基于双孪生网络的可见光热红外目标实时鲁棒跟踪

针对可见光与热红外图像融合跟踪中采用孪生网络架构进行跟踪时鲁棒性较差的问题,提出了一种基于双孪生网络特征融合的可见光热红外(RGB-T)目标实时跟踪方法。首先,采用两个孪生网络分别对可见光和红外图像的模板分支和搜索分支进行特征提取,得到两种模态特征层;然后,利用自注意力特征增强模块(SFEM)对两种模态的特征进行增强,并使用双模特征融合(DMFF)模块对模板分支和搜索分支增强后的特征分别进行融合;最后,将融合后的模板分支和搜索分支进行特定任务的互相关操作,并通过分类和回归分支得到目标位置,从而完成跟踪。在灰度热红外目标跟踪数据集(GTOT)上的测试结果表明,本文方法的精确率(PR)为91.8%,成功率(SR)为78.1%,运行速度为60 f/s。与其他RGB-T融合跟踪方法相比,本文方法能够在保持实时处理速度的同时具备较高的鲁棒性。

基于模型-数据联合驱动的电网扰动定位方法

快速准确的电力系统扰动定位是实施及时有效的控制措施的重要前提。广域同步相量量测为快速准确的扰动定位提供了数据基础,同时刻画扰动传播的连续体动力学模型为扰动定位提供模型支撑。结合同步相量测量单元(phasor measurement unit,PMU)量测数据和扰动传播模型,该文提出一种基于模型–数据联合驱动的电网扰动定位方法。首先通过对PMU量测数据进行奇异谱分析和计算累计平方和指标来实现扰动检测。进而在部分PMU确定的子拓扑内,分别通过量测数据和传播模型提取二维时空特征。最后根据扰动传播过程中时空特征之间的相关性,提出基于度量学习的双通道三元孪生网络的扰动定位方法,仅利用部分PMU量测信息即可快速定位扰动位置,为后续抑制扰动的主动控制策略的投切奠定基础。基于IEEE 10机39节点系统,验证所提方法的有效性和鲁棒性。