动态场景的三维重建研究综述

随着静态场景三维重建算法的不断成熟,动态场景三维重建算法成为近年来的研究热点和研究难点。现有的静态场景三维重建算法对静止的对象有较好的重建效果,一旦场景中对象出现变形或者是相对运动,其重建效果不太理想,因此发展对动态场景的三维重建研究工作是相当重要的。简要介绍三维重建的相关概念及基本知识、静态场景三维重建和动态场景三维重建的研究分类及研究现状;全面总结了动态场景三维重建研究最新进展,将动态场景三维重建按照基于RGB数据源的动态三维重建和基于RGB-D数据源的动态三维重建进行分类,其中RGB数据源下又可划分为基于模板的动态三维重建、基于非刚性运动恢复结构的动态三维重建和RGB数据源下基于学习的动态三维重建,RGB-D数据源下主要总结归纳基于学习的动态三维重建,对各类典型重建算法进行了介绍和对比分析;介绍了动态场景三维重建在医学、智能制造、虚拟现实与增强现实、交通等领域的应用;提出了动态场景三维重建的未来研究方向,并对这个快速发展领域中的各个方向研究进行了展望。

One-Sample Bayesian Predictive Analyses for a Nonhomogeneous Poisson Process with Delayed S-Shaped Intensity Function Using Non-Informative Priors

The delayed S-shaped software reliability growth model (SRGM) is one of the non-homogeneous Poisson process (NHPP) models which have been proposed for software reliability assessment. The model is distinctive because it has a mean value function that reflects the delay in failure reporting: there is a delay between failure detection and reporting time. The model captures error detection, isolation, and removal processes, thus is appropriate for software reliability analysis. Predictive analysis in software testing is useful in modifying, debugging, and determining when to terminate software development testing processes. However, Bayesian predictive analyses on the delayed S-shaped model have not been extensively explored. This paper uses the delayed S-shaped SRGM to address four issues in one-sample prediction associated with the software development testing process. Bayesian approach based on non-informative priors was used to derive explicit solutions for the four issues, and the developed methodologies were illustrated using real data.

基于光易变性低秩正交先验的高光谱解混

高光谱解混是通过图像分解提取端元及丰度特征的过程,然而由光照、大气等因素引起的光谱类内易变性,或者由环境变化、设备等非线性因素导致的谱间易变性,会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题,本文引入光谱易变性的低秩正交先验提出了一种增强型的光谱解混优化模型。首先,在线性解混模型基础上引入易变性数据拟合项来同时考虑光谱类内和类间变化,利用缩放因子来解决光谱类内易变性,同时增加光谱易变性扰动矩阵来解决谱间易变性。其次,该模型利用正交先验约束来实现原光谱字典与易变性项的空间低相干性,通过采用核范数对数松弛来强化丰度矩阵的低秩特性,抑制微小分量及噪声。最后,采用交替优化法及向量-矩阵算子降低求解算法复杂度。通过模拟数据集和真实数据集仿真测试结果表明,本文所提算法取得了优于对比算法的良好性能,验证了该优化模型的有效性。

基于内外混合图像先验与图像融合的DIP改进降噪模型

为提高无监督深度图像先验(DIP)降噪模型的降噪性能,该文提出了一种基于内外混合图像先验与图像融合的DIP改进降噪模型(IDIP),该模型由样本生成和样本融合两个相继执行的模块组成。在样本生成阶段,首先利用2个分别来自内部和外部先验且有代表性的降噪算法(模型)处理噪声图像以产生2张初始降噪图像。基于这2张初始降噪图像,使用空间随机混合器按照各自50%混合比例随机生成足够多的混合图像作为DIP降噪模型的第2目标图像并与第1目标图像(即噪声图像)构成双目标图像。然后,每次使用不同的随机输入和双目标图像,多次执行标准DIP降噪流程生成多张具有互补性的样本图像;在样本融合阶段,首先为了获得更好的随机性和稳定性,随机丢弃50%的样本图像。然后,采用无监督融合网络在样本图像上完成自适应融合,获得的融合图像的图像质量相对参与融合的样本图像得到再次提升,作为最终降噪图像。在人工合成噪声图像上实验表明:IDIP降噪模型较原DIP降噪模型在峰值信噪比评价指标上有约2 dB的提升,且较大幅度超过了其他无监督降噪模型,逼近了有监督降噪模型。而在实际真实噪声图像上,其降噪性能较各对比方法更具鲁棒性。

基于空间稀疏先验的冲击载荷识别频域非凸稀疏正则化方法

复合材料因其强度高、刚度高、密度小等优点而广泛应用于航空、航天等领域。但由于其抗冲击性差,监测作用于复合材料结构上的冲击载荷对于结构快速检测损伤十分重要。经典的Tikhonov正则化方法在欠定情况下求解载荷识别问题时容易在载荷非加载区识别出虚假力;近年来兴起的L1范数稀疏正则化方法在识别冲击载荷时常低估载荷的幅值。为了突破这些方法的局限以实现更高精度的冲击载荷识别,该研究基于冲击载荷的空间稀疏先验,提出一种新的冲击载荷识别频域非凸稀疏正则化方法。所提出的方法结合了广义极小极大凹惩罚项的非凸优势以及非凸保凸的特性,利用向前向后分裂算法进行凸优化求解,既避免了非凸优化容易收敛到局部最优解的问题,又促进了解的稀疏。分别在复合材料梁和复合材料层合板上开展了冲击载荷试验验证,试验结果表明,无论在正定还是欠定的情况下,所提出方法能在精准定位冲击位置的同时重构冲击载荷的时间历程,且该方法在促进解稀疏和识别载荷幅值方面的表现都优于L1正则化方法,其中幅值识别精度能比L1正则化提升50%以上。

基于深度卷积神经网络算法和先验知识构建冠心病患者大鱼际望诊模型的思路与方法

基于全息理论的中医望诊可以辅助诊断西医疾病,但目前中医望诊主要依靠名老中医药专家的经验传承,存在望诊客观化、标准化程度不够,缺乏行业内认可度高的望诊转化技术的问题。而望诊融合人工智能信息化技术,可以提升中医望诊客观化、标准化的水平,可以有效地降低疾病的恶化率和病死率,促进中医望诊经验的转化。据此,结合前期开展的大鱼际特征与冠心病关系研究,得出大鱼际望诊可以用于冠心病早期预警筛查。以大鱼际望诊和冠心病之间的关系为例,将先验知识和深度卷积神经网络算法深度融合,将特征提取和分类合为一体,利用深度学习端对端的显著特点,输入观察到的原始大鱼际图像像素数据或信息,通过对大鱼际照片的大量深度学习,构建冠心病患者的关键特征要素,融合先验知识后,输出是否为冠心病的分类结果,中间为深层的网络结构。这一思路将提出一种中医望诊客观化、标准化的智能化算法,促进中医望诊经验的转化思路与方法,以提高基层群众的疾病预警筛查能力,服务“健康中国”战略。

改进的局部最小像素先验遥感图像盲复原算法

为了解决遥感图像盲复原时模糊核估计不准确、复原图像存在振铃效应的问题,提出改进的局部最小像素先验遥感图像盲复原算法。该算法首先引入极端通道先验与局部最小像素先验结合,对图像的强度进行更好的约束,有利于得到更好的潜在清晰图像;然后采用基于梯度的方法估计模糊核,模糊核估计与中间潜在清晰图像估计交替迭代进行,获得较为理想的模糊核;最后引入联合双边滤波器,采用改进的拉普拉斯与正则化图像复原算法抑制图像复原的振铃效应。实验结果表明,本文方法对遥感图像复原效果较好,恢复的图像边缘清晰,振铃伪影得到抑制且模糊核较为理想;客观评价指标峰值信噪比(PSNR)较前沿复原算法平均提高约1.40 dB,结构相似度(SSIM)平均提高约0.02。

特征分离和非阴影信息引导的阴影去除网络

为了解决现有阴影去除方法中存在的性能瓶颈以及去除结果产生的色差问题,构建了一个特征分离和非阴影信息引导的阴影去除网络(FSNIG-ShadowNet)。在分离和重建阶段,利用自重建监督将阴影图像分离成直射光和环境光两部分,对光照类型和反射率进行特征解耦分离,设计解码器对分离的特征进行重新耦合以获得无阴影图像。在细化阶段,该网络关注阴影和非阴影的邻接区域,设计局部区域自适应归一化模块将局部非阴影区域颜色先验传递至阴影区域以减少两区域间的色差。实验结果表明,所提FSNIG-ShadowNet与其他优秀的方法相比取得了较有竞争力的结果。

快速视频去雾改进算法的FPGA实现

内窥镜去雾算法在医疗领域具有广泛应用,为临床医生提供清晰、实时的图像。去雾技术虽然已经取得较大的进步,但去雾算法的复杂度较高,在内窥镜等复杂情况下硬件实现较为困难。为了在硬件上实现内窥镜实时去雾效果,对暗通道先验算法进行改进,降低硬件资源消耗和时间复杂度。该改进算法选择适合硬件的大气光照强度估计值、透射率补偿值以及采用流水线结构实现有雾图像的处理。采用Xilinx的ZYNQ7020实现该算法硬件电路,实时处理分辨率为640×480的视频图像,速度可达到260 fps,消耗LUT仅为1.28 K,寄存器619个单元。实验结果表明,相比于传统算法,改进算法具有处理速度快、功耗低、可移植性强的特点,满足内窥镜需要实时处理视频的要求。

密度先验引导的无监督深度点云降噪算法

为了提高无监督深度点云降噪算法的性能,提出密度先验引导的无监督深度点云降噪算法.基于现有的网络框架,首先设计了密度先验,通过噪声点云的整体分布计算每点位于真实底层曲面的概率;然后利用深度网络,通过上采、下采等策略克服大噪声点的影响,得到降噪点云;最后利用密度先验优化干净点的条件概率分布,设计无监督损失函数对网络进行优化,得到最终算法.此外,基于密度先验还提出低噪声点筛选方法和滤波算法.所提算法在PyTorch上实现,以基于ModelNet-40构造的仿真数据库及真实扫描数据PERL为例,以倒角距离及点到曲面的距离为评价指标.与DMR等算法相比,倒角距离平均降低0.35~1.34,点到曲面的距离平均降低0.68~1.94.实验结果表明,所提算法降噪结果优于现有算法,且具有较强的鲁棒性、普适性和泛化能力.

基于映射空间编码的高速运动轨道图像去模糊研究

针对轨道缺陷检测系统因镜头抖动或相机快速移动而导致所采集图像较为模糊的问题,提出一种基于最大后验概率估计思想的映射空间编码的高速运动轨道图像去模糊算法。首先,该算法使用深度编解码器和残差网络分别对数据集中清晰图像到模糊图像的映射关系和模糊核进行编码,为了保证编码时频率信息的完整性,算法在传统的残差模块上引入快速傅里叶变换通道构成双通道残差网络,以补偿多次特征提取带来的频率损失;其次,算法采用深度图像先验(Deep Image Prior,DIP)将潜在的清晰图像和模糊核进行参数化,再利用先验得到的模糊核和清晰图像来调用编码空间中的映射关系;最后,通过交替优化潜在的清晰图像和模糊核,从而去逼近一个真实未知的映射,进而实现真实场景下高速运动轨道图像的去模糊。实验结果表明,双通道残差模块提取的特征图频率信息分量强度普遍高于传统的残差模块,相较于使用传统残差模块实现该算法,采用双通道残差模块可使峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)提升0.84 dB,结构相似性(Structural Similarity,SSIM)提高0.025 1。与现有的深度学习去模糊算法相比,提出的去模糊算法对高速轨道检测系统所采集图像的去模糊效果更佳,在性能方面相较于最好的去模糊算法,PSNR提高了1.84 dB,SSIM提升了0.017 3,显著提升了采集图像的质量。研究结果可为下一步识别轨道部件是否存在缺陷提供清晰图像。

孤独症者的预测编码缺陷:前馈联结异常还是反馈联结异常?

依据预测编码理论,研究者提出预测缺陷是孤独症谱系障碍(Autism Spectrum Disorder,ASD)个体感知运动、认知学习和社交言语等多领域缺陷的基础,即孤独症的预测缺陷假说(Predictive Impairment inAutism,PIA)。在PIA中,研究者基于贝叶斯和层级性推理分别提出“低先验”和“高且不灵活的预测误差精度”两个假说,然而上述假说并未得到一致证据支持。ASD个体在不同领域中不同先验的相对权重并非普遍降低,而是具有广泛的任务或情境敏感性。关于ASD个体是否具备基于环境波动调节预测误差精度的能力,也尚存分歧。此外,关于其潜在机制,是神经调节系统异常导致的自下而上前馈联结异常,还是预测脑区功能异常导致的自上而下反馈联结异常,尚无定论。由此可见,虽然该理论为ASD提供了统一的解释框架,但仍需更多研究证据进行修正和完善,以期为早期筛查和诊断、治疗和教育实践提供指导。

注意力引导的多尺度红外行人车辆实时检测

红外成像技术通过捕捉目标热辐射特征进行成像,能实现复杂道路场景下的目标监测和道路冗杂信息滤除。针对红外行人和车辆目标检测模型参数量大、依赖高性能GPU资源和检测速度慢等问题,提出了一种注意力引导的多尺度红外行人车辆实时检测模型。首先,为精确匹配校准红外行人和车辆目标尺度与锚框尺寸,利用K-Means++算法对红外行人和车辆目标尺度进行先验框预置参数重聚类生成,并设计128×128精细尺度检测层;其次,设计注意力引导广域特征提取模块增强模型特征提取能力和空间及通道信息聚焦能力;随后,构建跨空间感知模块引入空间信息感知,强化不同尺度空间下的目标的特征表达能力;最后,针对资源受限设备,通过4倍通道剪枝方法降低模型参数量,增强移动端算法部署适应性。实验结果表明:所提IRDet算法与基准方法相比,模型平均检测精度提升4.3%,达到87.4%,模型权重值压缩60.4%,降至5.7 MB。

基于先验知识的弓网接触电阻预测模型精度提升方法

高速列车的运行实践表明,随着运行速度提高,受电弓与接触导线分离的可能性越大,越容易产生弓网电弧。导致电弧产生的因素很多,但最终都归结到滑板与接触网的接触电阻上。首先利用滑动电接触实验机,研究了波动载荷、滑动速度和接触电流对接触电阻的影响,并进一步结合表面形貌特征,分析了磨损机制、电弧放电与接触电阻演变规律之间的关系。其次为了预测不同工况下的接触电阻,建立了径向基(RBF)神经网络回归模型,通过在模型训练中融入先验知识和采用改进的食肉植物优化算法(ICPA)优化RBF神经网络超参数,提升弓网接触电阻预测模型的精度。有、无先验知识的ICPA-RBF模型预测性能对比仿真结果表明,两类先验知识分别有助于提高模型的收敛速度和预测精度。最后采用假设检验验证了模型的有效性。

双通道深度图像先验降噪模型

相对于采用固定网络参数值的有监督深度降噪模型而言,无监督的深度图像先验(Deep Image Prior,DIP)降噪模型更具灵活性和实用性.然而,DIP模型的降噪效果远低于有监督降噪模型(尤其是在处理人工合成噪声图像时).为进一步提升DIP降噪模型的降噪效果,本文提出了双通道深度图像先验降噪模型.该降噪模型由噪声图像预处理、在线迭代训练和图像融合3个模块组成.首先,利用BM3D和FFDNet两种经典降噪方法对给定的噪声图像进行预处理,得到2张初步降噪图像,然后,将原DIP单通道逼近目标图像架构拓展为双通道工作模式.其中,第一通道以FFDNet初步降噪图像和噪声图像为双目标图像,第二通道则以BM3D预处理图像和噪声图像为双目标图像.在此基础上,按照标准的DIP在线训练方式让DIP网络输出图像在两个通道上分别逼近各自的目标图像,同时依据基于边缘能量定义的伪有参考图像质量评价值适时终止迭代过程,从而获得2张中间生成图像.最后,使用结构化图块分解融合算法将两张中间生成图像融合并作为最终的降噪后图像.实验数据表明,在合成噪声图像上,本文提出的双通道深度图像先验降噪模型在各个噪声水平上显著优于原DIP及其他无监督降噪模型(提升了约2.2 dB),甚至逼近和超过了新近提出的主流有监督降噪模型,这充分表明了本文提出的改进策略的有效性;在真实噪声图像上,本文提出的降噪模型优于排名第二的对比降噪方法约2 dB,展现出其在实际应用场景下独有的优势.

贝叶斯推断视角的系统调控内涵与策略研究

系统调控思想是融合一般系统理论及复杂系统自组织等理论,倡导通过建构与演化结合,对系统整体进行调控与管理,从而达至系统目标及实现系统和谐有序的一种理论。系统调控思想在认知及推断角度与贝叶斯推断有异曲同工之妙。贝叶斯推断的认识论意蕴及演绎与归纳确证逻辑从逻辑角度分析并论证了系统调控思想中建构及演化策略结合的必要性,为系统调控思想提供了理论基础。基于贝叶斯推断视角,文中给出增强先验知识、加强过程学习等5类调控策略。

物理、数据先验认识融合的叠前解耦分步反演

AVA三参数反演在地层弹性参数预测中发挥着重要作用。由于AVA理论公式(即物理先验认识)中的角度不易确定,加之大型稀疏矩阵的病态性,导致常规叠前反演过程不稳定。为此,提出物理、数据先验认识融合的叠前解耦分步反演方法。首先,基于物理先验认识构建非稀疏正演框架,以增加参数反演的稳定性,为解耦分步反演奠定基础;然后,以井资料为数据先验认识,将物理、数据先验认识融合,对叠前地震数据进行解耦,以得到更准确的叠前地震属性数据;最后,对解耦后的叠前地震属性进行反演得到地层弹性参数。该方法通过井数据先验认识修正反演过程,可以避免因物理先验认识中角度不准带来的误差。实际数据测试结果表明,相比于业界三参数AVA反演方法,本方法的反演结果具有更高的精度,其中拉梅参数、剪切模量和密度的精度分别提高14.1%、13.6%和11.9%。

基于图拉普拉斯正则化的PET图像核重建方法

正电子发射断层成像(Positron Emission Tomography,PET)在很多疾病的早期诊断中有重要的作用,PET图像重建的难点之一是如何在保持重建图像中病灶边缘特性的同时具有良好的去噪性能.针对此问题,本文提出了一种结合图拉普拉斯正则化和深度图像先验的PET图像核重建方法 .设计了改进的U-net神经网络,将PET前向投影模型中的核系数表示为神经网络的输出;通过先验图像构建图拉普拉斯矩阵,重建问题被建模为基于神经网络的带图拉普拉斯正则化项的最大似然函数优化问题.利用优化转移方法导出了收敛的迭代重建算法,每一次迭代包括由核重建方法更新图像和利用神经网络更新核系数两个步骤.仿真和临床实验结果表明,本文提出的方法在不同的指标下都有更好的重建效果,优于已有核重建方法以及最新的基于深度系数先验的重建方法 .

基于PE-ANGO的MIMU现场标定方法

针对当前微惯性测量单元(MIMU)的现场标定方法存在标定步骤复杂、不利于非专业人员操作等问题,提出了一种基于先验知识增强的自适应北苍鹰优化(PE-ANGO)算法的MIMU现场标定方法。首先分析了MIMU涉及的误差并建立了加速度计和陀螺仪的目标函数,然后使用PE-ANGO算法求解目标函数并得到最优参数。为了使得标定工作易于现场操作,引入了一种用于传感器数据采集的手持MIMU来验证所提算法。仿真结果表明:PE-ANGO算法的标定精度相较于北苍鹰优化算法提高了一个数量级。实测实验表明:标定前后对俯仰角和横滚角累积误差的抑制效果分别提高了约89%和87%;与传统标定方法相比,对俯仰角和横滚角累积误差的抑制效果分别提高了71%和68%,验证了所提方法的有效性。

融合标签知识的中文医学命名实体识别

医学领域命名实体识别是信息抽取任务重要的研究内容之一,其训练数据主要来源于临床实验数据、健康档案、电子病历等非结构化文本,然而标注这些数据需要专业人员耗费大量人力、物力和时间资源。在缺乏大规模医学训练数据的情况下,医学领域命名实体识别模型很容易出现识别错误的情况。为解决这一难题,文中提出了一种融合标签知识的中文医学命名实体识别方法,即通过专业领域词典获得文本标签的释义后,分别将文本、标签及标签释义编码,基于自适应融合机制进行融合,有效平衡特征提取模块和语义增强模块的信息流,从而提高模型性能。其核心思想在于医学实体标签是通过总结归纳大量医学数据得到的,而标签释义是对标签进行科学解释和说明的结果,模型融入这些蕴含了丰富的医学领域内的先验知识,可以使其更准确地理解实体在医学领域中的语义并提升其识别效果。实验结果表明,该方法在中文医学实体抽取数据集(CMeEE-V2)3个基线模型上分别取得了0.71%,0.53%和1.17%的提升,并且为小样本场景下的实体识别提供了一个有效的解决方案。