深度强化学习算法在智能军事决策中的应用

深度强化学习算法能够很好地实现离散化的决策行为,但是难以运用于高度复杂且行为连续的现代战场环境,同时多智能体环境下算法难以收敛。针对这些问题,提出了一种改进的深度确定策略梯度（DDPG）算法,该算法引入了基于优先级的经验重放技术和单训练模式,以提高算法收敛速度;同时算法中还设计了一种混合双噪声的探索策略,从而实现复杂且连续的军事决策控制行为。采用Unity开发了基于改进DDPG算法的智能军事决策仿真平台,搭建了蓝军步兵进攻红军军事基地的仿真环境,模拟多智能体的作战训练。实验结果显示,该算法能够驱动多作战智能体完成战术机动,实现绕过障碍物抵达优势区域进行射击等战术行为,算法拥有更快的收敛速度和更好的稳定性,可得到更高的回合奖励,达到了提高智能军事决策效率的目的。     

基于Canny算子和Harris角点提取的三维重建方法

本文介绍了一种基于Canny算子边缘提取和Harris角点提取的三维重建方法.通过双目相机获取所研究物体的左右视图,并对图像进行平滑去噪处理,将Canny算子边缘检测和Harris角点提取结合起来进行特征提取,以提高特征点选取的准确性,然后将左右视图的特征点进行立体匹配,计算匹配点的三维坐标值,最后使用经典Delaun...     

软件工程课程体系教学模式的探索与改革

针对目前软件工程人才培养与社会需求脱节的问题,分析了软件工程课程教学中教学内容陈旧、实践环节薄弱、师资水平低下等突出问题,提出以市场需求为导向、更新教学内容、优化教学手段、改革实践教学模式、加强师生交流、促进师生共同提高的教学改革思路,并进行了积极的探索,取得了预期的效果。     

顾及多尺度监督的点云语义分割

针对复杂场景点云分割精度不高、神经网络隐藏单元缺乏直接监督,难以提取语义明确的点云特征等问题,提出了一种将多尺度监督和SCF-Net相结合的点云语义分割网络。首先构建了一个类别信息生成模块,记录编码器中隐藏单元感受野内的类别,用于解码器中辅助分类器的监督学习。其次将解码阶段的点云类别预测任务分解成一系列点云感受野类别预测任务,通过对解码器中每一层添加辅助分类器,预测当前阶段点云感受野类别,编码阶段生成的类别信息作为标签监督网络学习。模型从粗到细地推理点云感受野类别,最终预测得到点云语义标签。实验结果表明,该方法能够有效提取点云关键信息,提高语义分割精度。     

改进的遥感图像语义分割研究

近年来,随着遥感技术的不断发展,遥感图像在城市规划、农业规划及军事训练等领域有着极大的应用前景,对遥感图像的语义分割研究也变得尤为重要.提出一种基于改进Deeplabv3的遥感图像语义分割方法,通过改进单一的上采样层,利用主干网络中得到的残差进行多层上采样,保证图像在分辨率上的语义完整;同时,修改ASPP层中4层膨胀卷...     

多特征提取与匹配矩阵驱动的点云配准

针对三维点云配准时容易受到噪声、奇异值等不利因素影响的问题，提出一种多特征提取与匹配矩阵驱动的点云配准方法。利用多特征提取模块提取稳健的关键点和关键点的局部几何特征；分别计算出关键点的特征匹配矩阵和空间匹配矩阵，并对二者进行融合，提高正确匹配点对的概率；在前两方法的驱动下，利用加权奇异值分解计算点云间的刚体变换矩阵，降低噪声和奇异值等因素对配准的影响。实验结果表明，所提方法与现有的点云配准方法相比，具有更高的配准精度和较强的鲁棒性。