动态环境下融合激光雷达和IMU的激光里程计设计

激光SLAM通常通过多帧点云配准,完成位姿变换矩阵的估计,而点云中的动态点会降低激光里程计的定位精度。为了减少动态点引入的误差,提出了一种动态点云识别算法,并结合该算法改进了传统特征匹配策略,组成了动态环境下融合激光雷达和IMU的激光里程计。通过约束范围角与动态中心点,将点云快速分割成多个簇类,再借助IMU信息,快速建立点云簇类配准关系,从而去除动态点,最后根据簇类的对应关系进行约束,以提高匹配的精度与速度。使用KITTI数据集和UGV在多个情形下进行了实验。实验结果表明,该算法可以成功识别点云中的多个动态对象,并通过去除动态点,有效地减少了位姿估计的累积误差。     

基于自适应记忆长度的多尺度模态融合网络

为了更好地利用点云和光学图像在自动驾驶领域的互补感知优势，提出了一种双模态融合网络MerNet。网络采用点云特征和光学图像特征并行编码的结构，在每一个编码阶段通过基于残差映射和膨胀点注意力机制的融合模块将光学图像特征单向融合到点云特征支路。设计了一种多尺度膨胀支路的级联空洞卷积模块，以加强点云的上下文联系，并在并行支路上采用瓶颈结构来降低上下文模块的参数量。为进一步优化参数更新过程，提出了一种自适应变历史记忆长度的优化算法，考虑了不同梯度变化趋势下历史梯度的贡献值。研究了一种基于交叉熵损失的协同损失函数，通过交叉比对不同模态的预测标签，并通过设定阈值筛选对比模态的预测特征，突出不同传感器的感知优势。在公开数据集SemanticKITTI上对MerNet进行了训练和验证，实验结果表明：提出的双模态网络能够有效提升语义分割性能，并使算法更加关注驾驶环境中的高危险性动态目标。同时，提出的上下文模块还能够降低64.89%的参数量，进一步提高算法的效率。     

结合多层特征及空间信息蒸馏的医学影像分割

U-Net在医学影像分割领域是目前应用最广泛的分割模型，其“编码-解码”结构也成为了构建医学影像分割模型最常用的结构。尽管U-Net在许多领域实现了非常高的分割准确度，但是存在着计算复杂度高、推理速度慢、运行消耗内存大等问题，导致其难以在移动应用平台部署。为解决这一问题，提出了一种结合多层特征及空间信息蒸馏的医学影像分割方法TinyUnet。该方法使用轻量化的U-Net作为学生网络。考虑到小模型没有足够的学习能力，通过选择合适的蒸馏位置，对多层教师特征图进行蒸馏; 同时加强教师网络深层特征图的边缘，并构建边缘关键点图结构，采用图卷积网络对学生网络进行空间信息蒸馏，从而补充重要的边缘信息和空间信息。实验表明:在3个医学影像数据集上，TinyUnet能够达到U-Net 98.3%~99.7%的分割准确度，但是将U-Net的参数量平均降低了99.6%，运算速度提高了约110倍; 同时，与其他轻量化医学影像分割模型相比，TinyUnet不仅具有较高的分割准确度，而且占用内存更少，运行速度更快。      

遥感图像语义分割的空间增强注意力U型网络

针对基于深度学习的语义分割模型在解析遥感图像时，小尺寸目标和目标边界存在分割不准确的问题，提出一种U型网络模型SGE-Unet。该模型通过优化网络结构加强模型的特征提取能力；融合空间组增强注意力，提升模型对上下文语义信息的解析能力；采用中值频率平衡交叉熵损失函数抑制类别分布不均衡的影响。在2个数据集上进行实验，SGE-Unet的整体准确率、平均交并比、■分数和Kappa系数均高于主流模型，Vaihingen数据集中小尺寸目标车的交并比和F₁分数分别为0.719和0.901，比次优模型提升了16%和11%，实验结果表明所提模型能更精准地分割小尺寸目标及目标边界。     

基于注意力机制的实例分割算法

实例分割作为计算机视觉领域极具挑战性的任务之一,要求在图像分类的基础上为每一个物体生成像素级别的分割掩码.业界主流方案可分为自上而下和自下而上两种范式,自上而下范式又可分为双阶段分割和单阶段分割.单阶段分割方案为了提高推断速度,往往使用全图卷积操作取代双阶段分割方案中先检测后分割的策略.然而,卷积网络的平移不变性使得同一种类的不同实例提取到的特征相似,仅靠全图卷积难以进行区分,从而导致单阶段分割方案精度下降.针对单阶段分割精度降低的问题,提出了一种注意力机制,该机制在特征图每个位置的特征向量上进行点积运算,并将运算结果作为新的特征图,同一位置点积结果最大化,不同位置点积结果最小化,以丰富特征图中不同实例的差异信息.通过注意力机制使得单阶段分割方案中的全图卷积操作能更好地区分同一种类的不同实例,从而生成高质量分割掩码.在公开数据集上进行实验,验证了所提方法的有效性.     

基于HSV色彩空间和光谱特征的遥感图像阴影检测方法

阴影是遥感图像的重要特征之一，遥感图像阴影检测方法存在偏蓝和暗色调非阴影误检的问题。本文提出一种基于HSV色彩空间和光谱特征的遥感图像阴影检测方法，该方法依据大气散射理论，利用海岸线波段、红边波段和近红外波段构建伪彩色图像，并转换到HSV色彩空间，构造权重修正归一化饱和度—强度指数；利用海岸线波段和近红外波段构造归一化光谱比值图像；利用权重修正归一化饱和度—强度指数和归一化光谱比值图像组建联合阴影指数；最后通过Otsu对联合阴影指数阈值分割得到最终阴影检测结果。该方法对多幅WorldView-3图像进行测试，阴影检测精度达到91%以上，相比现有同类方法提高约1%。实验结果表明本文方法能够有效缓解偏蓝和暗色调非阴影误检的问题，有助于提高阴影检测精度。     

基于条纹投射三维测量的铆钉自动化检测技术

针对大型薄壁结构铆接点位自动化检测问题,提出了基于条纹投射三维测量的铆钉检测技术,实现了铆钉镦头尺寸特征高精度测量以及裂纹缺陷自动化识别。在传统条纹投射三维测量的基础上,引入高动态范围(HDR)纹理合成,提出二、三维结合的点云分割策略,实现铆钉尺寸特征高效提取。搭建深度学习神经网络,实现镦头表面缺陷识别。本文搭建了系统原理样机,以铆接桁条样品和标准器作为样件进行系统实验验证。结果表明:实验室条件下,该方法直径测量精度为0.040 mm,高度测量精度为0.013 mm,缺陷识别准确率可达99.30%。与传统方法相比,本文提出的方法更加易于集成,效率高,具有广泛应用价值。