基于盖亚(Gaia)天体测量数据建立的盖亚天体参考系(Gaia Celestial Reference Frame,GCRF)与基于甚长基线干涉测量(Very Long Baseline Interferometry,VLBI)建立的国际天球参考系(International Celestial Reference Frame,ICRF)具有...基于盖亚(Gaia)天体测量数据建立的盖亚天体参考系(Gaia Celestial Reference Frame,GCRF)与基于甚长基线干涉测量(Very Long Baseline Interferometry,VLBI)建立的国际天球参考系(International Celestial Reference Frame,ICRF)具有一定的系统差异,需要对盖亚的数据进行外部的独立评估,以建立光学和射电参考架连接。国际上对参考架的连接普遍采用在光学和射电波段都有辐射的天体,在暗端(星等G≥15)使用类星体,在亮端(G≤13)使用射电星。由于普通VLBI观测申请批准的周期长,难度大,因此,我们尝试将一部分射电星的观测转向数量较多的测地观测,在测地观测中搭载相位参考模式来观测射电星。为了测试这种观测的可行性,我们在IVS(The International VLBI Service for Geodesy and Astrometry)和LBA(Large Baseline Array)的测地观测中搭载相位参考观测,选取Del Lib和HR 1099作为实验的目标源。观测得到了这两颗射电星的VLBI图像、流量和单历元坐标,且坐标精度高于前人;同时结合前人的数据,对这两颗射电星进行了视差和自行拟合,结果与前人和盖亚的结果相符,且部分精度更高。验证了测地模式中搭载相位参考观测射电星的可行性,为后续丰富射电星VLBI天体测量样本,连接光学与射电参考架奠定了一定的基础。展开更多
运动视差的关键点(Focus of Expansion,FOE)是铁路接触网视频巡检的重要参数,但当前计算FOE的方法需多帧图像匹配估计,时间复杂度高。针对单帧图像FOE估计问题,结合自监督学习思想,提出了一种融合自监督学习的单帧图像FOE估计算法。搭...运动视差的关键点(Focus of Expansion,FOE)是铁路接触网视频巡检的重要参数,但当前计算FOE的方法需多帧图像匹配估计,时间复杂度高。针对单帧图像FOE估计问题,结合自监督学习思想,提出了一种融合自监督学习的单帧图像FOE估计算法。搭建了全卷积网络F-VGG(Fully-VisualGeometryGroup)作为FOE的预测器,通过融合代理任务自动生成样本数据的训练标签,实现了端到端的单帧图像FOE估计。实验结果表明:该方法在FOE预测精度上平均提升13.45%,检测速度提升56.27%,适于实时应用。展开更多
文摘基于盖亚(Gaia)天体测量数据建立的盖亚天体参考系(Gaia Celestial Reference Frame,GCRF)与基于甚长基线干涉测量(Very Long Baseline Interferometry,VLBI)建立的国际天球参考系(International Celestial Reference Frame,ICRF)具有一定的系统差异,需要对盖亚的数据进行外部的独立评估,以建立光学和射电参考架连接。国际上对参考架的连接普遍采用在光学和射电波段都有辐射的天体,在暗端(星等G≥15)使用类星体,在亮端(G≤13)使用射电星。由于普通VLBI观测申请批准的周期长,难度大,因此,我们尝试将一部分射电星的观测转向数量较多的测地观测,在测地观测中搭载相位参考模式来观测射电星。为了测试这种观测的可行性,我们在IVS(The International VLBI Service for Geodesy and Astrometry)和LBA(Large Baseline Array)的测地观测中搭载相位参考观测,选取Del Lib和HR 1099作为实验的目标源。观测得到了这两颗射电星的VLBI图像、流量和单历元坐标,且坐标精度高于前人;同时结合前人的数据,对这两颗射电星进行了视差和自行拟合,结果与前人和盖亚的结果相符,且部分精度更高。验证了测地模式中搭载相位参考观测射电星的可行性,为后续丰富射电星VLBI天体测量样本,连接光学与射电参考架奠定了一定的基础。
文摘运动视差的关键点(Focus of Expansion,FOE)是铁路接触网视频巡检的重要参数,但当前计算FOE的方法需多帧图像匹配估计,时间复杂度高。针对单帧图像FOE估计问题,结合自监督学习思想,提出了一种融合自监督学习的单帧图像FOE估计算法。搭建了全卷积网络F-VGG(Fully-VisualGeometryGroup)作为FOE的预测器,通过融合代理任务自动生成样本数据的训练标签,实现了端到端的单帧图像FOE估计。实验结果表明:该方法在FOE预测精度上平均提升13.45%,检测速度提升56.27%,适于实时应用。