合方法,并详细论述了各组成模块及研究重点,进而提升红外和可见光多模态图像融合的效果。

偏微分高程图环境蚁群算法的三维路径规划

针对在三维空间路径规划中建模与避障问题,提出了一种新的在偏微分高程建模环境下蚁群算法的三维路径规划方法。首先,利用抽象建模和高程建模方法分别构建三维空间环境,并用偏微分对高程环境进行最优数据提取,在此基础上利用高程数学建模方法进行三维空间重建,最终形成偏微分高程环境。其次,首次将种群对于环境的最佳适应度值作为目标函数评判蚁群寻找最优路径的决策能力。最后,在不同的建模环境中应用蚁群算法进行路径寻优,输出最优路径。通过对仿真结果和实验数据分析,验证了所提方法的有效性和正确性。

基于逻辑相似性的运动检索算法

针对基于内容的人体运动检索问题,提出了一种基于逻辑相似性的运动数据检索方法。首先,针对特定人体运动序列数据,使用自组织网络映射算法对运动数据进行预处理,找出运动数据帧的最佳匹配单元。然后,应用数据编码规则对匹配单元进行量化及编码处理,获得基于符号化表示的运动描述符。基于符号化表示的描述符建立运动序列索引机制,应用多分辨率框架进行运动模式匹配。最后,按照模式匹配结果进行运动相似性排序,输出检索结果。在CMU运动数据库中的试验结果表明了算法有效性。

基于显著性检测和EfficientNet的垃圾分类算法研究

垃圾分拣的智能化和自动化对改善城市环境具有重要的意义,论文基于西安市2021垃圾分类数据集,提出了一种基于物体显著性检测和EfficientNet的垃圾分类算法。首先针对数据特点,采用U-Net物体显著性检测模型获取物体语义显著区域,进而获取物体区域,去除复杂背景影响,然后结合数据增强及余弦调整策略,基于EfficientNet迁移学习构建垃圾分类模型。试验结果表明,该方法识别精度可达94.2%,可有效提升垃圾分类效率。

基于流式感知数据的行为识别

行为识别侧重于通过使用传感器数据来推断当前用户的活动,典型的行为识别技术通常基于点对点的方法来处理传感器感知到的数据,其中,监督学习算法在该领域有广泛的应用。本文提出了一种基于聚类的分类算法来进行行为识别,该算法采用增量式学习来挖掘数据流中的用户行为,通过将不同的活动行为赋予不同的类,融合监督、无监督和主动学习算法,并结合混合相似性度量方法建立一个鲁棒的识别系统。