基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型,不需要对跟踪模型进行在线更新,兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题,且训练时分类分支和回归分支之间存在低相关性问题,不利于训练出高精度的跟踪模型。为此,提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征,动态调整正负训练样本的界定阈值,提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支,通过锚框与目标真实框之间的IoU反映目标位置,提升跟踪精度,降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验,所提方法均有较好的表现。在VOT2016数据集上,所提方法的跟踪精度比SiamRPN方法高0.017,期望平均重叠率为0.463,与SiamRPN++相比仅差0.001,实时运行速度可达220帧/s。      

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题,提出一种基于自适应深度网络的无人机目标跟踪算法。首先,基于主成分分析（PCA）和卷积神经网络（CNN）算法,设计3阶的自适应深度网络进行目标特征提取,该网络对图像的H、S、I通道分别进行主成分分析学习,将得到的特征向量输入网络进行分层卷积,优化了网络结构,提高了网络的收敛速度和精度。其次,将目标深度特征输入核相关滤波算法进行目标跟踪,通过分析相邻2帧图像的变化率,采用分段自适应调整学习率的算法进行目标模板更新,有效地改善目标遮挡问题。仿真实验结果表明,该算法有效地避免了复杂因素干扰导致的跟踪精度下降,具有较好的鲁棒性,相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%,平均跟踪成功率提高了11.9%。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式,样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程,分析了铲挖过程中臂载相机图像的特点,模仿有人参与识别过程,提出了层次解耦的月球样品智能识别流程,利用深度学习方法构建了一类深度卷积识别网络,完整地描述了图像、特征、标记在网络中的正反传递关系,并在月球表层采样地面试验中进行了验证,结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品,具有较好的泛化识别能力,误识别率优于8.1%,平均单幅识别时间约0.7 s。     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点,随着无人机自主智能的不断提高,无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务,构建了典型的任务场景,基于深度确定性策略梯度网络（DDPG）算法,设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题,通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡,提高了算法的训练效率。仿真结果表明,训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务,任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值,人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。     

基于时标分解的弹性高超声速飞行器智能控制

考虑弹性高超声速飞行器纵向动力学模型,提出了一种基于时标分解的智能控制方法。考虑刚体状态和弹性模态具有不同的时标特性,采用奇异摄动理论进行快慢时标分解,将模型转换为刚体慢变子系统和弹性快变子系统。针对刚体子系统考虑动力学不确定,基于平行估计模型构造表征不确定逼近效果的预测误差,结合跟踪误差给出复合学习控制策略。针对弹性子系统设计自适应滑模控制稳定弹性模态。通过李雅普诺夫稳定性分析可证系统状态一致终值有界。仿真表明所提出的控制方法能够实现刚弹模态的稳定收敛,且具有更高的跟踪精度、更好的学习性能和更快的收敛速度。     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题,提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵,然后将所有像素的交叉熵按从大到小进行排序,随后确定一个K值作为阈值,筛选出前K个交叉熵最大的像素,最后对于筛选出的K个像素交叉熵取平均,做为损失值。在ISPRS 提供的 Vaihingen 数据集上,使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明,不同的K值,使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳,MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

华航大学生学习的现状

大学阶段是学生学习专业知识的开始,是掌握一技之长的重要时期。由于大学生的学习相对独立、内容多、进度快,而且学习与就业息息相关,所以需要学校认真研究大学生的学习,了解大学生学习中存在的问题,给予相应的指导。