基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。      

基于MobileFaceNet网络改进的人脸识别方法

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题,提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先,使用MobileFaceNet网络提取人脸特征,在提取特征的过程中,通过引入可分离卷积减少模型中卷积层参数的数量;其次,通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达,同时使用AdaCos人脸损失函数来训练模型,利用AdaCos损失函数中的自适应缩放系数,来动态地调整超参数,避免了人为设置超参数对模型的影响;最后,分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%,表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。      

基于深度强化学习的高超声速飞行器动态面控制方法

针对高超声速飞行器控制问题,通过将深度强化学习与动态面控制方法相结合,设计了智能姿态控制算法。首先,基于模型先验知识,采用传统的动态面控制方法设计控制器结构。然后,考虑跟踪误差和控制量幅值约束的情况下,采用深度学习算法完成对控制器参数的智能寻优,代替传统设计中的人工调参试错过程。为提升训练效果,在奖励函数中引入了控制量变化率。最后,通过数值仿真验证了所设计控制方法的有效性与鲁棒性。     

基于改进Cycle-GAN的光流无监督估计方法CSCD

卷积神经网络为光流的计算提供了一种新的方式,但作为一种数据驱动技术,用于训练网络的大规模光流真值在现实世界中不易获取。为了解决这个弊端,基于Cycle-GAN的循环对抗机制,提出了一种光流无监督估计方法。首先,引入双判别器机制在生成器生成的光流样本的底层和高层特征上进行鉴别,迫使生成器提高光流生成的精度。其次,引入Spynet作为教师网络,在生成器训练前期对其进行指导,防止网络陷入模式崩塌。最后,改进损失函数,提出了光流一致性损失和轮廓一致性损失函数,进一步提升光流估计精度。实验结果表明,与现有的先进算法相比,提出的方法达到与有监督算法相同的精度水平。     

集成学习在高误码率下AOS协议识别中的应用研究

针对天基网络中高误码率的传输特点,为保证各个异构网络之间数据能够高效可靠的传输,采用空间链路层高级在轨系统协议设计一种基于集成学习的识别方法。该方法采用集成学习模型,学习AOS协议数据,构建基于集成学习的AOS协议识别模型,实现AOS协议的准确识别,并在高误码率情况下进行实验验证。实验结果表明,集成学习模型在AOS协议识别方面具有较好的识别效果,识别运行效率有显著提升,且在较高误码率即10^-1时依然可以保持稳定的识别效果。     

基于经验移植的自主空战对抗学习方法

现有的机器学习方法大多是交互式的学习模式,这类方法在训练过程非常依赖与环境之间的交互数据。空战对抗任务是一种奖励非常稀疏的训练任务,智能体在学习开始的很长一段时间内,都在探索能够获得奖励的动作。如果每一个新的任务都重新训练,是非常浪费计算资源的。因此,设计了一种基于经验移植的学习方法,使得经过训练的智能体能够将知识分享给新的智能体,提高其在新任务上的学习效率。首先,借鉴人类通过经验进行快速学习的现象,构建了基于经验移植的学习的模型;其次,兼顾知识分享和新任务的特征,明确了经验的内涵,建立了"知识+任务→经验"的融合认知方式;再次,设计了借鉴学习方法,将外部经验与任务相结合,进而转化为新个体的知识;最后,使用经验适用度作为筛选指标,分析了经验适用度对借鉴学习效率的影响,确定了执行借鉴学习的筛选边界。新个体通过借鉴学习后能够获得关于新任务的初步知识,在新任务中更快地找到能够获得奖励的动作策略,从而提升在新的任务中的学习速度。     

一种基于在轨深度学习的压缩率确定方法

如何对遥感图像中的重要目标进行精确的识别分类,是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题,但其学习模型有大量参数需要确定,会消耗大量计算和存储资源,不利于在轨实现。模型压缩是降低资源需求的有效方法,但会导致分类准确率降低。剪枝是模型压缩的主要方法之一,目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失,如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法,可以据此确定相应的压缩率,并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线,且均方根误差最大为1.09,平均值为0.51,拟合效果较好,可据此针对不同的应用条件与需求确定相应的模型压缩率。     

描述碳纳米管内水分子单链的深度学习势

碳纳米管通道内的受限水具有与体相水截然不同的物理力学性质。当纳米管直径低至约0.8 nm时,通道内水分子形成与生物水通道内类似的单链结构,并显现出极高的流速和离子排斥能力。尽管基于经验势的分子动力学模拟在揭示单链水的奇特行为方面发挥了重要作用,但其模拟结果通常依赖于水模型和壁面-水作用参数选取。本文以从头算分子动力学计算结果为数据集,通过深度神经网络训练获得描述碳纳米管内单链水的深度学习势。基于深度学习势的分子动力学模拟在势能和原子受力方面具有近似第一性原理水平的准确性但低得多的计算成本,能准确重现从头算分子动力学得到的单链水性质,包括O-H键长、H-O-H键角、取向角和密度分布等。此外,本文对比了该深度学习势与常用经典水模型所得结果的异同。本文所构建的深度学习势为以接近第一性原理的准确性进行碳纳米管内单链水体系的大尺寸、长时间模拟提供了可能。     

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器,预测图像中剩余像素对应的类别标签。在实际应用中,由于人工标记样本成本过高,只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题,提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息,构建基于有标签样本记忆模块,并根据样本间的特征关联,利用不断更新的记忆模块学习无标签样本的潜在类别分布,构建无监督分类模型,并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明,所提方法能有效提升小样本高光谱图像分类的准确性。