传感器管理中基于变结构多模型方法的策略控制

有效的传感器管理是获取信息优势必要的和最重要的技术支持手段.对于传感器管理而言,目前比较一致的看法是“宏观传感器管理+微观传感器管理”.利用变结构多模型方法解决系统模式空间未知和高度时变的优越性,探讨了微观传感器管理中的策略控制问题,提出了一种基于变结构多模型的策略控制方法,通过案例分析证明了所提出方法的有效性.

基于Siam-UNet+ +的高分辨率遥感影像建筑物变化检测

针对同一区域前后时序的高分辨率遥感影像背景复杂、变化类别多样、目标变化检测时存在漏检和边界识别粗糙问题,提出了一种基于Siam-UNet++深度神经网络的高分辨率遥感影像建筑物变化检测算法。该算法采用UNet++作为骨干提取网络,在其编码器部分应用Siam-diff(Siamese-difference)结构提取前后两时序图像的变化特征,并在解码阶段的上采样和横向跳跃路径连接之后引入注意力机制,突出建筑物变化的特征,抑制网络对其他类别特征的学习;同时使用多边输出融合(multiple side-output fusion,MSOF)策略加权融合不同语义层次的特征信息,提高了建筑物变化检测的精度;最后采取滑窗的方法对大尺度遥感影像进行预测,减少拼接过程中变化结果图产生的空洞图斑。在大型建筑物变化检测数据集上的实验结果表明,该算法有效提升了建筑物的变化检测效果。

多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标,提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况,提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置,以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明,MPLRR能够得到清晰高亮的显著性目标视觉效果图,同时F,AUC,MAE等评价指标也比现有的许多方法有明显提升。

多线索融合和区域划分的粒子滤波跟踪算法

提出一种多线索动态融合和目标区域划分的粒子滤波视觉跟踪算法。在粒子滤波框架基础上,选取颜色、纹理、边缘线索于目标模型中,采用带权重的乘性融合策略自适应计算粒子权重,并实时更新目标模型。为增强在遮挡时的跟踪能力,采用局部目标而非整个运动目标作为粒子目标模型。实验结果表明,改进后的算法比简单的线索融合、传统的粒子滤波模型选取方法更能鲁棒并实时地跟踪目标。

改进的显式形状回归人脸特征点定位算法

针对显式形状回归(ESR)人脸特征点定位精度低的问题,提出了改进的显式形状回归人脸特征点定位算法。首先定位出三点人脸形状代替人脸检测框作为初始形状的映射标准来得到更精确的初始人脸形状,然后采用像素块特征代替像素特征对抗光照变化来提高算法的鲁棒性,最后采用多假设融合策略代替平均法对多个定位结果进行最佳融合来进一步提高算法的定位精度。仿真实验结果表明,在LFPW、HELEN和300-W人脸库上,与显式形状回归算法相比,定位精度分别提高了7.96%、5.36%和1.94%。

基于UNet++网络与多边输出融合策略的船舶检测模型

船舶检测与识别技术的发展对海上监视及服务工作起重要作用,目前卫星遥感图像船舶目标检测存在背景复杂、船舶尺度变化大等问题,妨碍了海上威胁事件的预测及海上工作效率的提高。提出一种融合多尺度特征信息的目标检测模型,采用UNet++网络进行目标检测提取卫星图像特征,并将全局信息和细粒度信息相融合生成具有高空间精度的中间特征图。在此基础上,使用MSOF策略融合不同语义层次的特征信息,生成最终的检测特征图,以提高船舶目标检测与识别的精度,并通过将二元交叉熵损失函数与Dice系数损失函数结合使用,降低数据集中样本不均衡对模型准确度的影响。基于空客船舶数据集的实验结果表明,该模型能够对遥感图像中的船舶目标进行精准的检测识别,其Dice系数、IOU系数评估值分别为97.3%、96.8%,优于ResNet-34、UNet++等模型。

The Diversity of Classifiers and Its Applications to Combination

In various application areas of pattern recognition, combing multiple classifiers is regarded as a new method for achieving a substantial gain in performance of systems. This paper discusses the properties of the diversity of classifiers and its applications. At the same time, the paper presents a novel method for combining multiple classifiers based on the diversity. Fusion strategies are discussed for providing a basis for combing classifiers. These combination strategies are experimentally tested on online handwritten Chinese character recognition system and their effectiveness is considered.