基于符合性证据链的航电系统工程试验方法

为形成逻辑严密、可追溯的适航符合性验证资料,提出一种基于符合性证据链的航电系统工程试验方法,并对实现中的关键问题进行分析研究。以自动飞行控制系统的工程试验为例,设计与实现了基于自动飞行控制系统适航验证需求的验证平台。在验证方案设计中,针对复杂验证环境中部分参数不确定性描述问题,提出一种基于分类概率多场景分析的验证方案设计方法,基于适航验证需求,对飞行数据进行筛选,通过对筛选后的飞行数据进行统计特性分析、随机抽样与合并缩减,生成包含发生概率的确定性场景,描述验证环境中部分参数的不确定性。在验证数据分析中,针对多场景多参数条件下的适航符合性判断问题,提出基于加权Dempster-Shafer证据理论的适航符合性评估方法,以确定性场景发生概率为权重,进行证据融合,避免部分小概率场景对融合结果的干扰。基于实际飞行数据,自动飞行控制系统的自动飞行模式工程试验结果表明,所提方法有效可行。

Multi-exposure fusion for high dynamic range scene

Due to the existing limited dynamic range a camera cannot reveal all the details in a high-dynamic range scene. In order to solve this problem,this paper presents a multi-exposure fusion method for getting high quality images in high dynamic range scene. First,a set of multi-exposure images is obtained by multiple exposures in a same scene and their brightness condition is analyzed. Then,multi-exposure images under the same scene are decomposed using dual-tree complex wavelet transform( DT-CWT),and their low and high frequency components are obtained. Weight maps according to the brightness condition are assigned to the low components for fusion. Maximizing the region Sum Modified-Laplacian( SML) is adopted for high-frequency components fusing. Finally,the fused image is acquired by subjecting the low and high frequency coefficients to inverse DT-CWT.Experimental results show that the proposed approach generates high quality results with uniform distributed brightness and rich details. The proposed method is efficient and robust in varies scenes.

长视频的超级帧切割视觉内容解释方法

针对现有基于编码解码的视频描述方法存在的对视频较长、在视频场景切换频繁情况下视觉特征提取能力不足或关键性片段捕获能力不足等视频描述不佳的问题,提出一种基于超级帧切割长视频的视频字幕方法。首先,提出超级帧提取算法,计算关键视频时间占比率以满足视频浏览时长限制,缩短视频检索时间。然后,构建两层筛选模型以自适应提取超级帧,过滤冗余关键帧,执行多场景语义描述。将保留的关键帧嵌入周围帧,利用深层网络模型以及小卷积核池化采样域获取更多的视频特征,克服了经典视频标题方法不能直接用于处理长视频的困难。最后,通过用长短时记忆模型代替循环神经网络解码生成视频标题,给出视频内容的分段解释信息。在YouTube数据集视频、合成视频和监控长视频上进行测试,采用多种机器翻译评价指标评估了该方法的性能,均获得了不同程度的提升。实验结果表明,该方法在应对视频场景切换频繁、视频较长等挑战时,能够获得较好的片段描述。

面向水库型小流域的多源水利三维建模方法研究

针对大型河道三维可视化建模中采用激光雷达、声呐等传感器获取水下地形建模方式操作复杂且成本较高的缺陷,在利用基础测绘成果构建实景地形模型的基础上,采用多源三维模型融合方法对月塘水库小流域进行实景建模。首先采用倾斜摄影三维建模技术对重点水利工程进行实景建模,并利用专业建模软件对重要控制单元进行构件级建模;然后利用已有河道断面数据结合河流面状矢量数据,实现流域内胥浦河河道实景三维建模;最后通过人机交互方式对多源实景模型进行微调与相互印证,实现月塘水库小流域多源三维模型精准融合构建。研究成果可为河道型水库的预报调度与洪水风险分析提供可视化模型基础与决策支撑。

基于多尺度特征与互监督的拥挤行人检测

针对拥挤场景中,行人漏检率高、准确率低的问题,提出一种基于多尺度特征与互监督的拥挤行人检测网络。为了有效提取复杂场景中的行人特征信息,用PANet金字塔网络与混合空洞卷积相结合的网络提取特征信息。然后,设计了一种行人头部-全身互监督检测网络分别进行头部和全身检测,利用头部预测框和全身预测框的互监督获得更加准确的行人检测结果。所提出的网络在数据集CrowdHuman上取得了13.5%的MR^(-2)性能,相较于YOLOv5网络提升了3.6%,同时AP提升了3.5%;在CityPersons数据集上取得了48.2%的MR^(-2)性能,相较于YOLOv5网络提升了2.3%,同时AP提升了2.8%。实验结果表明,提出的网络在人群拥挤的密集场景中具有良好的检测效果。

基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型

针对道路场景下红外目标遮挡、缺乏纹理细节而导致目标误检、漏检的问题,提出一种基于多尺度和加权坐标注意力的轻量化红外道路场景检测模型(MSC-YOLO)。以YOLOv7-tiny作为基线模型,首先,在MobileNetV3的不同中间特征层引入多尺度金字塔模块PSA(Pyramid Split Attention),设计一种多尺度特征提取的轻量化主干提取网络MSM-Net(Multi-Scale Mobile Network),解决固定大小卷积核造成的特征污染问题,提高对于不同尺度目标的细粒度提取能力;其次,在特征融合网络融入加权坐标注意力(WCA)机制,叠加从中间特征图垂直和水平空间方向上获取的目标位置信息,增强目标特征在不同维度上的融合能力;最后,替换定位损失函数为高效交并比(EIoU),分别计算预测框和真实框的长、宽影响因子,提高收敛速度。在Flir数据集上进行验证实验,与YOLOv7-tiny模型相比,在mAP(IoU=0.5)仅降低0.7个百分点的前提下,MSC-YOLO的参数量减少67.3%,浮点运算次数减少54.6%,模型大小减小60.5%,帧率在RTA 2080Ti上达到101,在检测性能和轻量化上达到平衡,满足红外道路场景的实时检测需求。

基于倾斜摄影的多回输电线路实景三维模型构建系统设计

为了使改进多回输电线路三维模型更加符合实际情况,该文将倾斜摄影技术引入多回输电线路实景三维模型构建系统中,提升数据获取的精准性。硬件方面,微处理器作为指令核心处理结构,负责读取并解析指令;设计多回输电线路数据采集模块和EP3SE110F1152C4数据存储器,并利用数据存储器对系统运行过程中的多项数据进行存储;软件方面,借助倾斜摄影技术,获取多回输电线路数据,并计算其对应的比例尺和航高,再对获取的数据进行优化,消除数据中的误差,并对其进行配准处理和特征匹配以及纹理映射和归一化处理,由此完成对多回输电线路实景三维模型的构建。经过实验验证,和以往的多回输电线路实景三维模型构建系统相比,设计的基于倾斜摄影的多回输电线路实景三维模型构建系统在实际应用中模型构建完整度为95.6%,构建效果更好。

基于注意力网络尺度特征融合的遥感场景分类

针对遥感数据集存在的类内差异性大和类间相似性高的特点导致遥感场景分类准确率不高的问题,提出了一种基于注意力网络尺度特征融合(MSA-CNN)的遥感影像场景分类模型.将遥感图像经过尺度变换操作输入到VGG-16网络提取遥感影像的多尺度特征,使用多选框注意力模型(MS-APN)提取图像多尺度下的目标区域,对目标区域进行剪切和放大并输入到三层网络结构中.融合原始影像的多尺度特征和目标区域的特征,并且利用LBP对全局特征表达,克服遥感图像因拍摄角度不同带来的差异性.将融合的多尺度特征输入到网络全连接层来完成最终的分类预测任务.实验结果显示:MSA-CNN平均分类精度较注意循环卷积网络(ARCNet)和传统细粒度循环注意力网络(RA-CNN)在NWPU-RESISC45公开数据集上分别提升1.63%和2.66%,在UC Merced Land-Use公开数据集上较RA-CNN提升0.64%.结果表明:提出的MSA-CNN能够有效提高遥感图像场景分类的准确率.

旧城特色街市多元价值场景与更新治理路径研究

以更高质量推进实现“老城市新活力”是广州城市更新工作的时代课题。本研究从“超级文和友”的现象出发,以广州市海珠区宝业路的特色街市案例为切入点,借鉴“场景”理论对宝业路展开真实性、合法性和戏剧性三个价值维度的典型场景观察,探析这些多元价值场景所依托的街市空间形态具有的功能复合特征、场景演化特征及界面包容特征,并相应提出“分时”“导非”“搭景”“续造”的旧城街市更新治理原则,以期为旧城特色街市可持续发展提供新思路。

一种基于特征增强的场景文本检测算法

针对自然场景下图像文本复杂背景、尺度多变等造成的漏检、误检问题,提出了一种基于特征增强的场景文本检测算法。在特征金字塔融合阶段,提出了双域注意力特征融合模块(Dual-domain Attention Feature Fusion Module,D2AAFM)。该模块能够更好地融合不同语义和尺度的特征图信息,从而提高文本信息的表征能力。同时,考虑到网络深层特征图在上采样融合过程中出现语义信息损失的问题,提出了多尺度空间感知模块(Multi-scale Spatial Perception Module,MSPM),通过扩大感受野来获取更大感受野的上下文信息,增强深层特征图的文本语义信息特征,从而有效地减少文本漏检、误检。为了评估所提算法的有效性,在公开数据集ICDAR2015,CTW1500以及MSRA-TD500上进行实验,所提方法综合指标F值分别达到了82.8%,83.4%和85.3%。实验结果表明,该算法在不同数据集上都具有良好的检测能力。

基于迁移学习和多尺度融合的遥感影像场景分类方法研究

随着计算机运算能力的提升以及深度学习技术的发展,无须人工参与的深度学习方法已成为遥感影像分类的主流方法。因此,提出一种基于深度学习并嵌入注意力机制和融合多尺度特征的神经网络对遥感影像进行场景分类。该模型使用迁移学习减少训练样本不足带来的负面影响;在网络中嵌入注意机制、融合多尺度特征来提高对小尺寸地物目标分类的能力,并验证了模型的有效性。通过实验分析得出所提模型对遥感影像场景分类是可行且有效的。

基于维度交互和跨层尺度级联的雾天目标检测算法

针对雾天场景下目标检测过程中由于图像模糊导致模型检测精度低、鲁棒性不佳等问题,结合数据增强对YOLOv5算法进行了优化改进,提出一种基于维度交互和跨层尺度级联的目标检测方法。首先,将三重注意力嵌入特征提取结构,捕捉不同维度间的依赖关系,增强空间和通道间信息的融合交互,提高对重要特征的关注能力。其次,提出多尺度感受野增强模块(MREM)。采用多次重复池化采样融合残差连接思想,有效扩大目标感受野获取多尺度特征,增强模型对细节信息的提取能力。再次,提出跨层级联路径聚合网络(CLC-PAN)结构。采用跨层连接的方式促进不同尺度特征信息融合,提高浅层细节信息和深层语义信息的交互,并通过加深特征金字塔采样层数捕获更丰富的语义特征,使各种锚框的铺设间隔更加合理,提高模型检测能力。最后,使用SIoU损失函数作为目标边界框回归损失函数,提高目标框定位准确度和样本训练速度。实验结果表明,改进后检测方法模型大小为15.8 MB,mAP达到71.3%,相较于YOLOv5s提升了7%,能够满足雾天场景下的快速准确地实时目标检测。

多光源照射下目标图像实时生成方法

由于地理位置、太阳、大气环境等因素限制,无法获取空间目标在各种姿态、光照条件、特别是激光、太阳和背景光共同作用下的实际成像。提出一种多光源照射下目标图像实时生成方法。该方法基于计算机图形学中纹理映射思想,采用现代图形显卡编程技术和帧缓存对象特性,在GPU(Graphics Processing Unit)端采用着色器语言实现多光源作用下目标亮度值高效计算和真实感增强;采用开源三维图形引擎OSG(Open SceneGraph)支持多种格式三维模型文件,提高与国产麒麟操作系统及常用战场态势显示软件的兼容性。仿真实验验证了该方法的有效性和优越性。

自动驾驶场景类间相似特征自适应分类网络

解决类间相似度问题是自动驾驶场景分类研究中一项充满挑战的任务,主要研究在相似度较高的真实复杂交通场景中,利用网络学习目标特征的差异性,并构建特征之间整体关联性进行场景分类。提出一种多尺度自适应特征筛选的自动驾驶场景分类网络。采用双重多尺度特征提取模块预处理,初步提取不同尺度下的类间相似特征;设计了特征分化筛选模块完成场景相似特征筛选,使网络更关注不同场景类别的典型易区分特征;将特征筛选结果和多尺度特征图共同传递至特征融合分类模块进行场景分类,捕捉场景特征之间的关联性;由自适应学习算法通过输出结果动态调整训练参数,加快网络收敛速度并提升精度。所提方法在三种数据集BDD100k、BDD100k+和自制数据集上与现有网络方法进行比较,相较Top2网络在精度上分别领先了3.29%、5.59%、12.65%(相对),实验结果表明了所提方法的有效性,并展现了很好的泛化能力。提出的场景分类方法旨在学习不同复杂场景类别下的典型易区分的特征及其关联性,降低多目标类间相似的影响,使得在真实交通场景数据集中场景分类结果更加准确。

基于多维场景划分的台区线损率异常研判及关联用户精准追踪方法

针对台区线损率异常辨识困难,关联用户难以精准追踪的问题,提出一种基于多维场景划分的台区线损率异常研判及关联用户精准追踪方法。首先,提出了一种基于改进完备集合经验的模态分解(improved complete EEMD with adaptive noise,ICEEMDAN)算法的数据预处理策略,通过分析台区历史线损率曲线的变化趋势,构建台区线损率粗放场景集,并在此基础上采用支持向量聚类算法进一步对场景集进行二次精细划分,实现对台区多维场景集的建立。其次,提出一种基于簇类个案数目的区间动态平移策略,用于确定不同场景下线损率标准库的区间范围,并采用区间重叠率策略对划分中的孤立区间进行合并,实现对台区线损率标准库的完备划分。最后,给出一种基于关联分析的线损异常追踪方法,通过灰色关联分析法确定线损异常强相关因素,并基于改进Adtributor算法定量分析各因素和台区用户间的内在关联度,提高对台区线损率异常用户的追踪精度。算例采用台区真实数据进行仿真分析,结果表明了所提方法的有效性和实用性。

基于注意力模块的移动设备多场景持续身份认证

针对用户与移动设备交互时会产生场景变化,现有工作中只能采集特定的单一场景特征,无法实现多场景转换认证,并且身份认证准确率较低的问题,提出了一种基于移动模式的、注意力模块和卷积神经网络融合(CNNSACA)的多场景持续认证方案。在不限使用场景和操作的情况下,提取用户与移动设备交互时的移动模式(movement patterns,MP)特征,捕捉在动态和静态场景下产生的手部微运动,从而实现多场景的身份认证。设计并使用了一个包括五层卷积层结构的卷积神经网络,在第一层卷积后按序通过改进的空间和通道注意力子模块,再在多层卷积后进行反序分配权重,从两个维度来对通过卷积后所表征的MP特征分配双重注意力权重,增强关键特征表达。利用公开数据集验证所提方案在多场景身份认证方面的有效性和可行性。实验结果表明,所提出的基于移动模式的深度学习模型可以较好地解决身份认证场景单一的局限性,多场景的身份认证的准确率达到99.6%;同时,所提出的CNN-SACA模型与单独的CNN模型相比准确率提高了1.5个百分点,有效改善多场景下的移动设备身份认证能力。

6G业务场景的不完全多视图聚类分析

在6G网络中,由于业务种类繁杂且需求各不相同,5G网络中划分的三大业务场景已无法满足其粒度上的要求,这给6G按需服务目标的实现带来了巨大挑战。针对海量杂乱的6G场景和6G场景分类中业务数据量庞大以及数据缺失问题,提出了一套基于业务关键性能指标的多维度场景聚类分析方案。该方案基于不完全多视图聚类技术,在上千种参数组合下使用肘部法和轮廓系数法进行调参聚类。聚类结果表明,提出的方案能在不完整的场景数据集中保证收敛,并达到较高的轮廓系数值。此外,通过对比不同比例的缺失数据聚类实验,所提出的6G场景聚类方案能够有效完成对于不同程度缺失数据的多维度聚类。最后,结合原始数据和聚类标签,分析并提炼聚类得到了11类场景的场景知识及各场景的关键性能指标特征,从而为未来6G网络中的新兴场景及业务提供方法基础和理论参考。

基于分布鲁棒模型预测控制的微电网多时间尺度优化调度

源荷多元不确定性给“源荷储”一体化微电网优化调度带来了诸多挑战,但传统方案存在优化模型过于片面极端和时间尺度单一导致调度不合理的问题,无法兼顾可靠性和经济性,并且难以协调不确定性分析方法与不同时间尺度之间的配合关系。文中基于数据驱动的多离散场景分布鲁棒方法,提出一种微电网两阶段分布鲁棒日前优化调度模型,使用列和约束生成算法进行求解。结合改进分布鲁棒优化的不确定方法、多时间尺度调度策略和模型预测控制理论,通过逐级细化调度时间尺度和减小预测周期的长度来提高精度,以最小化发电成本以及调节成本等为目标建立日前-日内多时间尺度滚动优化调度模型,较大程度上抵抗系统不确定性因素的影响。结合算例仿真分析,进一步说明了所提模型能够有效消纳新能源、降低运行成本同时兼顾安全性和经济性。

考虑多场景下自动化设备故障的主动配电网可靠性评估

针对“双碳”目标将推动电力系统清洁能源接入与智能化配电网设备发展的情况,提出在多场景下考虑配电网自动化设备故障的主动配电网可靠性评估方法。首先,采用拉丁超立方抽样法与时间序列分割聚类算法生成场景。再基于设备健康指数理论建立多场景下的自动化设备故障模型,以及综合考虑多场景下的源-荷模型,计算孤岛的实时形成概率与该时段下自动化设备运行情况,进而对配电网可靠性进行评估,计算系统可靠性指标。最后,通过IEEE-RBTS BUS6 F4算例证明该方法与模型的有效性。

复杂场景下基于无人平台的视觉/惯性/超宽带数据集

基于多源传感器融合的导航和SLAM技术是当前发展的主流方向,其在复杂场景下的研究和应用日益受到广泛关注。然而,面向复杂场景下的多源传感器数据集相对较少,特别是包含超宽带(UWB)传感器的数据集更是稀缺。为了方便用户在复杂场景下进行多源传感器融合算法的测试验证,深入挖掘多源传感器融合和SLAM技术的不足、潜在发展方向,本文首先依托无人车和无人机平台,在动态场景、非视距场景、大尺度场景等7种复杂场景下实现了视觉/惯性/超宽带的数据集采集;然后,通过高精度的光学运动捕捉系统为数据集提供实时的六自由度真实位置和姿态;最后,利用当前先进的VINS-MONO、VINS-FUSION、VIR-SLAM和ORB-SLAM34种开源算法,对所有场景序列进行了试验验证和分析。试验结果表明,所有场景序列的数据均有效可用。