一种基于代理模型引导采样的多目标优化方法

针对复杂的实际工程多目标优化问题,提出代理模型引导采样的多目标优化方法。通过自适应的加强径向基函数构造的代理模型寻找Pareto优化解集,从找到的解集中通过一定策略筛选出部分作为样本点加入到下代样本空间中,样本点随着迭代的进行越来越靠近全局Pareto最优解集。从当前所有样本点中获得Pareto解,并根据其分布情况作为收敛条件。该方法中代理模型仅仅用来引导采样,也不需要反复计算大量样本点验证代理模型的精度,得到的解都被实际模型验证过。在典型多目标测试函数中体现了精度和效率。最后成功应用于薄板冲压成形变压边力优化中,表明了具有解决多目标实际工程优化问题的能力。

基于匹配点相似度引导采样的图像多平面检测

针对实际广泛存在的具有深度变化的多平面场景,提出一种基于匹配点引导采样的多平面检测算法。根据平面结构中匹配点的相似度改进匹配点的采样规则,通过对匹配点的残差信息进行排序和加权分析,获取场景中各个平面结构对应的单应矩阵,从而实现了场景中多平面区域的准确检测。实验结果表明,与现有典型的算法相比,提出的算法可获得较高的平面检测准确率。

阈值引导采样法的船舶轨迹简化算法

为了解决大多数的轨迹简化算法缺乏对轨迹多个特征的综合衡量的问题,提出了一种融合位置、方向、速度与时序等多个轨迹特征,基于阈值引导采样的船舶轨迹简化算法。该算法以角度阈值法思想为基础,计算轨迹点的前后多个特征差,与设置的阈值进行对比,进而实现对轨迹的简化。利用船舶AIS轨迹数据对该算法进行轨迹简化和轨迹聚类实验。实验结果表明,该轨迹简化算法在简化率、简化误差率上均优于角度阈值算法,能保留原始轨迹的形状,并且简化后的轨迹数据能运用于轨迹聚类,聚类效果良好。

采样引导软件设计原理

介绍了采样引导软件的设计原理,采样引导软件设计是基于集面状区域采样调查引导、数据管理、坐标测量及转换等功能模块开发而进行软件开发,为用户高效、均匀采样调查提供技术支持,为拓展GPS&PDA功能拓展提供支撑,为相关软件设计开发提供参考。

基于双边引导上采样的图像增强快速实现研究

提出了一种图像增强的快速实现方法。因为直接对高分辨率图像进行图像增强,运算量大,耗时多,不利于实时应用,所以结合了引导滤波和联合双边上采样的特点,采用双边引导上采样的方法。先将图像进行1/8下采样后,再对下采样后的图像进行增强,然后再通过双边引导上采样恢复到原始图像大小。实验结果表明,文中方法的处理结果与图像增强处理结果外观差异不大,大大降低了图像增强所需的时间,达到了实时处理的要求。

改进RetinaNet的轻量化工件检测算法研究

针对传统目标检测模型参数量巨大,制约算法部署与模型推理实时性的问题,提出一种基于改进RetinaNet检测模型的轻量化实时目标检测网络。使用MobileNet-V2代替RetinaNet模型中的ResNet骨干网络,降低整体模型的参数量;设计锚框引导采样机制,基于特征金字塔输出特征层生成感兴趣区域掩码,减少背景区域冗余锚框,降低后处理过程中的计算复杂度;引入GFocalLossV2损失函数统计预测边框分布特征,优化预测边框质量以及提升分类准确度。该模型在自制多类别工件数据集WP和PascalVOC公开数据集上进行验证实验,改进模型的检测准确率分别达到99.5%、80.5%,检测速度分别达到39.8 FPS、38.3 FPS。实验结果表明,该轻量级目标检测模型能够实现实时检测,同时保证了检测精度。

语义引导下的快速二阶段三维目标检测

随着激光雷达采样率不断提高,系统可以更快速地获取高分辨率的场景点云数据。密集的点云有利于提高三维目标检测的精度,但也增大了计算的负担,基于点表征的三维目标检测方法面临着如何平衡速度和精度的挑战。为提高三维目标检测多级下采样的计算效率,解决前景点召回率低和一阶段网络尺寸歧义的问题,提出基于语义引导的快速二阶段方法。在第一阶段引入语义引导下采样方法,使深度神经网络能够更高效地感知前景点。在第二阶段引入通道感知池化方法,通过添加池化点来聚合采样点的语义信息,丰富感兴趣区域特征描述,获得更准确的建议框。在KITTI数据集上的测试结果显示:相比同类型的二阶段基线方法,所提方法对汽车、行人、骑行者类别的检测准确率最高提升了4.62百分点、1.44百分点、3.91百分点;另外,推理速度达55.6 frame/s,超出最快的基准线31.1%。算法在精度和速度方面都有着良好的表现,具有一定的实际应用价值。

Classified-edge guided depth resampling for multi-view coding

A new depth resampling for multi-view coding is proposed in this paper.At first,the depth video is downsampled by median filtering before encoding.After decoding,the classified edges,including credible edge and probable edge from the aligned texture image and the depth image,are interpolated by the selected diagonal pair,whose intensity difference is the minimum among four diagonal pairs around edge pixel.According to different category of edge,the intensity difference is measured by either real depth or percentage depth without any parameter setting.Finally,the resampled depth video and the decoded full-resolution texture video are synthesized into virtual views for the performance evaluation.Experiments on the platform of multi-view high efficiency video coding(HEVC) demonstrate that the proposed method is superior to the contrastive methods in terms of visual quality and rate distortion(RD) performance.