基于第一视角的非自回归行人轨迹预测模型

行人轨迹预测在自动驾驶和监控系统等多个应用中具有重要意义.目前大多数行人轨迹预测模型采用基于循环神经网络的编码器-解码器结构,其自回归的解码结构存在一定的累积误差,而且循环神经网络对序列的长期依赖问题仍然无法很好地解决.本文提出一种基于Transformer网络的非自回归行人轨迹预测模型,非自回归的解码结构能够同时生成所有预测值来减少累积误差,Transformer网络中的自注意力机制能够改善长期依赖问题.本文还设计一个局部信息加强模块来捕获行人运动趋势发生变化的局部特征,同时结合边界框的位置信息和大小信息来编码第一视角下透视投影产生的影响,使得模型提取到的轨迹特征更加有效.实验结果表明,在基于第一视角的公开数据集PIE(Pedestrian Intention Estimation)上,本文提出的模型比PIE预测模型在15、30、45帧的平均位移误差和终点位移误差上分别降低了24%,14.5%,11%和6%.

基于多信息流动卷积神经网络的行人再识别

行人再识别问题中,由于视角、光照和行人姿态等因素的变化,导致难以提取有效的行人特征,降低识别精度.而深度神经网络在训练样本较少的情况下较难训练,易出现过拟合现象.针对上述问题,本文提出一种多信息流动卷积神经网络(Multi-information Flow Convolutional Neural Network,MiF-CNN)模型,模型中包含一个特殊的卷积结构,该结构中每层卷积层提取到的特征与后续所有卷积层的输入相连接,增强了网络的特征信息流动性和梯度的反向传播效率,使得模型提取到的行人特征更具判别力.采用多损失函数组合方式训练网络模型,更好的区分行人类别.最后利用欧氏距离对行人特征相似性进行排序.在标准行人再识别数据集VIPeR和CUHK01上的实验表明,本文方法进一步提高了行人再识别精度,并有效改善了深度神经网络的过拟合现象.

基于循环区域关注和视频帧关注的视频行为识别网络设计

视频帧中复杂的环境背景、照明条件等与行为无关的视觉信息给行为空间特征带来了大量的冗余和噪声,一定程度上影响了行为识别的准确性.针对这一点,本文提出了一种循环区域关注单元以捕捉空间特征中与行为相关的区域视觉信息,并根据视频的时序特性又提出了循环区域关注模型.其次,本文又提出了一种能够突显整段行为视频序列中较为重要帧的视频帧关注模型,以减少异类行为视频序列间相似的前后关联给识别带来的干扰.最后,提出了一个能够端到端训练的网络模型:基于循环区域关注和视频帧关注的视频行为识别网络(Recurrent Region Attention and Video Frame Attention based video action recognition Network,RFANet).在两个视频行为识别基准UCF101数据集和HMDB51数据集上的实验表明,本文提出的端到端网络RFANet能够可靠地识别出视频中行为的所属类别.受双流结构启发,本文构建了双模态RFANet网络.在相同的训练环境下,双模态RFANet网络在两个数据集上达到了最优的性能.

能力需求导向的测控专业迭代升级人才培养体系建设

沈阳工业大学测控技术与仪器专业结合新时代测控专业建设和自身优势特点,基于成果导向教育,依托辽宁省装备制造行业,体现"新工科"教育理念,以学生为中心,将工程实践能力和创新意识培养贯穿于大学四年,提出了"项目认知、方向启蒙—基础教育、核心引导—专业教育、能力培养—实践教育、创新提升"的贯通融合、迭代升级的全程培养体系。在该体系中实施了创设问题及能力导向教学方法,并配设相应的课程和实践教学环节,满足不同培养层次的知识能力需求。经过几年的实践检验,取得了较好的专业建设和人才培养效果。

基于多模式时空交互的行人轨迹预测模型

在正确地规划合理路径方面,行人轨迹预测具有重要的意义.大多数现有轨迹预测方法在考虑周围行人的影响时,都是简单地将周围行人全部考虑在内,这必然带来的冗余信息.本文提出了一种基于多模式时空交互的行人轨迹预测模型,该模型通过多模式行人空间交互模块对不同行人在不同情况下给予不同的权重,使得模型可以有效减小冗余信息带来的影响.并且本文的模型针对于输入轨迹信息的不同重要程度,设计了加权信息融合模块在原轨迹信息的基础上融合了赋予不同权重的历史轨迹信息,使得模型的轨迹信息更加有效.此外,该模型采用了时间卷积网络模块来捕获行人的时间交互.实验结果表明,在公开数据集ETH和UCY上,相比于Social-STGCNN平均位移误差(Average Displacement Error,ADE)和终点位移误差(Final Displacement Error,FDE)分别降低了15%和14%.

全卷积连接神经网络的目标跟踪

由于多数跟踪器在相似目标干扰的情况下,很难持续正确地对目标进行跟踪。因此针对相似目标干扰场景下的目标跟踪,提出一种利用多个卷积层信息进行目标跟踪的全卷积连接网络结构(Full Convolutional Connection Network,FCCN)。首先在视频第一帧目标位置生成大量正、负样本,同时引入困难样本挖掘机制对目标进行识别。然后在目标跟踪过程中,全卷积连接网络能够将每一个卷积层生成的特征图进行信息整合,使得在跟踪相似目标时能充分利用提取到的特征信息进行跟踪。最后网络更新部分引入短期和长期参数更新方法,有效地增加了目标在各种场景下的识别能力。实验结果表明,该算法在目标跟踪视频数据集OTB-100测试精度为0.823,成功率为0.588。

On the Nonlinear Matrix Equation X＋A~＊f_1（X）A＋B~＊f_2（X）B=Q

In this paper, nonlinear matrix equations of the form X ＋ A＊f1 （X）A ＋ B＊f2 （X）B = Q are discussed. Some necessary and sufficient conditions for the existence of solutions for this equation are derived. It is shown that under some conditions this equation has a unique solution, and an iterative method is proposed to obtain this unique solution. Finally, a numerical example is given to identify the efficiency of the results obtained.

基于多信息融合的驾驶视角下行人轨迹预测

行人轨迹预测是实现在城市内完全自动驾驶的重要支撑,并且广泛应用于机器人路径规划、自主巡航等领域.驾驶视角下交通场景复杂多变、行人未来位置不确定性大,只考虑观测轨迹信息预测行人轨迹会有较大位移误差.针对这个问题,提出一种多信息融合网络(multi-information fusion network,MIFNet)来预测驾驶视角下未来行人轨迹的多种可能.MIFNet在观测轨迹信息的基础上引入姿态信息和光流信息,分别采用骨架序列重组和划分局部光流的方法避免遮挡造成的信息失真.为了更有效地融合这些信息,提出一种基于信息评价的跨信息融合注意力机制,综合考虑了预测过程中不同信息间的重要程度和同一信息间不同特征的重要程度.MIFNet在PIE数据集上预测1.5 s的平均位移误差取得了最佳成绩,在JAAD数据集1.5 s的长时轨迹预测任务中预测误差最小,并且模型参数量、推理时间较最新模型大幅度下降.

铸石骨料高强度混凝土力学及抗冲磨性能

针对水工泄水建筑物过流面混凝土的冲刷磨损和空蚀破坏问题,采用铸石作为粗骨料,部分替代玄武岩骨料或完全替代玄武岩骨料,制备高强抗冲磨混凝土,研究了铸石高强抗冲磨混凝土的抗压强度和轴向拉伸性能,并采用水下钢球法和缩放型空蚀发生器研究了铸石粗骨料对混凝土抗冲磨防空蚀性能的影响,结果表明,铸石粗骨料可显著提高混凝土的抗压强度,提升幅度可超过50%,铸石粗骨料对混凝土的轴向抗拉强度、抗拉弹性模量和极限拉伸值等性能的提升效果不明显,提升幅度基本在10%以内,铸石粗骨料显著提升了混凝土的抗冲磨性能,水下钢球法抗冲磨强度可提升55%,抗空蚀强度提升62%。