基于全局滤波池化多关系Transformer网络的行人重识别

行人重识别(Re-identification,ReID)的关键挑战之一是提取关键且鲁棒的特征,近年来,Transformer网络不断展现其在该问题上具有强大的特征提取和表达能力。针对传统Transformer网络局部信息获取不如卷积神经网络的问题,提出一个基于ReID的全局滤波池化多关系Transformer(Trans-global filter pooling multi relationship-ReID,TFMR)网络新型框架,解决了Transformer网络局部关系建模不够丰富的问题。多关系(multi relation,MR)网络考虑身体多个部位间的关系,使特征包含局部信息之间的联系,增强特征中行人生理结构的关联。同时设计了全局滤波池化(global filter pooling,GFP)模块,将其嵌入到Transformer网络中,降低图片中噪点的干扰并减少视图变化造成的特征偏差,从而获取人物图像中更清晰的全局特征,提升识别准确率。实验表明,模型在区分行人信息问题上具有高效性,在Market-1501、DukeMTMC-ReID和MSMT17数据集中优于其他模型。

具有相关噪声和不确定观测系统的全局最优Kalman滤波

研究了具有不同源噪声和不确定观测的离散线性随机系统的全局最优Kalman滤波问题.乘性噪声是用来描述系统的随机扰动,相关噪声包括了有限步自相关过程噪声和纵向相关噪声,不确定观测包括了一步随机时滞和多丢包.由Kronecker delta函数来描述有限步自相关过程噪声和纵向相关噪声,通过两个已知统计特性且相互独立的Bernoulli分布变量来描述一步随机时滞和多丢包现象.基于最优估计的定义,在最小均方误差意义下设计出全局最优Kalman滤波.最后,算例仿真验证滤波方法的有效性.

基于面法向规范化的重加权全局双边滤波

在网格去噪中,由于面法向对于噪声非常敏感,当网格噪声较大时,依赖于2个高斯函数的双边滤波器难以找到合适的方差参数来自适应地区分噪声和特征附近的法向变化,导致出现无法有效地去除噪声或者破坏网格的结构特征的问题.为此,提出一种改进的基于面法向的全局双边滤波算法.首先通过面法向规范化加强对噪声和特征附近面法向变化的区分,应用规范化后的法向量计算双边滤波中刻画法向变化的权重,以克服参数选择难题;其次根据重加权的思想加大对噪声的惩罚力度,进一步提高了降噪效果.大量实验结果表明,该算法无论从视觉上还是从数值上都取得了比现有算法更好的降噪结果.

基于全局稀疏梯度滤波器分解的图像融合方法

利用LIME的弱光图像增强方法和基于全局稀疏梯度的滤波器分解工具提出了一种弱光图像与红外线图像的融合方法,来提高融合结果中弱光图像的场景信息并保留红外线图像的高亮目标.首先利用LIME的图像增强方法对低照度图像进行增强;然后利用基于全局稀疏的梯度滤波器对增强的弱光图像和红外线图像进行分解得到了图像的近似层和剩余层.在近似层和剩余层分别选取局部能量和全局稀疏的梯度信息作为活动水平级进行融合;最后,将融合的近似层和剩余层叠加得到融合结果.实验结果表明所提算法对弱光图像的融合是十分有效的.

多传感器集中式观测融合Kalman滤波器快速算法

对多传感器线性离散时变随机系统,虽然基于Riccati方程的集中式观测融合Kalman滤波器算法可给出全局最优状态估计,但其缺点是要求计算高维逆矩阵,计算负担大。为了克服这个缺点,应用信息滤波原理,基于改进的Riccati方程,或逆预报误差方差阵方程,或逆滤波误差方差阵方程,提出了相应的全局最优集中式观测融合Kalman滤波器的三种快速算法,可避免高维逆矩阵,可明显减小计算负担,便于实时应用,一个数值仿真例子说明了它们的有效性。

飞行控制系统舵面效率损失率估算方法研究

以某型飞机为研究对象,论述了一种基于模型的自修复飞行控制系统舵面效率损失率的估算方法。首次提出了采用多传感器信息融合来估算舵面效率损失率。因为舵面损伤故障采用全局滤波法检测,没有可直接测量其损伤程度的传感器,所以需要从飞控系统中多个传感器的测量信号综合判决来估算舵面损伤情况。最后,对所设计的舵面效率损失率的估算方法进行了数字仿真研究。仿真结果验证了该方法具有较高的准确性和实时性,为飞行控制系统舵面效率损失率的估算提供了一种有效的方法。

旋转自适应的多特征融合多模板学习视觉跟踪算法

目标发生旋转及遇到外界干扰时会给目标跟踪带来巨大挑战,针对该问题,文中提出旋转自适应的多特征融合多模板学习跟踪算法.首先,构建具有互补特性的多模板学习模型,全局滤波器模板用于跟踪目标,当判定滤波器模板确定全局滤波器模板被污染时,使用修正滤波器模板对全局滤波器模板进行修正.然后,将颜色直方图作为视觉补充信息和VGGNet-19特征图进行自适应融合,提升全局滤波器模板对目标外观的判别能力.最后,提出旋转自适应策略,采用改进的跟踪置信度,估计跟踪框最佳旋转角度,减轻目标旋转带来的全局滤波器模板性能衰退.在OTB-2013、OTB-2015数据集上的实验表明,文中算法的成功率和精确率较高.

Robust adaptive dynamic surface control for nonlinear uncertain systems

We propose a new method for robust adaptive backstepping control of nonlinear systems with parametric uncertainties and disturbances in the strict feedback form. The method is called dynamic surface control. Traditional backstepping algorithms require repeated differentiations of the modelled nonlinearities. The addition of n first order low pass filters allows the algorithm to be implemented without differentiating any model nonlinearities, thus ending the complexity arising due to the 'explosion of terms' that makes other methods difficult to implement in practice. The combined robust adaptive backstepping/first order filter system is proved to be semiglobally asymptotically stable for sufficiently fast filters by a singular perturbation approach. The simulation results demonstrate the feasibility and effectiveness of the controller designed by the method.

未知地震激励下结构恢复力及质量非参数化识别

地震作用过程中结构恢复力是描述结构损伤发生发展过程定量描述的基础,更有助于描述结构在地震中破坏模式的演化。该文研究地震激励下结构部分质量及动力响应信息未知时,结构非线性恢复力、质量以及未知加速度时程的非参数化识别方法。首先,根据部分已知动力响应测量和质量信息,识别地震加速度时程。随后,利用记忆衰退全局加权迭代扩展卡尔曼滤波算法,引入幂级数多项式表征结构恢复力,实现了结构质量与非线性恢复力的非参数化识别。将具有非线性恢复力的磁流变阻尼器中引入到一个剪切型多自由度结构构成非线性系统,考虑测量噪声的影响,通过数值模拟验证了在噪声及较大质量初始误差情况下该方法识别结构质量、非线性恢复力及地震动加速度时程的识别效果。

L_1优化在网格去噪中的应用

目的网格去噪是计算机图形学中的经典问题,而如何在去除噪声的同时保持网格的特征结构是这一研究方向所面临的最大挑战。方法提出一种具有稀疏性的全局网格去噪方法,该方法源于信号处理理论中稀疏表示的基本思想,通过优化全局能量函数来去除网格模型的噪声,同时能够保持网格模型的特征结构。该方法共分为两个步骤,第1步为网格面法向量的滤波,首先建立全局优化模型,对噪声网格的面法向量进行滤波优化,其中引入l_1范数来保证解的稀疏性,使得优化后新的面法向量能够保持网格的特征结构;第2步为网格曲面的重建,根据第1步得到的新的面法向量,按照面法向量的定义,建立最小二乘意义下的网格顶点的重建模型,求解得到新的网格曲面。结果由于该模型是全局方法,避免了现有滤波方法可能出现的不收敛等问题,能够取得比较满意的去噪效果。结论大量实验结果表明,本文方法在去除噪声的同时,能较好地保持网格的特征结构,尤其对于CAD模型有很好的实验效果。