基于编-解码器结构的无人机群多任务联邦学习

针对传统联邦学习在无人机群应用中的局限性——要求所有参与者执行相同任务并拥有相同的模型结构,本文探索一种适用于无人机群的多任务联邦学习方法,设计一种新的编-解码器架构,以加强执行不同任务的无人机之间的知识共享.首先,为执行相同任务的无人机建立直接的知识分享机制,通过直接聚合方式实现同任务知识的有效融合;其次,对于执行不同任务的无人机,从所有无人机的编-解码器架构中提取编码器部分,构建一个全局编码器;最后,在训练环节,将本地编码器和全局编码器的信息整合到损失函数中,并通过迭代更新使本地解码器逐步逼近全局解码器,从而实现跨任务间的知识高效共享.实验结果表明:相较于传统方法,所提出的方法使无人机群在3个单任务上的性能分别提升1.79%、0.37%和2.78%,仅在1个任务上性能略微下降0.38%,但整体性能仍提升2.38%.

SW-SAN:基于Seq2Seq结合注意力机制与滑动窗口的车辆轨迹预测模型

针对长时间内4~5 s车辆轨迹预测精度较差的问题,提出基于Seq2Seq结合注意力机制与滑动窗口的车辆轨迹预测模型(SW-SAN)。首先,使用滑动窗口的方法更新历史轨迹状态集合,利用编码器对目标车辆的历史轨迹数据编码,得到历史轨迹特征向量;其次,经过注意力机制计算历史时间内各时刻的关联性得分、时间注意力权重因子和历史时间相关性特征向量;最后,解码器将历史时间相关性特征向量作为输入,多次循环解码层,输出目标车辆的未来预测轨迹。实验结果表明,SW-SAN模型在4 s和5 s时预测轨迹的RMSE误差为1.99 m和1.94 m,SW-SAN模型在较长时间4~5 s的预测误差更低,在车辆轨迹预测问题上性能更强。

光纤CDMA系统中FBG编—解码器的原理与应用

从光纤码分多址 (OCDMA)系统的扩频特征和光纤布拉格光栅 (FBG)的性能出发 ,对 FBG编 -解码器的编 -解码原理进行了推导 ,并探讨了它实现跳频 (FH)、频域编码 (FE)和直接序列扩频 (DS)等OCDMA系统编 -解码的方法 ,分析了 FBG编 -解码器对系统性能的影响。与光纤延迟线 DS- OCDMA编-解码器和衍射光栅 FE- OCDMA编 -解码器的比较结果显示 ,FBG编 -解码器在 OCDMA (特别是 FH-OCDMA)系统中具有功率效率高、信噪比性能好和最大数据传输速率高等方面的优点。

基于残差反馈和自注意力的图像篡改取证网络

现存的使用噪声特征的多篡改类型图像伪造检测算法,往往不能有效地检测篡改区域和非篡改区域之间的特征差异,特别是对复制-粘贴篡改类型。为此,提出一种融合残差反馈和自注意力机制的双流编-解码器图像篡改取证网络,通过两个流分别检测RGB像素的非自然边缘等篡改伪影和局部噪声不一致性。首先,在编码器阶段使用多个融合残差反馈的双重残差单元提取相关篡改特征,以获得粗特征图;其次,通过改进后的自注意力机制对粗特征图进行进一步特征增强;随后,将互相对应的编码器浅层特征和解码器深层特征进行融合;最后,串联融合两个流最终提取到的篡改特征,再通过一个特殊卷积操作实现对篡改区域的像素级定位。实验结果表明,所提网络在COVERAGE数据集上的F1值和曲线下面积(AUC)优于对比网络。在NIST16、Columbia数据集上,所提网络的F1值相较于TED-Net(Two-stream Encoder-Decoder Network)分别提高了9.8和7.7个百分点,AUC分别提高了1.1和6.5个百分点。所提网络在复制-粘贴篡改类型检测上取得了良好的效果,并且也适用于其他篡改类型检测。同时,该网络能在像素级上对篡改区域准确定位,检测性能优于对比网络。

多层级特征融合结构的单目图像深度估计网络

采用卷积神经网络对单目图像的深度进行估计时,存在深度信息不精确、边缘模糊以及细节缺失等问题。为此,提出一种多层级特征融合结构的深度卷积网络。该网络采用端到端的编-解码器结构,编码器使用ResNet101网络结构将图像转换为高维特征图,解码器使用上采样卷积模块从高维特征图中重建出深度图像,并对编码器与解码器中的不同层级特征进行融合。基于NYUv2数据集与KITTI数据集的实验结果表明,相比其他先进网络,该网络不仅能预测出更加准确的深度信息,而且能保持预测深度图像的边缘信息。

利用模型相似性的三维模型簇协同分割

为准确捕捉三维点云模型的上下文信息,提高分割准确率,提出一种利用模型相似性进行三维模型簇协同分割的方法。首先,对点云模型进行最远点采样得到质心点,并采用球内随机选取的方式确定邻域点以构建球形邻域;然后,使用特征聚合算子编码三维点云之间的几何拓扑关系,提取各邻域间的相关联特征,并利用各球形邻域的质心坐标构建空间相似性矩阵,由空间相似性矩阵对编码器网络所提取的模型局部特征进行加权求和,完成对三维模型的协同分析;最后,搭建分层特征提取网络对经过加权处理的关联特征进行解码操作,完成模型簇协同分割任务。实验结果表明,本文算法在ShapeNet Part数据集上的协同分割准确率达到了86.0%。与kNN算法相比,以球内随机选取法为邻域点采样策略,可使网络的分割准确率提升0.8%;相比于使用共享的多层感知机进行特征提取,使用特征聚合算子进行卷积运算可使网络的分割准确率提高12.9%;与当前主流的模型分割算法相比,本文算法的分割准确率得到了进一步的提升。

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域,经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换,这对于实现安全高效的自动驾驶至关重要,然而目前的自动驾驶车辆往往缺乏这种预测能力。为此,基于深度学习理论,提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法,利用Next Generation Simulation(NGSIM)数据集提取车辆变道过程中的关键特征,并引入碰撞时间(Time to Collision,TTC)和避免碰撞减速度(Deceleration Rate to Avoid a Crash,DRAC)2种风险指标,将变道车辆及其周围车辆视为一个整体状态单元,同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征,从而更有效地刻画车辆间的动态交互行为;然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络(Long Short-term Memory,LSTM)的编-解码器,预测交织区车辆变道的未来运动轨迹,通过添加软注意力模块,使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息,再现了真实交通场景下车辆的变道行为。试验验证表明:基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度,在长时域的变道轨迹拟合上有显著的优越性,为辅助和自动驾驶领域的发展提供了新思路。

基于残差卷积注意力网络的视网膜血管分割算法

视网膜血管的分析可用于评估和监测各种眼科疾病,具有十分重要的临床意义.针对视网膜图像血管分割中信息遗失过大、分割效果有待提高等问题,构建了一种基于残差与卷积模块的注意力机制模块(convolutional block attention module,CBAM)混合编-解码器结构的视网膜血管分割算法,提高了细小血管分割效果.并分别在DRIVE,STARE和CHASE_DB1数据集上进行实验对比.实验结果表明,该方法取得了较好的实验效果,尤其是特异性优于其他算法.特异性分别达到0.9828、0.9884、0.9881.