数值计算数据的流动显示模拟

在风洞试验中，光学流动显示技术是揭示流场特性的重要手段，为了把数值计算数据与流场显示结果进行直接比较，利用可视化技术把数值计算数据转化成阴影、纹影和马赫干涉条纹图像。首先根据有关研究结果和平面流动的特点，导出适于产生计算流场图像的关系式，重新计算流场数据，然后将导出的数据进行颜色编码。为了使图像效果良好、图像生成速度快，还介绍了一种自行设计的，时空效率较高的颜色编码算法。     

航天航空仪表中的图形,图像和符号化测量

从图像、图形和符号化测量的角度对航空航天仪表进行了概述。在此基础上，提出智能航空航天仪表的一种设计思想，以解决困扰航空航天仪表板总体设计数十年的难题：要求仪表显示的参数越来越多、驾驶员负担越来越重的问题。     

四川川大智胜软件股份有限公司

“四川川大智胜软件股份有限公司”（Wisesoft Co.,LTD）是由四川大学一批技术创新带头人创立的一个以软件开发和系统集成为主业，以实时软件和计算机图像图形技术为特色的高科技企业，公司注册资金2200万元。     

电容成像传感器优化设计及其试验研究

为了减小电容层析成像(Electrical Capacitance Tomography,ECT)传感器相邻极板间耦合电容引起电容测量时的噪声值,设计了差分电极传感器系统并对差分电极与测量电极距离进行参数优化。实验系统采用现场可编程门阵列(Field Programmable Gate Array,FPGA)直接数字频率生成模块生成数字量的正弦激励信号,通过D/A转化为正负交流信号分别对测量电极和差分电极进行激励。差分电极与测量电极到管道中点的距离比例约1:1.2时传感器灵敏度最佳,仿真图像误差降低至0.23,图像相关系数提升到0.84;实验中空场时的系统平均信噪比比普通传感器提升了5.10dB,满场时的系统平均信噪比提升了4.50dB,相邻电极对的静止电容减少至38%,而电容变化占用最多测量值,即62%。差分电极传感器系统经过电极之间距离的优化设计,传感器系统性能得到提升,通过实验验证其可行性,并且能够应用在滑油监测。     

FMCW体制毫米波SAR实时信号处理方法研究

与脉冲体制合成孔径雷达(SAR)相比,调频连续波(FMCW)体制SAR具有体积小、重量轻、分辨率高、功耗低和低截获等一系列优点,目前小型或微小型SAR普遍采用FMCW工作体制。FMCW SAR在整个脉冲重复周期内都发射信号,其信号占空比达到了100%,为了减小数字接收机采样带宽,降低数据率,FMCW体制毫米波SAR一般采取解线频调接收的方式,但其数据量依然很大,而且机载平台受到气流的影响,运动误差很大,需要迭代估计与补偿,给实时处理模块带来了很大压力。为了提高整个机载FMCW SAR系统的信号实时处理性能,需要在算法层面进行改进。提出了一种两次子孔径误差估计和全孔径误差拼接补偿的FMCW SAR实时成像算法,使用相位梯度自聚焦(PGA)算法和图像偏置(MD)算法级联提取子孔径误差;然后进行子孔径误差拼接成全孔径误差补偿原数据,两维脉冲压缩后完成图像聚焦,提高了FMCW体制毫米波SAR成像算法的效率;最后使用机载Ka波段FMCW SAR实测数据,验证了该算法的有效性。     

结构引导的图像修复

针对粗网络引入先验知识较少使得补全的内容存在明显视觉伪影问题,提出了基于边缘结构生成器的两段式图像修复方法。采用边缘结构生成器对输入的图像边缘和色彩平滑信息进行特征学习,生成缺失区域的结构内容,以引导精细网络重构高质量的语义图像。通过在公开的图像修复基准数据集Paris Street-View上进行实验测试,结果表明,所提模型可对掩膜占比达50%的图像进行补全。在客观的量化评价指标上,峰值信噪比、结构相似度系数、L₁和L₂均值误差等数值整体优于EC、GC、SF等方法,其中,掩膜占比为0%~20%时,峰值信噪比指数达到33.40 dB,优于其他方法2.37~6.57 dB,结构相似度系数提高了0.006~0.138。同时,补全的图像纹理更清晰,视觉质量更高。      

基于立体图像的多路径特征金字塔网络3D目标检测

3D目标检测是计算机视觉和自动驾驶中一项重要的场景理解任务。当前基于立体图像的3D目标检测方法大多没有充分考虑多个目标之间的尺度存在较大差异,从而尺度小的物体容易被忽略,导致检测精度低。针对这一问题,提出了一种基于立体图像的多路径特征金字塔网络(MpFPN)3D目标检测方法。MpFPN对特征金字塔网络进行了扩展,增加了自底向上的路径、由上至下的路径及输入特征图到输出特征图之间的连接,为联合区域提议网络提供了更高语义信息和更细粒度空间信息的多尺度特征信息。实验结果表明:在3D目标检测KITTI数据集上,无论在场景简单、中等、复杂情况下,所提方法获得的结果都优于比较方法的结果。      

基于动态特征选择的遥感图像目标检测算法

在遥感图像目标检测领域内,旋转物体的检测存在挑战,卷积神经网络在提取信息时会受制于固定的空间结构,采样点无法聚焦于目标;遥感图像尺度变化大,不同物体需要具有不同尺度感受野的特征映射,具有单一尺度感受野的特征映射无法包含所有有效信息。基于此,提出了可变形对齐卷积,根据候选边框调节采样点,并根据特征映射学习采样点的细微偏移,使采样点聚焦于目标,从而实现动态特征选择;同时提出了基于可变形对齐卷积的感受野自适应模块,对具有不同尺度感受野的特征映射进行融合,自适应地调整神经元的感受野。在公开数据集上的大量实验验证了所提算法可以提高遥感图像目标检测的精度。