利用局部特征匹配的运动小目标光流估计

基于深度光流估计的动态背景运动小目标检测,为了保证小目标的检测性能,一般采用较少的下采样次数以维持较高的分辨率,但由此带来了较大的计算耗时。特征匹配是深度光流估计的一个核心处理环节,其耗时在光流估计整体耗时中的占比较大,且对下采样次数非常敏感。据此,提出一种基于局部特征匹配的快速光流估计算法:引入目标运动信息,缩小特征匹配的空间范围,减少待处理的数据量;设计分块局部匹配策略,引入批处理机制,避免出现逐点局部匹配策略数据处理耗时过大问题,实现算法加速。在此基础上,在光流估计获取的光流场上,采用CenterNet网络检测运动目标对应的光流异常区域。从光流估计耗时、检测精度等方面开展了实验验证,结果表明:针对运动小目标检测,分块特征匹配光流估计比全局特征匹配光流估计耗时减少约25%,目标检测性能相当。

视差估计下的VR全景图像局部细节特征提取

受环境背景、视觉偏差等因素的影响,VR全景图像细节特征提取难度较高.为了优化VR全景图像局部细节特征提取效果,提出视差估计下的VR全景图像局部细节特征提取方法 .在均衡VR全景图像灰度值的基础上,去除VR全景图像的噪声.构建人眼视觉模型,检索去噪后的VR全景图像,获取VR全景图像视差信息.通过匹配代价计算、代价聚合计算、视差计算与后处理计算估计视差数值,利用SIFI算法检测并提取VR全景图像局部细节特征.实验数据显示:应用提出方法获得的局部细节特征点检测结果与实际结果保持一致,视差估计误差最小值为0.3 Pixel,证实提出方法具备较好的局部细节特征提取性能.

全局-局部特征融合的人体姿态估计算法

针对现有人体姿态估计算法存在因骨干网络特征提取不充分,导致关键点特征信息丢失的问题,提出一种结合全局-局部特征融合模块的人体姿态估计网络模型(GLF-Net)。为了在特征提取阶段获得高质量的特征图,该算法从全局特征和局部特征出发,对骨干网络ResNet-50进行改进,分别设计了全局极化自注意力模块和局部深度可分离卷积模块。同时采用并行的结构方式将融合了全局位置信息和局部语义信息特征的模块嵌入到骨干网络的Bottleneck层中,既能增强原骨干网络的特征提取能力,又为后续的Transformer网络提供有效的全局和局部特征输入,进而提高姿态关键点检测的性能。在公开人体姿态估计数据集COCO 2017上和MPII数据集上分别进行模型测试,该算法性能与与基准算法(Poseur)相比,姿态关键点的平均准确度(AP)提升了2.1%,平均召回率(AR)提升了1.5%,正确估计关键点比例(PCKh@0.5)最高达到90.6。实验结果表明,所提算法在姿态估计精度上优于现存同类方法,可以明显提高人体姿态关键点的定位准确度。

基于局部区域强化的单目深度估计算法

针对深度估计场景中复杂纹理和复杂几何结构造成的物体边界扭曲、局部细节信息丢失等问题,提出基于局部区域强化的单目深度估计方法。首先,利用基于卷积神经网络的深度估计模型,得到低分辨率的图像;然后,引入显著目标检测模型,得到高分辨率的显著图像,监督生成深度图;最后将显著图与深度图融合,以此提高整个图像的深度估计精度。公共数据集上的实验结果表明,该方法可以显著提高单目深度估计的精度。

基于局部深度一致性的自监督手部姿态估计

基于深度图的3D手部姿态估计通常需要大量人工标注数据以达到高精确度和鲁棒性,然而关节点标注过程冗杂且存在一定误差.现有研究工作使用自监督方法解决对标注数据的依赖,通过在虚拟数据集上预训练网络,并在无标注的真实数据集上进行模型拟合,实现3D姿态估计.自监督方法的关键在于设计模型拟合的能量函数以减小模型在真实数据集上的精度下降程度.为了减小模型拟合难度,本文提出局部深度一致性损失,依据初始姿态估计结果,提取输入与输出深度图的局部表征,将深度图显式地解耦为以关节点为中心的不同区域.通过有针对性地对不同关节点进行局部优化,减少虚拟与真实深度图之间的固有领域误差对网络学习的影响,增加训练的稳定性.本文方法在NYU数据集上相比基础方法平均关节点误差提升了21.9%.

完备Khler流形上Khler-Ricci流的局部Harnack估计

本文首先给出非正规化Khler-Ricci流下曲率的发展方程,然后得到了关于曲率的Harnack量在满足曲率局部条件下所产生的一个特殊项CNS.通过对CNS的估计,得到了完备Khler流形上关于Khler-Ricci流的局部Harnack不等式.最后,作为主要定理的应用,我们将结果推广到数量曲率的情形.

基于辅助回归的面板数据固定效应变系数模型的估计

本文针对面板数据固定效应变系数模型引入辅助回归来解释个体效应与协变量之间的关系,以此来处理固定效应,将模型转化为部分线性变系数模型.为了获得系数函数的估计,采用正交投影的方法消除固定效应,进一步基于局部线性估计对系数函数进行估计.在一些正则条件下,给出了系数函数估计的渐近性质.随后,模拟研究了所提出的估计方法的有限样本性质.模拟结果表明无论个体效应是随机的还是固定的,本文方法优于已有的方法.最后,对艾滋病人的CD4数据进行了实证分析.

基于局部模型网络的锂电池SOC估计方法

锂电池的荷电状态(SOC)是电池管理最重要的参数,准确的SOC估计对保证电池运作的安全性至关重要。传统基于数据驱动的SOC估计法,如神经网络,在可解释性、参数整定方面表现不足。本文提出一种基于局部模型网络和天牛须搜索优化组合的SOC估计法。首先,借助局部模型网络描述复杂非线性系统的能力和其作为灰箱模型的可解释性,将模型的工况空间分解为多个可以用简单模型表示的局部子区间,再用调度函数组合为最终的模型。其次,在网络的训练过程中,采用天牛须搜索优化算法确定分裂空间上的最佳分裂方位,很好的兼顾了模型辨识的精度和运算复杂度。最后,在锂电池动态特性数据集上与已有文献中的SOC估计法进行了对比试验,本文所提出的方法在简单工况的训练集上的RMSE误差小于0.4%,在复杂工况的测试集上的RMSE误差小于0.9%,在不同温度上的表现也相对平稳,总体展现出较高的辨识精度及泛化能力。这一特点在实测的数据集上也得到了进一步验证。

采用区间动态状态估计的局部不可观系统谐波源定位

传统动态谐波状态估计方法无法有效应对线路参数不确定或局部不可观系统问题,因此用于谐波源定位仍存在较大的局限性。针对上述不足,该文提出基于区间动态状态估计的局部不可观系统谐波源定位方法。首先,利用多端口等效将局部不可观系统转化为等效可观系统,在考虑线路参数不确定性前提下,采用基于误差最优上界的区间卡尔曼滤波算法进行区间动态谐波状态估计;其次,筛选出高度线性相关的状态量,并采用区间中点线性回归辨识回归系数,将其与不可观区域中的节点进行匹配,将匹配度最高的节点视为不可观区域中谐波源所在位置;最后通过算例验证所提方法的可行性与准确性。

基于局部特征与全局表征耦合的2D人体姿态估计

近年来卷积神经网络和Transformer都在人体姿态估计领域中取得进步,卷积神经网络(Convolutional neural network,CNN)擅长提取局部特征,Transformer擅长捕捉全局表征,但目前结合两者实现人体姿态估计的研究较少且效果不佳。针对此问题,提出一种耦合局部特征和全局表征的的模型CNPose(CNN-Nest Pose),该框架的局部-全局特征耦合模块利用多头注意力计算和残差结构的方式深度耦合局部特征和全局表征;还提出了局部-全局信息交流模块解决局部-全局特征耦合模块在计算过程中局部特征和全局表征数据源范围不一致的问题。在COCO-val2017和COCO-dev-test2017数据集上进行了验证,实验表明,采用了局部特征和全局表征耦合的CNPose模型相较于同类型方法有着更为优越的表现。

基于局部平面引导层的无监督单目红外图像深度估计

当前无监督单目红外图像深度估计方法难以处理低纹理和低对比度区域,导致估计效果差,因此本文提出了一种基于局部平面引导层的无监督单目红外图像深度估计算法。该算法由连续视频帧输入、多尺度特征提取、ASPP和局部平面引导层、计算损失、联合训练、输出图像模块组成。首先,通过采用多个小分辨率灰度块和多尺度特征融合,解决了红外图像边缘模糊和遮挡物体等问题。其次,通过利用局部平面引导层在深度图像上引入一个平面约束,减小了深度图像中的噪声和不连续性,以及传统算法对低纹理区域处理不明显等问题。实验结果表明,所提出的深度估计算法有效提高了单目深度估计的精度并减小误差,在Iray数据集上的Abs Rel、Sq Rel、RMS、RMS(log)分别为0.262、3.621、9.473、0.332,在阈值指标小于1.25、1.252、1.253时,准确率达到了60.5%、85.2%、94.5%。

基于指数目标函数优化的变压器局部放电故障最佳定位点估计方法

针对采用声发射传感器法测量变压器局部放电故障定位点问题,考虑多个冗余声发射传感器及其测量误差,创造性地将局部放电故障定位点的诊断问题转换为状态估计优化问题,提出了基于指数目标函数优化的变压器局部放电故障定位点最佳估计方法。该方法首先借鉴状态估计理论,定义声发射传感器伪量测和构造局部放电故障定位点量测方程;然后针对多个冗余AES定位点量测方程,以残差指数形式构造优化模型,并采用牛顿法迭代求解,得到变压器局部放电故障定位点的最佳估计值;最后通过仿真实验对所提方法进行验证,结果表明本所提方法可高精度定位变压器局部放电故障点,有效进行变压器局部放电故障定位诊断。

基于漂角估计的无人船局部动态避障方法

为了提高无人船局部动态避障的规范性、安全性和稳定性,提出基于漂角估计的无人船局部动态避障方法。首先,根据国际海上避碰规则(COLREGS)选取动态窗口法(DWA)的速度空间;其次,根据预测的障碍物运动状态选择动态窗口法中无人船的无碰预测轨迹;最后,考虑海洋扰动,利用横向位置误差估计漂角,并在无人船的航向上进行补偿。仿真实验结果验证了所提方法的有效性。

基于深度学习与有向无环图SVM的局部调整年龄估计

为了进一步提高年龄估计的精度,提出一种基于深度学习与有向无环图SVM的局部调整年龄估计算法。在训练阶段,将经过VGGFace2数据集预训练的SE-ResNet-50网络进行微调,待到收敛时提取出全连接层,将其首尾相连形成的向量作为表征并训练出多个One-Versus-One SVM。在测试阶段,将待估计人脸图像送入SE-ResNet-50以得到一个较为粗略的年龄估计值;设定具体邻域;将训练而成的SVM组合为一个有向无环图SVM并以全局估计值为中心进行精准的年龄估计。为了表明算法的普适性,在不同种族的MORPH和AFAD图像集中进行实验,结果验证了算法的有效性。

一类椭圆方程的梯度估计

通过计算与推导,得到了n维完备黎曼流形上椭圆方程Δ_(g)u+au^(q)(ln u)^(p)+bu=0正解的梯度估计,其不依赖于解的界和距离函数的拉普拉斯(Laplace)算子;将文献[1]中对正调和函数的梯度估计推广到更一般的情形;将文献[10]中对一类椭圆方程正解的梯度估计进行了拓展,得到了更具一般性的结果.

异方差混合地理加权回归模型的正交投影估计

文章针对误差项存在空间异方差的混合地理加权回归模型,提出了一种新的估计方法。该方法将正交投影、局部线性估计和广义最小二乘估计的思想相结合,能够单独对模型中的常数系数、系数函数和方差函数进行估计。通过数值模拟对所提方法的性能进行验证。模拟结果表明,所提方法比现有的再加权估计方法更具优势。最后,基于城镇居民文化消费水平及其影响因素的实证分析验证了所提方法的实用性。

协变量随机右删失时变系数模型的估计

数据经常因为个体失访,退出实验或者研究结束而出现右删失的现象.右删失数据的研究吸引了很多研究者的兴趣.文献中大部分研究集中在响应变量出现右删失的情况.回归模型中的协变量也可能出现右删失,但相关的研究并不多.本文研究协变量随机右删失时变系数模型的估计问题.我们利用逆概率加权方法直接对目标函数进行调整,而不是调整被删失的协变量,来处理数据的删失.所得估计的渐近性质得到严格证明.通过数值模拟和实例分析,可以看到本文所提方法具有很好的有限样本性质.

面向人体姿态估计的不可察局部对抗攻击

尽管深度神经网络在很多任务上取得了良好的结果,但是它们对于微小的对抗扰动却很容易出现预测错误.然而在人体姿态估计的对抗攻击任务中,通常需要添加较大的扰动噪声才能攻击成功,这使得其不可察性变差;减少扰动噪声又会削弱攻击效果.为了克服该矛盾,提出一种面向人体姿态估计的两阶段局部对抗攻击方法.所提方法首先通过预攻击估计出扰动关键区域,然后利用不可察性约束在关键区域内生成扰动.方法不仅可以对人体姿态进行有效攻击,而且还能确保最终扰动区域具有低可察性.采用COCO2017作为对抗扰动实验数据集并使用PCK(percentage of correct keypoints)作为评价指标,比较在人体姿态估计模型中IGSM和C&W方法的攻击效果,其PCK降低值分别提高了15.4%与2.8%.实验结果表明所提方法在保证攻击的低可察的同时,能够取得较好的攻击效果.

基于相机位姿估计的局部放电源可视化标注方法研究

局部放电源的准确、快速定位对科学分析电磁干扰成因,开展电磁干扰预警与防护等具有重要意义.本文将场景图像信息与电磁辐射信息相融合,提出了一种基于P3P(pespective-3-point)相机位姿估计的局部放电源可视化标注方法.该方法在获取局部放电源空间三维坐标的基础上,结合场景图像信息可对其进行可视化标注,有利于直观、快速实现局部放电源的排查与定位.通过模拟测试和交叠率计算,对比分析了局部放电源定位误差、相机位姿参数估计误差以及相机重投影误差等对标注结果准确性的影响,并以高压放电形成的瞬态电磁辐射为研究对象,开展了试验测试与验证.研究结果表明:对处于2个不同位置的高压放电源进行可视化标注,利用半径为10 cm的圆形标注框计算得到的交叠率分别为0.67和0.72,标注结果对高压放电所在区域的指向性好,实现了对放电源的可视化标注.

结合局部自注意力和深度优化的多视图重建

针对多视图三维重建中存在的内存和时间消耗过大、高分辨率重建完整性差等问题,提出一种基于深度学习的多视图重建网络。网络由特征提取模块、级联的Patchmatch模块和深度图优化模块组成。首先,设计U型的特征提取模块,提取多阶段特征图,并在每个阶段引入相对位置编码的局部自注意力层,捕捉图像中的局部细节和全局上下文,提升网络特征提取性能。其次,设计深度残差网络,通过密集连接和残差结构对特征进行融合,充分利用彩色图像先验知识来约束深度图,提升深度估计的准确性。在公开数据集DTU(Technical University of Denmark)上进行测试,实验结果表明,三维重建质量到了有效的提升,与PatchmatchNet相比在完整性上提升了6.1%,在整体性上提升了2.5%,与其他的SOTA(State-Of-The-Art)方法相比,在完整性和整体性上都得到了较大提升。