融合自校准照明框架的水下图像增强网络

水下图像质量退化严重阻碍了海洋工程技术的发展,针对水下图像颜色失真、对比度偏低和亮度不均匀等问题,为了解决水下特殊成像环境导致的以上退化问题,同时以便于后续基于水下图像的研究工作,提出了融合自校准照明框架的水下图像增强网络模型,该网络模型在卷积神经网络的基础上融合了自校准照明模块,可以快速、灵活地亮化图像。自校准照明模块中建立了一个具有权重共享的级联照明学习过程来处理水下图像。考虑到级联模式的计算负担,又构建了自校准模块,实现了各阶段结果之间的收敛,大大降低了计算成本,实现了对水下图像亮度的自动调节。最后,分别对实验结果进行定性及定量分析,并且对比了八种先进的增强算法,结果表明提出的方法明显优于其他对比算法。该方法增强后的结果图提高了对比度,对颜色进行了校正,改善了亮度不均匀的问题,同时增强了视觉效果,定性及定量分析结果说明了该方法的有效性。     

基于深度学习的多目标跟踪算法研究

多目标跟踪（MOT）是当前计算机视觉领域的重要研究方向,其应用已渗透到各领域,包括交通监控、智能机器人、无人驾驶以及军事等研究领域。本文首先回顾了多目标跟踪算法的基本框架,列出了目前多目标跟踪面临的主要难点,最后结合研究现状分析了各种基于深度学习的多目标跟踪算法的优点和局限性。     

基于SIP消息的异构网络拥塞识别机制

当前立体空间内多种网络重叠覆盖,在收益率、用户体验等因素的驱动下,运营商在其掌握的异构网络间进行无缝切换势在必行。但在一些安全环境中,例如遇到一些需要与外界联系的紧急情况,收益和并不能成为触发切换的唯一条件,网络拥堵也会是影响通信至关重要的一个因素。提出一个新的基于SIP协议的异构网络拥塞识别切换的技术。不仅基于信号的强度,而且还基于目标网络的状态来融入新的SIP消息切换策略。由于SIP协议与下层协议无关,因此可以比较容易地配置到运营商的环境,具有一定的实用性。仿真结果表明,使用该机制可以在保证Qo S的前提下,让用户以较小的代价切换到目标网络。     

基于注意力机制与图网络的多目标跟踪

在基于检测的多目标跟踪算法中,为了获取更具鉴别性的特征以及解决复杂场景下目标的频繁带来的目标丢失以及身份切换问题,提出了一种基于注意力机制与图网络的多目标跟踪算法。算法利用Resnet-34-CBAM网络作为外观特征提取网络,分别将相邻帧的外观特征、位置信息利用特征融合网络进行融合,将获得的融合特征与运动特征分别使用不同更新策略的图网络进行更新,分别获得融合特征与运动特征相似度,使用超参数将两种相似度结合,进而获得相邻帧目标之间的相似度。最终使用匈牙利算法完成关联实现跟踪任务。最后在MOT17数据集进行实验,相较MOTDT算法,MOTA指标提升2.7%,MOTP指标提升6.4%,IDF1指标提升5.9%。实验结果证明,提出的基于图网络与注意力机制的多目标跟踪算法可以有效提高多目标跟踪的整体性能,并有效降低身份切换。     

基于注意力特征融合的无人机多目标跟踪算法

随着无人机技术的不断发展,无人机多目标跟踪已成为无人机应用的关键技术之一.针对无人机视频中的复杂背景干扰、遮挡、视点高度和角度多变等问题,提出一种基于注意力特征融合的无人机多目标跟踪算法.首先,将改进的卷积注意力模块引入残差网络,建立三元组注意力特征提取网络;其次,在特征金字塔网络的结构上加入新的特征融合通道,设计多尺度特征融合模块,增强模型对多尺度目标的特征表达能力;最后,根据目标的重识别特征匹配与检测框匹配得到目标轨迹.仿真实验结果表明,该算法可有效提升无人机多目标跟踪的精度,具有较好的鲁棒性.     

基于自校准卷积网络的行人检测方法

针对已有行人检测算法存在的小尺度行人信息描述不充分的问题,提出一种基于自校准卷积网络的行人检测算法.通过将CSP算法的主干网络更换为SCNet自校准卷积网络,有效扩大了网络的感受野范围;将主干网络的低层特征像素信息和高层特征语义信息进行融合,有效促进小尺度行人的检测;对精细的多尺度卷积特征进行多层连接,将行人检测简化为...     

基于步态识别的跨场景多目标跟踪算法

跨场景多目标跟踪算法在刑事侦查、安防监控、无人零售以及智能交通等领域有着重要应用.针对跨场景多目标问题介绍了一种基于步态识别的多行人目标跨场景跟踪方法.提出了基于时空定位卷积的步态识别算法,并设计了基于步态识别的跨场景多目标跟踪系统.提出了时空定位卷积结构,通过在卷积层中加入当前目标轮廓的时序信息以及空间信息,提高了步...     

基于加速度预测的异构网络切换算法

本文为高速移动终端提供一种基于加速度预测的异构网络垂直切换算法,使用场景如高速公路的直线路段.利用加速度预测算法得到下一采样时刻的速度,将预测速度与采样时间相乘得到终端运动距离,然后将所得到的运动距离与当前终端的位置进行矢量叠加得到下一时刻的位置.最后利用距离与信号强度之间的关系分别对下一采样时刻的WIMAX网络和LTE网络的信号强度进行预测.根据预测到的信号强度,结合经典的基于驻留时间和迟滞电平算法,提出了一种有效解决乒乓效应和切换延时的异构网络切换算法.通过实验可得,相比较于传统基于驻留时间算法,本算法在保证信号强度可靠的前提下,能减少约10%切换的次数,并降低切换延时.     

基于速度预测的异构网络切换算法

为高速移动的用户提供一种基于速度预测的异构网络垂直切换算法,使用场景如公路的直线路段.根据直线道路场景的特点,结合驻留时间算法设计了一种基于速度预测的垂直切换算法.该算法通过创建速度矩阵以及与速度矩阵相对应的权重矩阵,经过数学运算,求得下一时刻的速度和终端的位置,然后结合传统算法得到切换判决.由仿真得到,在相同的环境及可靠的信号强度下,与经典的算法相比较,新算法虽然增加了切换次数,但有效减少了切换延时.     

一种无线异构网络的自适应垂直切换算法

针对移动节点在异构网络间切换性能不理想的问题,提出了一种自适应主动预测的垂直切换算法。采用一种面向当前应用程序的代价函数对可接入网络进行评估与选择;根据稳定周期、移动节点的运动速度及所处位置来自动调整切换执行时间,使移动节点能自适应地进行切换判决。仿真结果表明,该算法可以有效地减少切换延迟、分组丢失及切换次数,提高系统的切换性能,改善业务的QoS。     

基于帧内关系建模和自注意力融合的多目标跟踪方法

多目标跟踪在视频监控领域有重要的应用价值.随着卷积神经网络(convolutional neural networks,CNN),尤其是图神经网络(graph neural networks,GNN)的发展,多目标跟踪的研究现阶段取得了很大突破.其中,图神经网络由于引入目标-轨迹间的关系建模,显示出更稳定的跟踪性能.然而,已有的基于GNN的多目标跟踪方法都仅在连续两帧之间建立全局关系模型,忽视了帧内目标与周围其他目标的交互,没有考虑在帧内建立合适的局部关系模型.为了解决该问题,提出基于帧内关系建模和自注意力融合模型(INAF-GNN)的多目标跟踪方法.在帧内,INAF-GNN建立目标与邻居目标的关系图模型以获取局部跟踪特征;在帧间,INAF-GNN建立目标与轨迹关系图模型以获得全局跟踪特征,并利用注意力机制设计一个特征融合模块整合局部和全局跟踪特征.在MotChallenge行人标准数据集上进行大量的实验,与多个基于图神经网络的多目标跟踪方法相比较,结果显示,MOTA指标提高1.9%,IDF1指标提高3.6%.同时,在UA-DETRAC车辆数据集上的验证测试表明了所提出方法的有效性和泛化能力.     

时空特征融合网络的多目标跟踪与分割

目的 多目标跟踪与分割是计算机视觉领域一个重要的研究方向。现有方法多是借鉴多目标跟踪领域先检测然后进行跟踪与分割的思路,这类方法对重要特征信息的关注不足,难以处理目标遮挡等问题。为了解决上述问题,本文提出一种基于时空特征融合的多目标跟踪与分割模型,利用空间三坐标注意力模块和时间压缩自注意力模块选择出显著特征,以此达到优异的多目标跟踪与分割性能。方法 本文网络由2D编码器和3D解码器构成,首先将多幅连续帧图像输入到2D编码层,提取出不同分辨率的图像特征,然后从低分辨率的特征开始通过空间三坐标注意力模块得到重要的空间特征,通过时间压缩自注意力模块获得含有关键帧信息的时间特征,再将两者与原始特征融合,然后与较高分辨率的特征共同输入3D卷积层,反复聚合不同层次的特征,以此得到融合多次的既有关键时间信息又有重要空间信息的特征,最后得到跟踪和分割结果。结果 实验在YouTube-VIS(YouTube video instance segmentation)和KITTI MOTS(multi-object tracking and segmentation)两个数据集上进行定量评估。在YouTub...     

基于U-Net多尺度自校准注意力视网膜分割算法

针对视网膜细小血管分割精度低的问题,提出一种融合可伸缩级联模块、Transformer和自校准注意力的改进U-Net算法以提高细小血管分割精度。首先在编码阶段利用可伸缩级联模块,先行学习复杂多变的视网膜血管拓扑结构。然后在解码阶段提出一种自校准注意力机制,利用多尺度挤压激励模块,自适应对特征图通道和空间之间特征重要性进行校准,增强目标区域特征响应,抑制背景噪声。最后使用Transformer特征提取块,提高特征空间映射能力。基于DRIVE和CHASEDB1数据集的实验结果表明,所提算法准确率分别为96.49%和96.67%,灵敏度分别为83.75%和83.30%,特异性分别为98.28%和98.01%,AUC分别为0.987 1和0.987 2,所提算法的整体性能优于现有算法,各模块能够有效提高细小血管分割能力。     

基于层次异构图注意力网络的虚假评论检测

针对虚假评论检测中不能充分利用评论的非语义特征的问题,提出了一种新的基于层次注意力机制与异构图注意力网络的层次异构图注意力网络(HHGAN)模型.首先,通过层次注意力机制学习评论文本中词级别和句级别的文档表示,重点捕获对虚假评论检测有重要意义的单词和句子;然后,将学习到的文档表示作为节点,并选取评论中非语义特征作为元路...     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

基于概率图模型的视频多目标跟踪

针对常见的颗粒滤波器处理视频多目标跟踪的局限性,将概率图模型引入视频多目标跟踪的分析,研究目标被遮挡跟踪中的目标不确定性。在数据关联方法的基础上,采用多目标建模和分析颗粒过滤器框架的目标关系的概率图模型,即联合数据关联算法,对闭塞视频中不确定的多目标的变化进行处理,增强数据边缘,提取目标特征。     

基于门控双层异构图注意力网络的半监督短文本分类

针对现有的基于异构图神经网络的短文本分类方法未充分利用节点之间的有效信息,以及存在的过拟合问题,文中提出基于门控双层异构图注意力网络的半监督短文本分类方法(Semi-Supervised Short Text Classification with Gated Double-Layer Heterogeneous Graph Attention Network, GDHG).GDHG包含节点注意力机制和门控异构图注意力网络两层.首先,使用节点注意力机制,训练不同类型的节点注意力系数,再将系数输入门控异构图注意力网络,训练得到门控双层注意力.然后,将门控双层注意力与节点的不同状态相乘,得到聚合的节点特征.最后,使用softmax函数对文本进行分类.GDHG利用节点注意力机制和门控异构图注意力网络的信息遗忘机制对节点信息进行聚集,得到有效的相邻节点信息,进而挖掘不同邻居节点的隐藏信息,提高聚合远程节点信息的能力.在Twitter、MR、Snippets、AGNews四个短文本数据集上的实验验证GDHG性能较优.     

基于神经网络的MEMS红外热电堆自校准响应分析

为克服MEMS红外热电堆原有自校准响应分析方法存在的考虑参数单一、故障覆盖率低、校准精度低等缺点,全面考虑多个相关参数影响,采用RHPNN神经网络提高其故障覆盖率,再用小波神经网络提高校准精度,最后用FPGA实现了该算法。与传感器结合实验结果表明,本方案故障覆盖率达到92%,自校准后的测温绝对误差降到0.03 K。     

异构自组织网络环境下路由算法研究

针对传统自组织网络路由方法不能满足异构网络环境下的通信要求这一问题,提出混合节点发现算法(HNDA)以及结合路由跳数和节点负载的综合度量方法 (CM-HCTL);将HNDA与CM-HCTL相结合融入AODV协议,得出完整的异构网络环境下自组织网络路由解决方案HC-AODV。对AODV和HC-AODV这两种算法进行仿真对比,仿真结果表明,在一定的网络环境下,HC-AODV方法能够提高数据分组投递率,降低平均端到端时延以及路由控制开销,具有有效性。