一种结合深度学习的运动去模糊视觉SLAM方法

针对高动态环境下视觉同步定位与地图构建(SLAM)系统的可靠性受运动模糊的限制,研究了一种基于生成对抗网络(GAN)和AKAZE特征点的运动去模糊视觉SLAM方案。首先,对因相机快速运动而产生的模糊图像进行AKAZE特征点的提取与检测,并根据特征点分布的丰富程度计算图像块权重,结合灰度图像的方差信息建立特征点与模糊程度之间的量化关系表;然后,将达到模糊分数阈值的图像同步输入至改进GAN模型,该网络以端对端的形式恢复中心模糊帧的纹理信息;最后,对输出的清晰图像重新进行位姿估计,以参与ORB-SLAM2后端优化过程。在公开数据集TUM上进行测试,对于受模糊影响较严重的数据集,该方案可以显著降低相机轨迹估计的整体误差,同时维持较好的鲁棒性。     

计算机兵力生成在空空对抗仿真建模中的应用

研究了计算机兵力生成在空空对抗仿真建模中的应用。首先,介绍了计算机兵力生成在空战中的体系结构;然后,详细地举例分析了体系结构中的实体行为模型和人工智能行为模型。最后,结合兵力生成理论在一个空空对抗实例中的应用,把整个理论体系串连起来。该仿真系统可以完成系统建模,系统设计和可视化演示,具有一定工程实用性。     

多尺度特征和注意力融合的生成对抗壁画修复

针对现有深度学习图像修复算法修复壁画时，存在特征提取不足及细节重构丢失等问题，提出了一种多尺度特征和注意力融合的生成对抗壁画修复深度学习模型。设计多尺度特征金字塔网络提取壁画中不同尺度的特征信息，增强特征关联性；采用自注意力机制及特征融合模块构建多尺度特征生成器，以获取丰富的上下文信息，提升网络的修复能力；引入最小化对抗损失与均方误差促进判别器的残差反馈，从而结合不同尺度的特征信息完成壁画修复。通过对真实敦煌壁画数字化修复的实验结果表明，所提算法能够有效保护壁画图像的边缘和纹理等重要特征信息，并且主观视觉效果及客观评价指标均优于比较算法。     

条件生成对抗网络的翼型反设计方法

针对变体飞行器实时控制翼型形状的需求，提出了基于深度学习的翼型反设计方法，利用多层感知机搭建了由生成器与判别器组成的条件生成对抗网络。生成器从带有随机噪声的气动参数中提取内在特征，习得特征到翼型的映射关系；判别器则将生成器产生的翼型或真实翼型与前述气动参数混合作为输入，输出该翼型为符合指定气动条件的真实翼型的概率。为了优化网络模型，研究并分析了噪声尺寸、超参数及网络结构对模型收敛性能的影响。训练好的网络模型即可根据给定的期望气动参数，快速生成配套的翼型。测试结果表明预测翼型与真实翼型的均方根误差的平均值为0.17%,耗时仅为23 ms,大大提高了设计精度与效率；并且在有噪声干扰情况下依旧保持良好的设计性能，增强了翼型设计模型的鲁棒性。研究成果可以应用于变体飞行器自适应在线最优气动构型控制。     

改进深度卷积生成式对抗网络的文本生成图像

针对深度卷积生成式对抗网络(DCGAN)模型高维文本输入表示的稀疏性导致以文本为条件生成的图像结构缺失和图像不真实的问题，提出了一种改进深度卷积生成式对抗网络模型CA-DCGAN。采用深度卷积网络和循环文本编码器对输入的文本进行编码，得到文本的特征向量表示。引入条件增强（CA）模型，通过文本特征向量的均值和协方差矩阵产生附加的条件变量，代替原来的高维文本特征向量。将条件变量与随机噪声结合作为生成器的输入，并在生成器的损失中额外加入KL损失正则化项，避免模型训练过拟合，使模型可以更好的收敛，在判别器中使用谱约束（SN）层，防止其梯度下降太快造成生成器与判别器不平衡训练而发生模式崩溃的问题。实验验证结果表明：所提模型在Oxford-102-flowers和CUB-200数据集上生成的图像质量较alignDRAW、GAN-CLS、GAN-INT-CLS、StackGAN(64×64)、StackGAN-v1(64×64)模型更好且接近于真实样本，初始得分值最低分别提高了10.9%和5.6%，最高分别提高了41.4%和37.5%,FID值最低分别降低了11.4%和8.4%，最高分别降低了43....     

超燃冲压发动机燃烧室流场超分辨率重建

超声速燃烧室受限空间内复杂流场波系结构的获取受到光学测量装置精度的制约。为提升流场时空分辨率特征，本文应用中国空气动力研究与发展中心地面脉冲燃烧风洞获取的试验数据，在发动机入口马赫数2.5的条件下，构建了6种不同当量比下基于压力数据重构的燃烧室流场低分辨率图像数据集，研究了三种提高图像分辨率的方法来提升超燃冲压发动机燃烧室流场重构图像的分辨率。结果表明，本文所提出的流场超分辨率稠密网络（Flow-field Super-Resolution Dense Network, FSRDN）、流场超分辨率生成对抗网络（Flow-field Super-Resolution Generative Adversarial Network, FSRGAN）、传统的双三次插值法（Bicubic interpolation,Bicubic）对流场图像分辨率都提高了42倍。FSRDN网络所得流场图像结果的峰值信噪比（Peak Signal-to-Noise Ratio,PSNR）、相关性系数（Correlation coefficient,CORR）、感知指数（Perceptual Index,PI）指标...     

未来远程对空导弹发展思考

针对未来远程对空导弹的发展趋势,本文分析了未来空战场的3种重要目标,对远程对空导弹拦截3类目标的重要性进行了分析,进一步从远程打击"侦-控-打-评"体系出发,分析了远距作战对于预警探测、指挥控制与通讯、火力打击以及效能评估的四点需求.最后分析了未来远程对空导弹的3种能力特征:防区外拦截能力、弱信息支援下的自主作战能力和...     

基于条件生成对抗模型的遥感卫星影像重建技术研究

为了快速侦察未知区域的地貌信息，遥感卫星可对特定区域进行扫描以获取遥感卫星影像。当卫星经过国外未知区域时，部分卫星无法针对某特定区域进行长时间的驻留扫描，本文提出一种基于条件生成对抗网络模型（Conditional Generative Adversarial Network，CGAN）进行网络训练，前期将某方法获取的区域轮廓地形信息作为CGAN网络的生成网络和鉴别网络中的条件约束信息，通过网络生成器与判别器在训练过程中互相博弈产生特定的输出集，有效地实现由单张电子轮廓图像到对应卫星遥感图像的端到端的非线性映射。本文通过原真实卫星遥感图像与生成卫星遥感图像进行四种对比误差计算，平均误差、均方误差与结构相似度均高于99%，峰值信噪比高于30 dB，生成的图像与原图像之间具备高相似度，实现了在获取坐标定位轮廓信息的先验条件下，对特定区域进行遥感卫星影像内容重建技术。     

一种基于攻击距离的对抗样本攻击组筛选方法

黑盒对抗样本生成过程中通常会指定1个攻击组，包括1个原始样本和1个目标样本，使得生成的对抗样本与原始样本范数差别不大，但被分类器识别为目标样本的分类。针对攻击组的攻击难度不同导致攻击不稳定的问题，以图像识别领域为例，设计了基于决策边界长度的攻击距离度量方法，为攻击组的攻击难易程度提供了度量方法。在此基础上，设计了基于攻击距离的对抗样本攻击组筛选方法，在攻击开始前就筛去难以攻击的攻击组，从而实现在不修改攻击算法的前提下，提升攻击效果。实验表明:相比于筛选前的攻击组，筛选后的攻击组的总体效果提升了42.07%，攻击效率提升了24.99%，方差降低了76.23%。利用攻击组的对抗样本生成方法在攻击前先进行攻击组筛选，可以稳定并提高攻击效果。