采用混合策略联合优化的模糊C-均值聚类信息熵点云简化算法

针对传统聚类算法处理点云简化问题时精度低、耗时长且易丢失特征信息等问题,提出了一种基于动态精英自适应混合策略的鹈鹕算法(DEAMPOA)与加权熵法联合优化的模糊C-均值聚类(FCM)信息熵点云简化算法。采用动态自适应种群混合策略,同时融合了精英反向化思路,显著提升了鹈鹕优化算法(POA)的收敛趋势和全局寻优能力,提高了寻找FCM最优聚类中心的成功率;利用DEAMPOA结合加权熵法对FCM进行优化,提高鲁棒性的同时增强了搜索精度,得到较好的聚类结果;在8种UCI标准数据集上与4种算法对比进行聚类性能评估实验,验证了所提方法综合性能优越;将所提方法与信息熵融合,并应用在三维点云KITTI数据集简化中。实验结果表明:与包围框简化法、随机采样简化法和特征选择简化法对比,所提方法全局误差简化前后点集之间平均欧式距离(MED)指标分别降低了2.25%、6.93%、5.74%,点云简化效果最优且运行速度满足要求。

采用局部-全局区域重检测机制的无人机长期跟踪算法

为解决基础跟踪器面对遮挡和移出视野等长期跟踪场景时易出现跟踪失败等问题,提出了一种基于局部-全局区域重检测的无人机长期跟踪算法。设计了基础滤波器,将高置信度样本与其结合,并融入自适应时空正则化,解决了滤波器退化问题,提高了模型鲁棒性以及复杂场景下的性能;优化了滤波器更新策略,通过评价跟踪结果进行自适应更新;设计快速尺度滤波器,解决了跟踪过程中的尺度变化问题;设计了局部-全局区域重检测机制,跟踪失败时启动重检测器恢复跟踪目标,先完成局部区域重检测,若恢复跟踪失败,再利用全局区域重检测器继续恢复目标跟踪状态。实验结果表明:所提算法在UAV20L数据集上的精确度和准确率分别可达0.724和0.621,与基于时空正则化相关滤波器的跟踪算法(STRCF)相比分别提升了25.9%和20.6%,与同类主流算法相比,跟踪效果得到提升,证明了算法的有效性。

基于视觉提示学习的天气退化图像恢复

尽管现有的天气退化图像恢复方法在单一天气去除任务上已经取得良好表现,但其无法适应真实场景下多变的天气类型.为此,本文提出一种基于视觉提示学习的天气退化图像恢复算法,其是预训练语言图像模型与天气退化图像恢复任务结合的新范式.该算法首先设计一个查询提示约束网络(Query Prompt Contrained Network,QPC-Net),其利用对比语言图像预训练模型中的文本编码器和图像编码器来根据给定的退化图像直接编码其对应真实背景的潜在描述特征.同时,该算法还包括一个示例提示引导网络(Example Prompt Guided Network,EPG-Net),其利用给定的示例图像来引导预训练扩散模型去除查询图像上对应的天气退化.相比类似设定的现有算法,本文算法在8个天气退化数据集上平均改善峰值信噪比2.11 dB,平均改善结构相似性4.74%.