基于原型对齐正则化与矫正优化的少样本3D点云语义分割

3D点云语义分割在自动驾驶等现实应用中起着重要作用。现有大部分点云语义分割方法均依赖于大量获取成本昂贵的点级标签用于全监督训练,且在推理时无法扩展到对不可见新类的识别上。为克服上述限制,少样本学习(few-shot learning)通过仅使用少量标注的新类样本来实现到新知识的泛化。在对原型网络(prototypical network)研究基础上,设计一种对点云视觉原型进行自对齐、跨对齐正则化,并进一步矫正优化的少样本3D点云语义分割框架,以充分利用支撑集信息。在公开数据集S3DIS和ScanNet上不同少样本设置下(N-way,K-shot)的实验充分证明了方法在分割效果和推理效率上的优越性。

基于多普勒测风激光雷达偏航矫正增功研究

风能作为一种清洁能源,越来越受到人们的重视,充分利用每一份风能是我们追求的目标。随着激光测风雷达技术的发展,其在风电领域的应用也越来越多。从测风激光雷达的测风原理出发,阐述了其在测风方面的优越性,探究了风向偏差对风机发电功率的影响;将激光雷达测风数据和传统测风数据进行了数据对比,研究了两种测量数据的对风偏差和离散性。研究结果表明,激光测风雷达能够较好的对现有测量误差进行动态矫正,风机进行动态矫正后,风机对风偏差大大降低,有效提升了风机的发电量。

关于长跑运动员起跑图像姿态优化校正仿真

对长跑运动员的起跑图像姿态的优化矫正,能够有效提高运动员跑步效率。对运动员起跑姿态图像的矫正,需要计算相同位置像素块的绝对差分,给出长跑运动员起跑姿态合理性匹配阈值,完成对起跑姿态优化矫正。传统方法先建立区域像素点之间的联系,生成起跑姿态图像的高斯模型,但忽略了给出姿态合理性匹配阈值,导致姿态矫正精度偏低。提出基于朗斯基函数的图像分析下长跑运动员起跑姿态优化校正方法。利用三维图像分析原理给出运动员起跑姿势的区域与背景显露区域,通过朗斯基矩阵行列式判断相邻像素间空间域相关性,计算当前帧中搜索窗口中心位置的待匹配像素块与参照帧中相同位置像素块的绝对差分,给出长跑运动员起跑姿态合理性匹配阈值,完成对长跑运动员起跑姿态优化校正。仿真证明,所提方法矫正效果较为明显,对运动员专项技术动作的形成与发挥有着积极意义。