基于显著增强分层双线性池化网络的细粒度图像分类

分层双线性池化网络考虑了中间卷积层的特征交互,对细粒度图像起到了良好的分类效果,但它对一幅图像包括无关背景在内的所有区域激活都进行了特征交互,会影响分类性能.针对该问题,提出一种显著增强的分层双线性池化方法.该方法在分层双线性池化网络的基础上,结合显著性检测网络生成注意力图,使用注意力图与特征提取网络进行交互实现对显著区域的信息增强,减少了背景等无关信息的影响,提高了分类性能.在3个常用的细粒度图像数据集CUB-200-2011,Stanford Cars和FGVC-Aircraft上均进行了实验,分类准确率分别为86.5%,92.9%和90.8%,与当前其他主流方法相比,取得了良好的分类效果.

非差增强信息与差分虚拟观测数据的等价变换理论

针对目前非差精密单点定位增强信息无法直接用于RTK(real time kinematic)相对定位的问题,研究了基于附加坐标约束的参考站非差精密单点模糊度固定解提取非差改正信息的方法,并建立了非差增强信息与虚拟参考站观测信息等价变换模型,重点论述了空间状态域信息(state space representation,SSR)在等价变换中的区别应用。根据RTK模糊度部分固定技术,利用实测数据设计实验证明了算法的正确性与可用性。结果表明,虚拟零基线可获得与网络RTK同等精度的定位效果,从而实现了区域增强系统在非差与差分模式上的高度统一。