深度学习机制与小波融合的超分辨率重建算法

深度学习技术在超分辨率重建领域中发展迅速。为了进一步提升重建图像的质量和视觉效果,针对基于生成对抗网络（GAN）的超分辨率重建算法重建图像的纹理放大后不自然的问题,提出了一种结合小波变换和生成对抗网络的超分辨率重建算法。所提算法在生成对抗网络中将小波分解的每个分量在各自独立的子网中进行训练,实现网络对小波系数的预测,有效地重建出具有丰富的全局信息和局部纹理细节信息的高分辨率图像。实验结果表明,对比基于生成对抗网络的算法,所提算法重建图像的客观评价指标峰值信噪比（PSNR）和结构相似性分别能提高至少0.99 dB和0.031。      

基于级联注意力机制的孪生网络视觉跟踪算法

针对全卷积孪生网络（SiamFC）在相似物体干扰及目标发生大尺度外观变化时容易跟踪失败的问题,提出了一种基于级联注意力机制的孪生网络视觉跟踪算法。首先,在网络的最后一层加入非局部注意力模块,从空间维度得到关于目标区域的自注意特征图,并与最后一层特征进行相加运算。其次,考虑到不同通道特征对不同目标和各类场景的响应差异,引入通道注意力模块实现对特征通道的重要性选择。为了进一步提高跟踪的鲁棒性,将其与SiamFC算法进行加权融合,得到最终的响应图。最后,将提出的孪生网络模型在GOT10k和VID数据集上进行联合训练,进一步提升模型的表达力与判别力。实验结果表明:所提算法相比于SiamFC,在跟踪精度上提高了9.3%,在成功率上提高了5.4%。      

一种迭代聚合的高分辨率网络Anchor-free目标检测方法

针对目前Anchor-free目标检测方法CenterNet（ObjectsasPoints）生成热力图不准确、检测精度不足的问题,提出了一种基于特征迭代聚合的高分辨率表征网络CenterNet-DHRNet。首先,引入高分辨率表征骨干网络,并用迭代聚合的方式对不同分辨率的特征图进行融合,提高网络的分辨率,有效减少图像在下采样过程中损失的空间语义信息。其次,使用高效通道注意力机制对高分辨率表征骨干网络的输出进行优化。最后,利用结合空洞卷积的空间金字塔池化操作增强网络对不同尺度物体的感受野。实验在PASCALVOC数据集和KITTI数据集上进行,结果表明:CenterNet-DHRNet精度更高,满足实时检测的性能要求,具有良好的鲁棒性。      

基于LSTM的TTE网络速率约束流量预测

时间触发以太网（TTE）中的速率约束（RC）流量为事件触发流量,在RC流量动态调度的应用场景下,若能预测未来短时间内数条RC流量到达交换节点的序列,使交换节点提前进行调度决策,以减小RC流量时延,提高网络吞吐量。对RC流量到达序列预测问题进行了研究,建立了RC流量的到达序列模型,提出了基于长短期记忆网络（LSTM）算法的RC流量预测算法。利用OMNET++工具进行TTE网络仿真,得到多组混合关键性配置下RC流量的传输数据;以此作为输入样本对预测算法进行训练和测试。实验结果显示,LSTM算法在RC流量预测问题的准确率达到了70%以上。通过对比实验说明所提算法适用于RC流量预测场景。      

外观动作自适应目标跟踪方法

为降低目标运动时产生的外观形变对目标跟踪的影响，在DaSiamese-RPN基础上进行改进，提出了一种外观动作自适应的目标跟踪方法。在孪生网络的子网络中引入外观动作自适应更新模块，融合目标的时空信息和动作特征；利用2种欧氏距离分别度量真实图和预测图之间的全局和局部差异，并对二者加权融合构建损失函数，加强预测目标特征图与真实目标特征图之间全局和局部信息的关联性。在VOT2016、VOT2018、VOT2019和OTB100数据集上进行测试，实验结果表明:在VOT2016和VOT2018数据集上，预测平均重叠率分别提高4.5%和6.1%；在VOT2019数据集上，准确度提高0.4%，预测平均重叠率降低1%；在OTB100数据集上，跟踪成功率提高0.3%，精确度提高0.2%。      

电网信号高准确度频谱插值测量算法

在非同步采样条件下,利用快速傅里叶变换算法分析电网谐波时将出现由长范围频谱泄漏、短范围频谱泄漏、负频点频谱泄漏等造成的测量误差.为了提高测量准确度,推导了频谱泄漏误差的表达式.针对工频交流正弦信号,提出了一种能够同时消除短范围频谱泄漏和负频点频谱泄漏的插值算法.仿真结果和实际的测量实验结果表明:与已有的插值算法相比,所提算法不需要对信号施加特殊的窗函数,在非同步采样程度较大的情况下,利用较少的采样样本便可准确地获得信号的频率、幅值和相位,适用于对准确度要求很高的精密测量领域.     

基于链路预测的未来新增航线发现

针对新增航线发现研究中存在的航线选择主观化、网络信息挖掘不充分等问题,考虑航空运输网络的拓扑结构特征和节点(通航城市)层次属性,提出了一种基于链路预测的未来新增航线发现(NARP)模型。NARP模型提取局部封闭子图构建子图邻接矩阵,基于距离标记子图节点结构重要性,采用因子分析和层次聚类提取节点层次属性。在此基础上,融合子图结构和节点属性2类特征,采用深度图卷积神经网络(DGCNN)进行链路预测,实现新增航线发现。在中国航空运输网络实际运行数据上的实验结果表明:较之基准方法,NARP模型的预测准确率最高提升9.28%;在网络极度不完整时,预测准确率可以保持在80%左右;预测结果符合航空运输网络的实际演变情况。      

基于二维deramp处理的高分辨率 聚束SAR成像算法

有效解决回波信号的数据率是高分辨率聚束式星载SAR的难点之一.基于两步成 像算法和CS(Chirp Scaling)成像算法,提出了一种适用于高分辨率聚束式星载SAR的成像算 法——TDDCS(Two Dimension Deramp Chirp Scaling)成像算法.该算法从距离dechirp处理 后回波信号出发,首先利用二维deramp 处理来消除频谱混叠现象,这不仅能实现以对应条 带模式的脉冲重复频率来设计聚束SAR系统,也保证满足观测带宽度所需的回波窗长度,接 着利用CS处理和相位补偿实现精确的距离徙动校正,最后利用方位相匹配滤波 处理实现方位向压缩,得到最终的成像结果.基于等效斜视模型,给出了整个算法的详细推 导过程和实现流程,通过计算机仿真验证了本算法的有效性.      

基于深度学习的无人机视觉目标检测与跟踪

针对目标检测中小目标物体漏检率及误检率高等问题,提出了一种基于Yolov3-Tiny算法的改进模型。改进k-means聚类方法,增加3×3和1×1的卷积池化层,将第9层卷积输出上采样,并与第8层卷积得到的特征图进行连接,得到新的输出:52×52卷积层,形成新的特征金字塔。基于卡尔曼滤波算法实现目标跟踪,提出融合跟踪算法的检测网络,使用匈牙利匹配算法对检测边缘框与跟踪边缘框进行最优匹配,利用跟踪结果修正检测结果,提高了检测速度,同时提升了检测能力。在ROS、Gazebo和自动驾驶仪软件PX4的综合仿真环境下对所提算法进行了对比试验。试验结果表明:改进算法平均检测速度降低了15.6%,mAP提高了6.5%。融合跟踪算法后的网络平均检测速度提高了34.2%,mAP提高了8.6%。融合跟踪算法后的网络能够满足系统实时性和准确性的要求。      

时空域上下文学习的视频多帧质量增强方法

卷积神经网络（CNN）在视频增强方向取得了巨大的成功。现有的视频增强方法主要在空域探索图像内像素的相关性,忽略了连续帧之间的时域相似性。针对上述问题,提出一种基于时空域上下文学习的多帧质量增强方法（STMVE）,即利用当前帧以及相邻多帧图像共同增强当前帧的质量。首先根据时域多帧图像直接预测得到当前帧的预测帧,然后利用预测帧对当前帧进行增强。其中,预测帧通过自适应可分离的卷积神经网络（ASCNN）得到;在后续增强中,设计了一种多帧卷积神经网络（MFCNN）,利用早期融合架构来挖掘当前帧及其预测帧的时空域相关性,最终得到增强的当前帧。实验结果表明,所提出的STMVE方法在量化参数值37、32、27、22上,相对于H.265/HEVC,分别获得0.47、0.43、0.38、0.28 dB的性能增益;与多帧质量增强（MFQE）方法相比,平均获得0.17 dB的增益。      

ISEE卫星等离子体能谱图片处理与初步分析

本文利用图象分析的方法，将ＩＳＥＥ卫星的等离子体能谱图数值化，以便定量地分析ＩＳＥＥ卫星观测到的磁尾等离子体和磁场资料。以及研究磁尾中性片的纤维结构，对今后研究近地磁尾（２２个地球半径以内）各种空间动力学机制，电流结构体系等问题都有很重要的利用价值。     

基于SSA和BSS的单通道盲信号分离算法

针对空间侦察中单通道宽带接收机截获到多个独立辐射源信号时的盲源分离问题,提出了一种新的单通道盲信号分离算法。该算法首先利用奇异谱分析（SSA）构建伪阵列信号,进而采用盲源分离算法（BSS）实现信号分离。仿真试验表明：该算法可以有效地分离空间侦察中的几种常用信号,对单频信号和线性调频信号构成的单通道信号,在信噪比大于6dB时,分离前后信号的相似系数大于0.9;对不同的相移键控信号构成的单通道信号,在信噪比大于4dB时,误码率小于0.01。     

基于深度多模态特征融合的短视频分类

目前，短视频已经成为新媒体时代极具有代表性的产物之一，其天然的具有时短、强编辑等特点，使得传统视频分类模型不再适合于短视频分类任务。针对综合短视频分类问题的特点，提出了一种基于深度多模态特征融合的短视频分类算法。所提算法将视觉模态信息和音频模态信息输入到域分离网络中，将整个特征空间划分为所有模态共享的公有域部分及由音频模态和视觉模态分别独有的私有域部分，借助优化域分离网络，最大程度地保留了不同模态特征间的差异性和相似性。在公开的短视频分类数据集上进行实验，证明了所提算法可以有效减少特征融合时的冗余性，并将分类的平均精度提高到0.813。      

基于视频帧间运动估计的无人机图像车辆检测

基于人工智能(AI)芯片搭建轻量化深度神经网络,可以在无人机(UAV)机载端实现视频中车辆目标的自动检测,具有重要的应用前景。为此,提出了一种针对无人机图像车辆目标的检测方法,并在AI芯片上进行部署与测试。方法具体包括:结合无人机图像中车辆目标的尺寸范围,对MobileNet-SSD网络进行裁剪,构建轻量化单帧图像检测器;为解决小目标特性在轻量网络框架下引发的检测性能下降问题,引入帧间运动矢量估计,根据相邻帧信息辅助预测当前帧丢失目标的位置范围,并利用检测结果进行修正,实现丢失目标的再召回。通过对多个数据集进行融合与自动补充标注,搭建了一个高质量的无人机图像车辆目标数据集;同时将方法在基于RK3399芯片计算的嵌入式开发平台上进行实验验证,结果表明:搭建的网络能够显著减少存储资源占用,具有轻量化的特点;同时相比于单帧检测法,引入视频帧间运动估计方法可以有效提高检测精度,并在AI芯片上实现125.3 ms/帧的检测速度。      

基于多尺度残差卷积网络的HEVC视频隐写分析

图片、语音、视频等多媒体形式的信息交流在网络通信中占有重要地位,同时也有很多非法信息的传播隐匿于此。隐写分析是甄别隐秘信息是否存在的有效手段,提出了一种通用的基于多尺度残差卷积网络的HEVC视频隐写分析算法。网络主体由残差计算、特征提取和二分类3部分构成,其中在特征提取部分针对性地提出了残差卷积层、多尺度残差卷积模块及隐写分析残差块。实验结果表明:所提算法基于视频像素域分析网络的检测率高达99.75%,比传统的手工提取特征方法具有更大的优势。      

基于时频域增强和全变差的群目标信号分离

针对低分辨雷达获取的群目标信号的弱时频正交性以及难以分离的问题,在进行时频域增强处理的基础上,提出了一种基于全变差(TV)的群目标信号分离方法。在旋转目标模型的基础上,首先通过分析群目标信号的稀疏性,指出了进行时频域增强处理的必要性。然后利用群目标中各子目标对应的微动周期的差异性,通过双向延迟处理,对多次观测得到的群目标信号进行时频域增强处理。最后根据群目标信号能量区域的分布特性,利用局部TV融合和主分量分析相结合的方法,实现了群目标信号的高保真分离。仿真结果表明,在采样率较低的情况下,文中方法有效地解决了群目标信号中弱信号分量的分离及提取问题,其融合分辨效果明显优于基于TV范数的融合方法。      

伪多源采样复域FastICA冲击定位算法

使用传感器阵列对材料结构冲击损伤进行定位,有助于及时发现损伤及潜在威胁,保障结构安全性。采用盲源分离(BSS)对传感器阵列信号进行预处理,提出单通道伪多源采样方法,利用每个传感器的分时段信息构建该传感器多源观测信号作为复域FastICA算法的输入,分离出每个传感器观测到的带有相位信息的冲击信号;结合阈值时延定位方法求解平面冲击事件的坐标。理论推导和数值仿真验证了本文设计的联合冲击定位算法的有效性。冲击定位平台上的实验结果表明,联合冲击定位算法可以从冲击-振动混合信号中分离出冲击信号,提高阵列传感器冲击定位的时延分析准确性。同时对传感器数量少于源信号的欠定BSS问题提供了一种解决方案。      

基于FSS-kernelBSS方法的机械故障诊断

机械设备发生故障时,故障特征的提取是很重要的.为了从观测信号中分离出不同的故障特征源信号,并根据分离信号准确地进行故障诊断,从观测信号样本出发,提出了基于有限支持样本核函数的盲源分离(FSS-kernel BSS)方法.此方法利用有限的观测样本估计信号的概率分布,得到了评价函数,具有很好的自适应能力.仿真试验结果表明:此方法能成功地分离超、亚高斯混合信号,与其他盲源分离方法相比,此方法具有更好的分离性能.将该方法用于转子不平衡和支座松动的复合故障信号的盲分离,分离出了各复合故障的主要频谱.分离结果表明:此方法应用于机械设备复合故障诊断中是可行的.     

Automatic detection of geomagnetic sudden commencement via time–frequency clusters

One of global processes in ionosphere–thermosphere–magnetosphere system is the geomagnetic storms. It is of great importance to develop an algorithm that auto-detects sudden commencement because it could be an indicator of onset of the geomagnetic storm. Automatic detection of geomagnetic sudden commencement is based on time–frequency clusters generated by spectrogram. Proposed algorithm is tested on data set collected from stations belong to the international real-time magnetic observatory network (INTERMAGNET). Maximum standard deviation of algorithm detection times is observed to be one minute of the corresponding arrival times published by National Geophysical Data Center (NGDC).     

基于萤火虫优化神经网络算法的气浮台自动调平衡研究

为了利用气浮台在地面精准演示分布式多星组网技术及验证多模式高分成像过程,提出一种基于改进型BP神经网络PID控制的气浮台快速自动调平衡算法.针对以往算法调平时间较长、容易得到非最优解的问题,引入仿生萤火虫算法对神经网络初始权值进行优化,提高了算法的收敛速度和稳定性.基于构建的三轴气浮台运动学和动力学模型,通过仿真实验验证了优化算法对自动调平衡具有良好的控制效果,满足多星地面仿真的调平衡要求.