喉区极光的机器识别

喉区极光是一种发生在电离层对流喉区附近的极光现象,是极光卵向低纬侧延伸出的南北向分立结构,其可能对应由磁鞘高速流与磁层顶作用引发的磁层顶重联过程.喉区极光研究对深入理解太阳风-磁层-电离层耦合过程具有重要意义.从长期观测所积累的大量全天空极光观测数据中准确高效识别出喉区极光结构,是开展喉区极光统计研究的基础.本文利用北...     

基于改进FCOS网络的遥感目标检测

找出目标的位置和类别是目标检测的主要任务。随着人工智能和深度学习的发展,目标检测可以达到人眼所达不到的精度。由于信息较少,覆盖面积小且基于锚框的检测算法易受锚框大小、比例数目的影响,对较小的目标难以精确检测。针对以上问题,改进无锚框算法全卷积单阶段目标检测(Fully Convolutional One-stage Object Detection,FCOS)实现了小目标检测的效率和精度。将FCOS算法的特征提取网络结构残差网络(Residual Network,ResNet)更换为轻量级网络结构MobileNetV3,随后在骨干网络中引入通道注意力机制和空间注意力机制对特征提取网络进行改进,最后设计T交并比(TIOU)代替原本的交并比(IOU),改善模型精度。实验结果表明,所改进的网络结构与FCOS相比,网络训练时间和模型大小为原来的一半,计算参数量由原来的32.12×10⁶减少为11.73×10⁶,减少到原来的三分之一,模型推理速度提升了10%,每秒传输帧数为11帧,与主流网络FasterRCNN相比,检测精度和速度更快,可以满足对小目标...     

基于GPU的反卷积算法并行优化

反卷积是图像去模糊的基本算法,针对传统反卷积算法在图像去模糊处理中实时性较弱问题,提出基于众核GPU的Iterative Deconvolve 3d反卷积算法的并行优化实现.所提算法将原算法中的核心运算放在GPU上并行实现,利用CPU和GPU协同工作模式,CPU负责串行任务GPU负责并行任务.实验表明:与传统的算法相比,在不影响图片处理效果的前提下,计算速度比CPU上的实现速度提高了近11倍,并具有良好的可扩展性.     

基于时间卷积轻量级网络的人体运动预测（英文）

针对人体运动高度复杂的运动学和时间相关性,本文提出了一种轻量级的多层残差时间卷积网络模型（Residual temporal convolutional network,RTCN）。该模型使用一维卷积高效获取人体运动的空间结构信息,提取人体运动时间序列中的相关性。在本文所提出的网络模型中应用残差结构来缓解深度网络中梯度消失的问题。在Human 3.6M数据集上进行的实验表明,与最新的方法相比,本文方法有效地改善了运动预测的误差,特别是在长期预测方面。     

基于时程卷积自编码的机翼绕流特征识别方法

机翼周围的流动状态直接影响其受力特性,流动特征的识别与分析对保证机翼的气动力研究尤为关键。基于空间流场参数的流动特征识别结果受主观阈值影响大;基于流场快照数据的流动特征分析难以完整表征流场的时变特征,且大范围的流场快照获取难度大,因而其实用性受限。本文基于流场时程数据的低维表征模型提出了无监督自动编码的流场时程特征识别方法。采用深度学习技术充分挖掘时程信号中的隐含的流动特征,建立流场时程数据的低维表征模型;进一步对低维的表征编码进行分析,将包含不同时序特征的测点样本进行特征聚类,实现了基于空间点时程数据的流场特征提取与识别。通过对NACA0012翼型的流场进行特征提取与分析验证了所得流动特征低维表征的准确性,实现了基于流场时程数据的流动分离区自动识别。本文可为相关流场特征提取、特征分析和特征表征等问题的研究提供新的方法与参考。     

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。      

卫星接收系统抗干扰的卷积盲分离算法

提出一种新的卷积混合盲分离算法,并把该算法应用到卫星通信抗干扰中,将通信信号和干扰信号分离开,以实现抗干扰的目的。该算法使用基于初等反射矩阵的高阶累积量联合对角化法来分离卷积混合的卫星通信信号和干扰信号。计算机仿真表明,在噪声环境下,信噪比大于10dB时该算法有较好的分离效果,信噪比小于10dB时分离性能有所下降,但基本也能实现分离,且与其他文献中方法相比具有计算复杂度低、分离性能好的特点,因此更适宜用于卫星通信抗干扰。     

基于Multivariate BiLSTM-FCNs的机动实时识别方法

机动的实时、准确识别对飞行员意图识别、空战态势感知具有重要意义。提出了将完整机动划分为若干机动单元,采用基于Multivariate BiLSTM-FCNs的方法自动提取并分析机动单元数据内部的时序特征和依赖关系,实现对机动单元的精确识别。然后通过机动单元窗口过滤噪声机动单元,实时监测机动是否执行或发生变化,实现机动单元到完整机动的实时识别。通过仿真实验识别了筋斗、盘旋、俯冲、爬升和破S机动。实验结果表明,在平均识别延迟率仅为26.19%的情况下,机动识别准确率高达96.67%。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

基于残差SDE-Net的深度神经网络不确定性估计

神经随机微分方程模型(SDE-Net)可以从动力学系统的角度来量化深度神经网络(DNNs)的认知不确定性。但SDE-Net面临2个问题，一是在处理大规模数据集时，随着网络层次的增加会导致性能退化；二是SDE-Net在处理具有噪声或高丢失率的分布内数据所引起的偶然不确定性问题时性能较差。为此设计了一种残差SDE-Net(ResSDE-Net)，该模型采用了改进的残差网络(ResNets)中的残差块，并应用于SDE-Net以获得一致稳定性和更高的性能；针对具有噪声或高丢失率的分布内数据，引入具有平移等变性的卷积条件神经过程(ConvCNPs)进行数据修复，从而提高ResSDE-Net处理此类数据的性能。实验结果表明：ResSDE-Net在处理分布内和分布外的数据时获得了一致稳定的性能，并在丢失了70%像素的MNIST、CIFAR10及实拍的SVHN数据集上，仍然分别获得89.89%、65.22%和93.02%的平均准确率。