一种密集采样数据用特征点表示的处理方法及应用研究

提出了一种密集采样数据的特征点表示法。该方法首先对密集采样数据进行滤波处理，去掉测试过程中的干扰信号和随机误差；然后，采用预定的特征点表示的Ｂ样条曲线与密集采样数据比较，若超过允差，则增加特征点修改Ｂ样条曲线，直至使特征点表示的Ｂ样条曲线与密集采样点值相符为止。这一方法主要适用于几何量或与之相当的缓变物理量的密集采样数据的数据处理。本文还对该方法用于活塞中凸型线的测量数据处理进行了实验，结果表明该方法实用可靠。

基于受限玻尔兹曼机与密集采样迭代加权的图像动作识别算法

针对当前动作识别技术中正确识别率不高,易受到环境变化的影响等问题,提出了一种基于受限玻尔兹曼机与密集采样特征迭代加权融合的动作识别算法。避免单个特征对图像序列的表达力不强,引入了受限玻尔兹曼机（RBM）特征与密集采样（DT）特征分别对行为动作进行特征提取,得到RBM特征和DT特征;定义一种迭代加权函数,将RBM特征与DT特征进行加权融合,形成描述能力更强的RBM-DT特征;基于K-近邻（KNN）算法,对RBM-DT特征进行分类学习,完成动作识别的决策判断。通过在KTH、Hollywood数据集上实验表明：与当前动作识别技术比较,提出的新算法能够有效识别各种行为动作,对各类型动作均具有更高的正确识别率与鲁棒性。

密集采样算法下的毛刺缸套外观缺陷检测

毛刺缸套外观缺陷种类繁多、评判标准不一,导致传统图像处理方法提取的特征信息鲁棒性较差,影响其检测效果。为了解决上述问题采用深度学习算法对缺陷位置定位,提取缺陷区域,结合图像处理算法进行定量分析,准确计算缺陷面积的大小。通过对YOLOv3算法进行优化,增加注意力空间机制、密集采样的方法对图像的不同通道的特征进行学习,并且加深特征层之间的语义信息的传递和复用。通过对比实验发现,经过改进后的深度学习算法检测精度提升4.4%,漏检率减少7.5%,并且单张图像检测时间为86ms,满足工业生产的实时性要求,结合图像处理进行定量分析,准确判别产品的缺陷。

瞬变电磁密集采样的小波分析技术及工程应用

瞬变电磁(TEM)是一项发展中的应用地球物理技术.通过对TEM数据密集采样以及小波分析(解)处理,为TEM提高探测分辨率和提升探测深度提供了理论基础;采用小波多尺度分解和小波基的自适应选择,实现了非平稳TEM密集采样信号的小波分析处理.文章还对早期道和晚期道数据处理进行了探讨,从方法上提升了数据处理的应用质量.工程实践表明,TEM密集采样及小波分析处理技术具有较为广泛的工程实用价值和技术推广价值.

密集帧率采样的视频标题生成

使用固定时间间隔取帧的方式用于视频标题生成,易导致多种静态或动态信息丢失,使得生成的句子质量难以提高。针对这一问题,提出了一种使用密集帧率采样的标题生成方法(dense frame rate sampling based captioning model,DFS-CM),将视频分为多个长度统一的片段,提取片段中所有视频帧的深度CNN(convolutional neural network)特征,然后使用均值或最大值方法,降低了特征数量,增强了特征的稀疏程度;同时,还改善了模型的训练策略,增强了模型的稳定性和泛化能力。最后在S2VT框架的基础上,使用Goog Le Net和Res Net-152两种CNN模型,对所提方法进行了验证。在Youtube2Text数据集上的实验结果表明,无论是采用均值特征还是最大值特征,其模型性能与基准模型相比均得到了改善,尤其是使用Res Net-152和最大值方式,其B@4和CIDEr分别达到了47.1%和34.1%。

结合MobileNet的改进DeepLabv3+遥感影像道路提取方法

针对现有深度学习网络提取遥感影像中道路时存在的分割精度较低、错检率高、检测效率较低等问题,本文提出一种改进模型MB-DeepLabv3+。在编码器层,利用MobileNetv3作为特征提取网络,同时引入全局注意力机制计算空间与通道层面的样本注意力权重;在解码器层,以密集上采样卷积核代替双线性内插法进行特征图上采样。在Deep Globe数据集上的实验结果表明,本文所提出算法在准确率上达到了98.39%,较原始DeepLabv3+提高了2.6%,并且对单幅影像的提取计算效率也有所提升,面对不同复杂程度的道路影像,较对照组内其余模型在漏洞、错误提取等问题上有了显著的改善,能够实现高效精准的道路提取。

第四纪黄土剖面多元古土壤形成发育信息的揭示

以时间尺度 2 0万年以来的洛川黄土剖面为研究对象。采用间隔 30～ 5 0cm的密集采样 ,通过土样的物理、化学、矿物组成和孢粉分析及土壤微形态镜鉴的综合研究 ,对第四纪生物气候环境演变提出了新的见解。对原以代表干冷环境沉积为主的黄土地层 (L) ,揭示了内伏半干旱环境的演化及相应的土壤发育过程 ;对原以代表暖湿环境的红褐色古土壤层 ,揭示了内伏干旱、半干旱环境的演化及干旱与湿润型孢粉共存的矛盾实质。研究证示 :深厚的黄土剖面是在第四纪生物—气候环境演变过程中 ,通过黄土沉积、成壤强弱交替演化 ,形成发育的由不同土壤类型组成的特殊的多元古土壤剖面体系。

基于高铁轨道不平顺的车轮不圆顺识别模型

为获取高速运行车辆的车轮不圆顺幅值,并进一步研究轨道谱,建立一种基于轨道不平顺的车轮不圆顺幅值快速测量模型.首先分析了车轮不圆顺在轨道不平顺检测数据中的分布规律,提出车轮不圆顺的密集采样方法,进而建立基于稀疏轨道不平顺数据的车轮不圆顺动态识别模型.通过数值仿真研究发现:车轮不圆顺对基于惯性基准法测得的离散轨道不平顺数据的幅值影响较小,对频域(轨道谱)影响较大;车轮不圆顺会干扰波长小于和等于轮长的轨道不平顺检测数据,且对前者影响更大;车轮不圆顺对波长大于轮长的轨道不平顺数据也有影响,最大影响波长仅与车轮周长和轨道不平顺的采样间距有关;识别模型能有效地从轨道不平顺检测数据中提取车轮不圆顺,误差可控制在0.02 mm以内.

基于背景抑制和前景抗干扰的多尺度跟踪算法

针对尺度变化、目标形变、背景混乱及相似等导致的相关滤波跟踪算法模型漂移的问题,本文提出了一种基于背景抑制和前景抗干扰策略的多尺度相关滤波跟踪算法。前者应用自适应高斯窗和颜色概率模型,以解决背景混乱及相似问题;后者采用自适应密集采样和颜色概率模型,以抑制尺度变化和目标形变等干扰。最后,构建一维尺度滤波器实现对目标尺度的精确估计。在OTB-50数据集下的对比实验表明,本文算法取得了79.2%的精确度和65.5%的成功率,优于现有的主流相关滤波跟踪算法,在11种常见的干扰下性能亦为最优,展示出较高的跟踪精度和较强的鲁棒性。

结构先验约束下的实时多目标跟踪

多目标跟踪算法通常需要计算多帧、多目标间的数据关联,由于目标样本数量大,优化过程十分耗时,因此往往实际应用受限。提出一种实时的多目标跟踪算法,通过建立在线更新的结构先验模型约束目标间的空间位置关系,从而捕获多帧多目标间的数据相关性;在推理目标的空间置信度时,为克服传统方法使用稀疏采样造成样本不足引起目标状态估计不准确的问题,采用一种新的思路:提取目标及其周围区域作为正例样本,在计算过程中引入循环矩阵理论进行密集采样,并进一步通过对解进行傅里叶变换,实现对搜索窗口内所有样本似然的快速推理,从而为结构先验模型提供目标所有可能位置的置信度。实验结果表明了该算法在提高跟踪精度的同时显著降低了运算时间。

基于稀疏表示与空域金字塔环形描述的SAR目标分类方法(英文)

为避免传统SAR图像特征分类算法中所需的目标方位角精确估计,提出了一种新的基于稀疏表示与空域金字塔环形描述相结合的SAR目标分类方法.该方法引入bag of features思想,利用密集采样SIFT描述特征训练过完备字典,对训练集和测试集同时进行稀疏编码并构造空域金字塔环形描述,得到旋转不变特征,最后输入线性SVM分类器进行分类.MSTAR实测数据的对比实验表明,在无需目标方位角估计的前提下,所提出的算法识别率达到96%以上,取得了很好的目标分类效果.

圆弧测量误差分析及其应用

本文根据误差传递理论，借助计算机，对小圆弧测量误差进行了定量分析。根据分析的结果提出了小圆弧高准确度测量的新方法——分段密集采样法。

尺度自适应的铁路异物侵限PSA-Kcf降维跟踪方法

针对铁路异物侵限存在尺度上的外观变化,导致现有目标跟踪算法容易学习到过量背景或局部纹理信息,从而引发跟踪框漂移的问题,提出一种融合尺度估计的核相关滤波目标跟踪算法。利用视觉背景提取器ViBe对铁路沿线侵限异物进行检测,通过密集循环采样和尺度金字塔技术分别提取初始化跟踪框的FHOG特征,用来训练一个核相关位置滤波器和一个PCA降维的尺度滤波器,以实现尺度自适应的铁路侵限异物快速跟踪。实验结果表明:PSA-Kcf算法在跟踪精度上优于无尺度估计环节的生成类算法MeanShift和原生核相关滤波算法Kcf,略高于尺度自适应的SA-Kcf和SAMF算法;在跟踪速度上明显快于MeanShift、SA-Kcf和SAMF算法,能达到与Kcf算法相当的快速跟踪效果。

一种基于改进U-Net的肝脏肿瘤分割方法

肝脏肿瘤分割是肝癌诊断与治疗不可或缺的重要环节。针对传统的U-Net网络在形状、大小、位置复杂多变且边界模糊的肿瘤分割中信息丢失、分割精度低等问题,对其进行改进以提高肝脏肿瘤分割精度。首先,在编码阶段使用混合空洞卷积替换原有卷积块,增大感受野、获取更多的上下文信息;在解码阶段采用密集上采样卷积,捕获和解码更详细的信息;引入残差模块,加速模型的训练并防止网络退化。其次,在每个跳跃连接之间加入注意力机制,使模型重点关注感兴趣区域,抑制冗余特征;使用组归一化(GN)代替常用的批量归一化(BN),减小Batch Size过小对网络准确性的影响,并结合Focal Tversky损失函数以改善类不平衡问题。通过LiTS2017数据集的实验表明,相较于传统U-Net,所提改进模型在肝脏和肿瘤分割中的Dice指标分别提升了3.56%和4.21%,召回率提升了3.71%和5.35%。

瞬变电磁在某铅锌矿深部找矿中的运用

详细阐述了在福建某铅锌矿的瞬变电磁的应用,包括测网的设计方法、设计原因,以及采集中遇到的干扰分析和应对干扰的方法,并对采集数据给了合理的解释。最后探讨了一直未解决的晚期道干扰问题,提出了采用密集采样滤波的方法解决,通过实例说明了瞬变电磁有着很好的应用前景。

基于FCN的图像语义分割算法研究

图像语义分割的传统方法是依靠人工设计提取特征,用机器学习的方法进行分类,来达到分割的效果,但是过程比较复杂,且最终的分割效果也不理想。为解决该问题,提出运用深度学习的方法自动提取图像中物体特征,实现端到端训练,并提升分割精度。采用的基础网络是ResNet-50,同时采用空洞空间金字塔池化模块进行有效的特征融合,并在最后一组卷积块中使用了空洞卷积来控制感受野,以提取多尺度信息。在解码阶段采用密集上采样卷积来获得最终的输出预测图。实验表明,该方法获得mIoU值为86.185%。

基于全卷积网络的图像语义分割算法

基于卷积神经网络的语义分割模型易存在提取特征不充分、上采样恢复原图尺寸时丢失细节等问题,导致分割精度降低。对比提出一种基于全卷积网络DeepLab v3的改进算法。采用LeakyReLU激活函数,增强网络提取较弱特征的能力;输入图像在多孔空间金字塔池化(ASPP)后,使用密集上采样卷积(DUC)恢复与原图尺寸一致的预测图;在训练时使用Nadam优化器,提高网络的收敛速度和鲁棒性。在PASCAL VOC 2012数据集上进行了验证与评测,结果表明算法平均交并比(mIoU)相比于原算法提高0.6%。

DeepLabV3_DHC:城市无人机遥感图像语义分割

高分辨率无人机遥感图像具有极为丰富的语义和地物特征,在语义分割中容易出现目标分割不全、边缘信息缺失、分割精度不足等问题。为了解决上述问题,基于DeepLabV3_plus模型提出改进的DeepLabV3_DHC。首先,利用多种主干网络进行下采样,采集图像的低级特征和高级特征。其次,将原模型的atrous spatial pyramid pooling(ASPP)全部替换成深度可分离混合空洞卷积,同时添加自适应系数,减弱网格效应。之后,抛弃传统上采样的双线性插值法,替换为可学习的密集上采样卷积。最后,在低级特征中串联注意机制。选用多种主干网络进行实验,数据集选用四川省隆昌市地区的部分图像,采用平均交并比和类别平均像素准确率作为评价指标。实验结果表明:所提方法不仅具有较高的分割精度,而且减少了计算量和参数量。