一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题，目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测，前者有着较高准确性，后者有着较好速度，但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能，基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块，通过对候选区域网络（RPN）的锚机制进行引导，使得对于预选锚框形状的选择更具有多样性；同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题，提出了一种置信度因子的NMS（Cf-NMS）算法，对于模型的整体性能有着很大的贡献。实验结果说明，所提方法虽然在速度性能上有略微的下降，但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

基于Agent与元胞自动机的无人机集群混合式控制

高效有序的集群控制方式是集群顺利完成作战任务的前提。针对无人机集群控制问题，结合集中式与分布式2种控制方式，提出基于Agent与元胞自动机的集群混合式控制。从无人机集群作战流程出发构建了无人机集群控制体系框架、通信拓扑结构及集群控制规则，将集群个体由上至下分为中心长机、小组长机、个体无人机3个层次，高层级对低层级采用自上而下的集中式控制，同层级采用自下而上的分布式控制。在此基础上，利用Agent模型的层次性与元胞自动机模型的同质性，设计了基于Agent与元胞自动机的集群混合式控制模型，实现2种控制方式有效结合，元胞自动机模型实现集群基本的聚合、分离、速度一致规则，Agent模型实现不同层级个体间的协同交互规则。在编队集结与保持任务背景下，对分布式、集中式与混合式3种控制进行对比仿真，结果表明:基于混合式控制的集群在编队可控性、跟随性、一致性以及降低通信负载等方面具有明显优势，验证了混合式集群控制方法的有效性。