基于自适应空间特征增强的多视图深度估计

为了提高多视图深度估计结果精度,提出一种基于自适应空间特征增强的多视图深度估计算法。设计了由改进后的特征金字塔网络(feature pyramid network,FPN)和自适应空间特征增强(adaptive space feature enhancement,ASFE)组成的多尺度特征提取模块,获取到具有全局上下文信息和位置信息的多尺度特征图像。通过残差学习网络对深度图进行优化,防止多次卷积操作出现重建边缘模糊的问题。通过分类的思想构建focal loss函数增强网络模型的判断能力。由实验结果可知,该算法在DTU(technical university of denmark)数据集上和CasMVSNet(Cascade MVSNet)算法相比,在整体精度误差、运行时间、显存资源占用上分别降低了14.08%、72.15%、4.62%。在Tanks and Temples数据集整体评价指标Mean上该模型优于其他算法,证明提出的基于自适应空间特征增强的多视图深度估计算法的有效性。

基于自适应空间融合的遥感图像目标检测器

随着遥感技术的蓬勃发展,日益庞大的遥感数据使得传统的图像处理手段已经不足以满足需求,因此,将深度学习目标检测技术应用于遥感领域成为了最优解决方案。然而,由于遥感图像小目标排列密集、尺度变化剧烈,使得直接将适用于自然场景的目标检测算法迁移到遥感领域的效果不佳。本文选择YOLOX为基础网络进行改进,在特征提取网络后加入自适应空间特征融合结构,将深层特征信息与浅层特征信息融合,提升小目标的识别率。此外,本研究对样本标签匹配策略进行了优化,以解决高长宽比类目标物体角度偏移敏感的问题,并通过修改损失函数降低正负样本不平衡问题带来的影响。我们在遥感图像数据集DOTA上进行训练和测试,实验结果表明,改进的YOLOX算法检测效果更好,mAP达到了79.07%,比YOLOX提高了2.75%。另外,在HRSC2016数据集上也进行了实验,实验证明了模型具有优秀的鲁棒性。

自适应空间约束融入混合模型的遥感图像分割

为了降低图像噪声的影响并提高遥感图像分割精度,提出了一种自适应空间约束融入混合模型的遥感图像分割算法。考虑到学生t分布具有重尾特性比高斯分布更具有鲁棒性,利用学生t混合模型(Student’s-t Mixture Model, SMM)建模像素光谱测度概率分布。为了避免图像噪声对分割结果的影响,基于马尔可夫随机场利用局部像素类属概率定义组份权重,将像素空间相关性融入SMM,进而构建出空间约束图像分割模型。为了实现自适应平滑系数的模型参数求解,采用梯度下降方法求解分割模型。采用本文算法对添加噪声的遥感图像进行分割实验,结果表明,所提算法可有效降低图像噪声的影响,同时可准确分割高分辨率遥感图像。

视听时间再校准：适应空间与适应客体的联合及独立作用

同一事件的视听成分即使同时发生,由于两种信息的物理传播与神经传导速度的差异,大脑知觉到它们的时刻仍会存在一定的延迟。时间再校准指大脑可以最小化并适应这段时间延迟的现象。本研究采用"适应—测验"范式,在适应阶段连续给被试呈现视觉先于听觉或听觉先于视觉128ms的刺激对,在测验阶段以时序判断任务来测量被试此时主观同时点的变化。通过操纵适应及新异视听刺激对(即适应客体与新异客体)在测验阶段出现的空间位置,探索空间与客体因素对视听时间再校准的影响。结果发现,当适应客体出现于适应空间时,主观同时点显著偏向了时间延迟的方向;同样显著或边缘显著的主观同时点偏移还发生于适应客体出现于未适应空间时,以及新异客体出现于适应空间时。研究表明,视听时间再校准在不同空间中的表现取决于适应空间与适应客体的联合或独立作用。

基于自适应空间正则化的视觉目标跟踪算法

为解决相关滤波类视觉跟踪算法中的边界效应问题,提出一种基于自适应空间正则化的视觉跟踪算法.在经典滤波模型中引入自适应空间正则化项,通过建立正则权重在相邻帧之间的关联,自适应调整当前帧的模型正则化权重,减小边界效应的影响.采用自适应宽高比的尺度估计策略,以及基于颜色直方图相似度的模型更新策略,抑制模型漂移,提高跟踪准确性.实验显示,该算法在UAV123,OTB2013,OTB2015这3个数据集上的跟踪成功率和精确度均高于所有对比的算法,且即使在复杂场景中也能保持良好的跟踪效果.特别是在出现运动模糊和目标在平面内旋转2种情况时,该算法的跟踪成功率较排名第2的算法分别提升了9.72个百分点和9.03个百分点,说明所提出的算法具有较好的适应性.

一种基于均值反馈模型的自适应空间子信道分配算法

MIMO/OFDM是未来宽带无线通信接口的有效架构。该文针对多用户MIMO/OFDM系统,提出了一种基于均值反馈模型的自适应空间子信道分配算法,以获取最大的系统吞吐量为目标,推导了子载波分配准则,并给出了相应的算法流程。仿真结果表明,该算法具有良好的性能,有效地提高了系统的传输速率。

基于自适应空间刨分的网格简化算法

提出了一种基于自适应空间刨分的网格简化算法 .算法首先对模型中的所有的顶点进行量化赋予一个二次误差阵 ,并将它们视为一个簇 ,然后沿坐标轴方向将它们刨分成八个子簇并不断迭代刨分生成新的子簇直至达到指定的精度 ,将最终的离散点集用适当的方法重新进行三角化 ,得到简化模型 .该算法不仅速度快 ,能在任意限定的时间内产生一个可显示的结果 ,而且结果质量也很好 .另外 。

自适应空间异常的目标跟踪

为了解决判别式空间正则项的目标跟踪算法在遮挡、旋转等因素干扰下失跟率较高的问题,该文提出一种自适应空间异常的目标跟踪算法。首先,在目标函数中加入自适应空间正则项,既缓解了边界效应带来的影响,又提高了滤波器对目标和背景区域的分辨能力;其次,根据每一帧的响应值计算验证分数,分析跟踪结果的可信度和异常情况;最后为目标模型和响应图模型的更新速率实现动态取值。大量实验结果表明,自适应空间异常的目标跟踪算法能够较好地处理背景模糊、形状变化等多种异常情况,具有较高的跟踪性能。

中国海域及邻区自适应空间平滑地震活动模型

海域地震对中国沿海地区的经济建设和海洋资源开发构成了严重威胁,研究中国海域及邻区的地震活动模型是中国下一代地震区划图的重点工作之一。文中基于最新编制的中国海域地震目录,首次建立了中国海域及邻区的自适应空间平滑地震活动模型。首先对地震目录进行除丛,以地震带为单位评估震级间隔为0.5的震级档完整记录的起止时间,进而采用极大似然法求出各个地震带的b值等地震活动参数;在此基础上,使用改进的自适应空间平滑算法建立模型,并采用概率增益函数评估不同参数设置下模型的优劣,最后分析了本模型的优点和局限性。结果显示,本模型与传统的固定平滑半径的模型相比具有更优的概率增益函数表现;将输入模型地震的最小震级设为M4.0时,模型的表现达到最优;模型的表现不一定随着输入地震数的增多而提高,因此选择参数时需要综合考虑研究区内地震的分布和记录情况;考虑到本模型只基于历史和仪器地震目录,存在一定的局限性,建议使用时结合断层模型等形成混合模型以完善模型体系。文中采用的自适应空间平滑算法可以充分利用完整性随时间和空间变化的地震数据,在地震危险性分析和中长期地震预测上有一定的应用价值。同时,文中建立的模型可以作为分析中国海域地震危险性的基础模型之一,为编制中国海域地震区划图提供技术支撑。

结合自适应空间与CRF的遥感影像变化检测

提出了一种结合自适应空间与条件随机场(CRF)的新框架用于高分辨率遥感影像变化检测,解决了两幅影像配准误差造成的噪声和条件随机场产生的过平滑问题。通过加权自适应空间(WAS)获取差异图像消除了因配准误差造成的部分噪声,采用基于形态学重构的FCM聚类方法(MFCM)构建CRF一阶势减少了斑点噪声;引入带光谱-空间约束的模型改进CRF二阶势,进一步提高了算法的抗噪性能并可防止过平滑现象。与现有方法相比,该算法的检测精度、虚检率和漏检率都得到明显改进,同时较好地保留了边缘信息。

基于解卷积的自适应空间谱估计方法

针对自适应空间谱估计方法背景级对目标空间方位角分布值估计的影响问题,提出了基于解卷积的自适应空间谱估计方法。该方法首先在自适应空间谱估计方法输出空间谱基础上,采用类狄利克函数和空间谱归一化平均背景级实现点扩展函数设计;然后利用点扩展函数和图像复原中Richardson-Lucy迭代方法对自适应空间谱估计结果进行解卷积,降低背景级及其对目标空间方位角分布值估计的影响。数值仿真和实测数据处理结果表明:该方法作为一种后置处理方法,继承了自适应空间谱估计方法高分辨估计能力,空间谱峰值更加“尖锐”;信号谱级比较低时,通过增加迭代次数使其输出空间谱背景级远低于自适应空间谱方法和分子阵处理方法,具有更好的目标空间方位角分布估计能力。

基于自适应空间光滑模型和三维断层模型的概率地震危险性分析方法研究

概率地震危险性分析(PSHA)直接为工程建设提供抗震设计参数,其重要性不言而喻。进行相关研究的核心科学问题在于,如何优化参数、改进模型来更好地描述地震的中长期活动规律和破坏特征,从而提高结果的可靠性。目前在该领域,我国现行的方法体系与美国国家地质调查局(USGS)提出的基于空间光滑模型和三维断层模型的方法存在较大差异,两种方法的特征和适用性也存在一定的差异。因此,本人在各位老师的指导下开始学习国外先进的理论和技术,将其用于国内研究区,并与国内常用的方法进行对比分析,总结各自的特点。在此基础上尝试做一些改进和创新,目前已经取得部分进展和成果。

基于自适应空间抽样由二维剖面重构三维地质模型的方法——以加拿大某区块McMurray组储集层为例

基于连井剖面、沉积相平面等地质分析结果构建正交的二维训练图像,通过线性池化方法获得3个方向上的二维概率,随后采用对数线性池化将3个方向上的概率融合,最终确定未知点处的三维多点模式概率,实现由二维剖面重构三维模型的目的。针对二维训练图像中模式变化性较小,概率分布代表性降低从而导致抽样不确定性增加的问题,引入自适应空间抽样方法,采用迭代模拟策略,从前次模拟结果中可信度高的区域抽取部分点作为附加条件点参与下一次模拟,从而提高了模式概率抽样稳定性。侧积层概念模型对比表明,采用自适应空间抽样的重构算法提高了模式抽样的准确性和空间结构特征的合理性,能够准确反映侧积层形态和分布样式。在加拿大某区块McMurray组曲流河储集层的实际应用表明,新方法准确地再现了潮汐影响下曲流河储集层内部复杂的侧积层形态、空间分布样式和发育特征。抽稀井检验表明,模拟准确度在85%以上,新钻水平井侧积层解释与预测结果符合率达到80%。

基于自适应空间正则化和畸变抑制的相关滤波跟踪

针对背景感知相关滤波器的空间正则化权重固定,不适应目标变化和增大搜索区域,易引入背景噪声导致滤波器判别力下降等问题,本文提出一种基于自适应空间正则化和畸变抑制的相关滤波跟踪算法。首先提取FHOG特征、CN特征和灰度特征以增强算法模型对目标的表达能力;其次,在目标函数中加入畸变抑制项来约束当前帧的响应图,增强滤波器的判别能力,以缓解滤波器模型退化问题;最后,在目标函数中加入自适应空间正则化项使空间正则化权重能够随着目标的变化而更新,使得滤波器能充分利用目标的多样性信息。本文在公开数据集OTB-2013、OTB-2015和VOT2016上进行实验,以对所提算法进行评估。实验结果表明:本文算法速度为20 f/s,距离精度和成功率等评估指标均优于对比算法,在遮挡、背景干扰、旋转变化等多种复杂场景下都有良好的鲁棒性。

自适应空间调制VLC系统研究

通过在传统的SM-OFDM系统中引入自适应调制技术,针对可见光通信(Visible Light Communication,VLC)系统信道的特性提出了一种基于信噪比的自适应空间调制方案(ASM-OFDM)。建立了可见可见光通信实验系统,研究ASM-OFDM方案在VLC实验系统中的性能。实验结果证明了所提出的ASM-OFDM方案相比于传统SM-OFDM技术,其频谱利用率有很大的提高。

基于自适应空间特征融合的YOLOv5安全帽检测系统设计

在施工现场正确佩戴安全帽能有效地防止和减轻施工人员遭受头部伤害。目前在施工现场对安全帽佩戴的监管主要依赖人工,存在效率低且耗费人力的问题。对此,设计了基于改进YOLOv5的智能安防监控系统,实现安全帽佩戴检测和人员管理等功能。首先,使用改进的YOLOv5网络模型实现安全帽佩戴检测,通过自适应空间特征融合网络学习权重参数来决定输入特征图中各像素点的激活与抑制,充分利用不同尺度特征图在不同空间位置像素点的贡献度,以更好地适应不同尺度的目标检测任务。其次,使用百度智能云进行人脸识别,获取违规人员信息以生成违规通报,并上传到微信小程序,将违规行为记录存档,实现安全生产智能化管理。实验结果表明,相比原始YOLOv5,改进的YOLOv5在安全帽检测任务上的平均准确率提升0.5%。

基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法

针对硬币表面缺陷较小、形状多变且易与背景混淆而不易检出的问题,改进YOLOv3算法并提出基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法DCA-YOLO。首先,由于缺陷形状的多变设计了3种在主干网络中不同位置添加可变形卷积模块的网络结构,通过卷积学习偏移量和调节参数来提高缺陷的提取能力;然后,使用自适应空间特征融合网络学习权重参数来调整不同尺度特征图中各像素点的贡献度以更好地适应不同尺度的目标;最后,改进先验锚框比例,动态调节类别权重,优化并对比网络性能,从而提出在主干网络输出特征进行多尺度融合的上采样前增加可变形卷积的模型网络。实验结果表明,在硬币缺陷数据集上,DCA-YOLO算法检测平均精度均值(mAP)接近于Faster-RCNN,达到了92.8%;而相较于YOLOv3,所提算法的检测速度基本持平,在检测mAP上提高了3.3个百分点,F1分数提升了3.2个百分点。

基于自适应空间正则化相关滤波的目标跟踪研究

本文提出了一种新的自适应空间正则化相关滤波器(ASRCF)模型,以同时优化滤波器系数和空间正则化权重。首先,这种自适应空间正则化方案可以学习特定物体的有效空间权重及其外观变化,因此在跟踪过程中产生更可靠的滤波器系数。其次,ASRCF模型可以基于乘法器的交替方向方法进行有效优化,其中每个子问题都具有封闭解。第三,此跟踪器分别应用两种相关滤波模型来估计位置和规模。位置相关滤波模型利用浅层与深层特征的集合来准确地确定最佳位置。尺度相关滤波模型适用于多尺度浅层特征,以有效地估计最佳尺度。

结合加权原型和自适应张量子空间的小样本宫颈细胞分类

基于深度学习的图像分类算法通常依赖大量训练数据,然而对于医学领域中的宫颈细胞分类任务,难以实现收集大量的图像数据。为了在少量图像样本的条件下正确分类宫颈细胞,提出一种结合加权原型和自适应张量子空间的小样本分类算法(CWP-ATS)。首先,结合预训练技术和元学习,保证特征提取网络从元训练集中学习更多的先验知识;其次,在原型计算过程中采用最大均值差异算法为每个支持集样本赋予合适的权重,并采用转导学习算法修正,以获得更准确的原型;最后,利用多线性主成分分析算法将每类样本投影至各自的低维张量子空间,从而在不破坏原始张量特征自然结构的前提下,在低维空间中学习高效的自适应子空间分类器。在小样本Herlev宫颈细胞图像的2-way 10-shot和3-way 10-shot分类任务中,与DeepBDC(Deep Brownian Distance Covariance)算法相比,CWPATS的分类准确度分别提高了2.43和3.23个百分点;当元测试集中30%的样本受噪声干扰时,与原型网络相比,CWP-ATS的分类准确度有超过20个百分点的提升。实验结果表明,CWP-ATS有效提高了对小样本宫颈细胞的分类准确度和鲁棒性。

基于SDN的空间信息网络自适应QoS路由算法的设计与实现

为了满足用户对网络服务质量的要求,本文提出一种基于SDN的空间信息网络自适应QoS路由算法。该算法采用SDN控制器对网络进行全局控制和管理,通过收集网络拓扑信息和质量参数,动态调整路由策略,实现网络的自适应QoS路由。实验结果表明,该算法能够有效提高网络服务质量,优化网络性能。