基于深度学习的语义分割算法综述

图像的语义分割是对图像中的每个像素标注其所属的类别。在航天领域,语义分割技术可用于定位航天器及其零部件,为航天器故障排除、部件维修、太空垃圾清理等在轨服务创造条件。近几年,全部或部分使用深度学习时,语义分割的效果获得了很大的提升。本文对基于深度学习的语义分割算法进行综述。首先介绍常用的数据集和通用的深度神经网络,随后对两类具有重大实用意义的分割算法:编码器-解码器算法和整合上下文信息算法进行总结。最后对语义分割的发展进行了展望。     

基于时空注意力机制的新冠肺炎疫情预测模型

新冠肺炎疫情持续蔓延给人类社会带来深远影响,准确预测各地区的病毒传播趋势对防控疫情而言至关重要。现有研究主要基于传统的时序预测模型和传染病模型,鲜有考虑疫情地区关联复杂和时序依赖性强的特点,限制了其疫情预测的性能。为此,针对新冠肺炎疫情的预测任务,提出了一种时空注意力驱动的自编码器框架。通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性,利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性,以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测。在模型的编码器端,融合空间注意力机制的长短期记忆(LSTM)网络,关联目标地区与其他地区的病毒感染序列,提取该区域近期新冠肺炎疫情的时序特征。在模型的解码器端,将时间注意力机制引入基于LSTM网络的解码器中,通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化。在多个公开的新冠肺炎疫情数据集上对所提模型进行验证,实验结果表明：所提模型的预测性能超越了LSTM等模型;在公开的欧洲部分国家新冠肺炎疫情数据集上,预测误差指标RMSE和MAE分别降低了22.3%和25.0%,在中国部分省级单位新冠肺炎疫情数据集上,RMSE和MAE分别降低了...     

基于样本错配训练的图像PRNU噪声提纯方法

基于传感器模式噪声的图像来源鉴别算法的关键在于如何获取高质量的光响应非均匀性（Photo-response non-uniformity, PRNU）噪声,目前大多数增强PRNU噪声质量的算法以及出于实际应用的目的对其压缩的算法几乎是在人工假设模型的基础上实现的。本文提出了一种基于样本错配训练的图像PRNU噪声提纯方法,该方法使用了深度堆叠自编码器网络,并设计了一种样本错配的技术对其进行训练。这种基于样本错配训练的端到端深度神经网络的使用有效避免了人工设计算法的局限性,对图像PRNU噪声进行了有效提纯,进而提升了其用于图像来源鉴别时的性能。在Dresden图像数据集上进行的比较实验结果表明,提纯后的PRNU噪声具有更好的性能。     

基于暗块提取的无监督语义分割算法

提出一种针对单张图片进行处理的无监督语义分割算法,可以自适应得到每幅图像的类别数,并输出语义分割结果。首先,分别采用Felzenszwalb算法和SLIC算法(simple linear interative cluster)对图像进行预分割,获得图像的两种预超像素表示,对两种预超像素表示进行融合获得图像的最终超像素表示;其次,根据图像最终的超像素表示,使用暗块提取算法得到分类类别数以及可靠性强的类别标签;再次,使用得到的类别数以及类别标签来对由栈式编码器和softmax分类器组成的分类系统进行训练,再使用训练好的分类系统对整幅图像进行预测得到每个像素的标签;最后,对超像素块内的像素标签进行投票,选取标签数量最多的标签为这个超像素块内所有像素的标签。实验结果表明,与当前的一些分割算法相比,本算法能获得更好的语义分割效果。     

高速RS编码器的FPGA实现

ＲＳ码广泛应用于卫星通信,移动通信和数据存储等领域中,研究用现场可编程编辑阵列（ＦＰＧＡ）实现高速ＲＳ码编码器;对硬件实现中的主要问题做了分析和讨论,仿真和实际测试结果均表明,编码器原理样机功能正常,吞吐率可达２００Ｍｂｉｔ／ｓ。     

步进电机转速稳定度的测定与分析

在分析低速扫描中步进电机转速质量影响的基础上，介绍了用光电编码器测量转速稳定度的方法以及判定标准，并讨论了不同条件下步距角、惯性负载和微步距驱动对步进电机转速稳定度的影响。     

基于神经网络融合模型的源代码注释自动生成

注释可以有效提高源代码的可读性、帮助开发者理解软件功能,对于软件的维护和演化起着关键作用.当前源代码注释自动生成方面的研究存在一定局限,一是没有深入挖掘词法信息;二是没能很好的融合词法和语法信息.因此,提出了基于神经网络融合模型的源代码注释自动生成方法,该方法利用编码器-解码器神经网络框架深度表征源代码的词法信息,结合...     

基于降噪自编码器的航空发动机性能退化评估

针对航空发动机性能退化的形式及规律,提出一种基于降噪自编码器的航空发动机性能退化评估方法。针对采集的航空发动机6个状态监测参数,采用降噪自编码器,利用贪婪逐层训练算法,挖掘各参数对发动机性能的深层影响,提取出更有利于评估的数据特征,进行性能退化评估。将提出的算法与BP(back propagation)神经网络以及支持向量机得到的结果进行测试比较,测试表明:提出的方法准确率有所提高,达到93.5%,具有较强的鲁棒性,在信噪比为10dB时准确率达到84.5%,并且能够防止航空发动机状态监测中小样本过拟合的问题。