针对海况复杂、无通信基础设施的海洋环境,传统的海洋观测设备和方法缺乏灵活性和智能性的问题,分别在无人系统海洋自组网技术、无人系统智能控制理论、海上无人系统集群智能控制技术等方面进行分析,提出了一个海气界面水文气象参数追踪测量与快速机动组网观测系统的方案,通过无人系统自适应组网和多智能体协同探测技术,实现了海上自主接入快速组网和数据自动传输,并成功应用于海上探测案例中。开发了新一代异构多智能体快速机动协同组网海气界面观测系统,完成了海域跨平台无人系统机动组网与数据驱动的追踪探测任务,为海洋信息网络系统领域的发展提供了重要参考和支撑。
针对雾霾天气下拍摄到的图像退化模糊,难以进行准确识别与检测的问题,提出一种基于YOLOv5s 改进的雾霾天气下行人与车辆检测算法。在图像预处理部分采用暗通道去雾算法,提高模型对特征的可分辨性与鲁棒性;在主干网络中采用基于自注意力机制的BoT3 模块替换CSP2_1 模块,提高模型对全局特征的提取能力;在主干网络输出端加入轻量化混合注意力机制(Hybrid Attention Module,HAM),增强模型对重要特征的捕获能力;在预测部分采用Wise-IOU 损失函数替换CIOU 损失函数,提高模型收敛效率,加快收敛速度。实验结果表明,在自建的雾霾天气行人车辆检测数据集中,改进算法相比于YOLOv5s,模型的检测精度提高了4.13% ,单张图片的检测时间为18.8 ms。改进后的算法提升效果明显,基本可以满足雾霾天气下对行人与车辆的检测要求。
关键词:小样本语义分割;语义协同指导;Vision Transformer;无参数度量学习 中图分类号:TP393 文献标志码:A 开放科学(资源服务)标识码(OSID): 文章编号:1003-3106(2024)02-0258-09 0引言 近年来,随着深度学习技术的快速发展,语义分割的性能取得了显著进步。然而,语义分割模型的分割性能严重依赖于逐像素的注释样本数量,该类数据的标注成本费时
现有立体图像重定向方法对不同特征图像均采用相同的策略进行重定向操作,导致一些立体重定向图像出现信息丢失、形变扭曲或深度改变的情况。影响立体图像重定向结果质量的因素主要包括显著区域形状和可视深度的改变等。为了解决这些问题,提出一种基于图像显著特征分类的立体图像重定向方法,将图像分为无显著及有显著2类图像,结合立体智能剪裁方法及立体非均匀映射方法对不同特征图像采用不同的重定向策略以减少信息丢失及几何失真。通过利用显著区域与非显著区域的深度信息差异可以更好地保持显著图像的深度感。实验结果表明,提出方法在主观对比及客观指标评价中均取得了优于其他算法的效果。
针对现有印刷电路板(PCB) 缺陷检测算法具有体积大、精度差和漏检率高等问题,提出一种改进的YOLOv5s 算法,利用迁移学习进行优化。在主干特征提取网络加入卷积块注意力模块(Convolutional Block Attention Module,CBAM) 并引出一个新的蕴含更多丰富细节信息的浅层特征来提高模型信息感知能力,增强网络对小目标的检测。使用C3-CBAM 替换加强特征提取网络的C3 结构,为了在保障模型检测精度的同时减少模型参数量,使用深度可分离卷积替换下采样。去掉用于大目标的检测头(Yolo Head),避免数据不均衡带来的先验框分配问题。在自制PCB 焊锡缺陷数据集上实验表明,改进后算法较原YOLOv5s 算法的模型参数量减少24. 8% ,平均精度均值(mean Average Precision,mAP) 达到99.46% ,较原YOLOv5s 提升了5. 45% ,证明了改进措施的有效性。
目前森林火灾多发,建立日常监测尤为重要,但是边缘智能检测设备算力和内存较低,限制了检测模型的推理和部署。针对以上问题,提出一种改进的重参数化YOLOv5s 的森林火灾检测算法,结合重参数化、通道重排和深度可分离卷积(Depthwise Separable Convolution,DSC) 等轻量化思想分别设计新的骨干和颈部网络,增强特征提取能力,提高模型检测精度,使参数量和推理权重较大幅度减少。为避免颈部网络的信息丢失,根据空洞卷积提出特征增强模块,增强多尺度特征融合能力。为进一步提高模型性能,加入轻量化的CA 注意力机制,更准确定位目标。当前公开的火焰烟雾数据集存在针对性不强的问题,为了更好地提高模型的检测效率,制作了一个新的森林火灾数据集,在数据集上利用结构相似性算法剔除了相似度过高的图片,保证了模型的泛化能力。实验结果表明,改进后的重参数化YOLOv5s 以原网络约76% 的参数量提高了4.0% 的精确度,推理权重下降至10.5 MB,更适合于设备性能差、容量小的边缘设备,提高了森林火灾巡检的效率。
针对现有目标检测网络在特征提取以及多尺度融合方面存在的局限,将分组卷积与高斯金字塔引入深层神经网络中,设计了一种基于分组注意力机制和高斯多尺度融合的目标检测方法。该方法利用图像灰度化、直方图均衡化丰富输入信息,降低光照影响;构建双阶段特征提取结构,采用深度可分离卷积初步提取目标特征后再利用分组注意力结构提升关键信息权重,进一步提炼目标特征;为充分捕获目标多尺度信息,设计了高斯多尺度结构,将不同维度的特征自适应融合后构建高斯金字塔特征,与对应尺度特征联合实现目标检测。通过在ImageNet、MS COCO、PASCAL VOC 三个公开标准数据集上的实验结果表明,所提方法目标信息丰富,有效特征提取以及网络尺度不变性都有较大改善,在复杂场景下也具有较高的鲁棒性和泛化能力。
针对车载视频图像中同时包含局部运动模糊和全局运动模糊,现有去模糊算法难以适用且效果差等问题,提出一种基于再模糊理论的复杂车载模糊图像复原方法。根据车载视频图像的特点把图像分割为车身和非车身区域,采用改进后的模糊参数估计算法,在车身区域图像块估算出的全局运动模糊参数,对整幅图像进行全局模糊恢复;对复原前后的非车身图像进行分块处理,利用复原前后图像块结构相似度(Structural Similarity,SSIM) 和局部均方差的差异性,检测和提取出局部模糊区域;对提取的模糊区域进行复原后与清晰区域拼接融合,合成清晰的图像。与现有算法对比实验分析,所提算法取得了不错的效果,且复原后图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR) 和SSIM 表现良好。
自然场景下的文本区域形状复杂多变,直接使用轮廓坐标描述文本区域会使得建模不充分,导致文本检测准确性低。针对自然场景下文本区域不规则的问题,提出了一种基于Deformable DETR 的任意形状文本检测模型,不同于传统的直接预测轮廓点的方法,使用B-样条对文字区域进行建模使得文本轮廓平滑精确的同时减少了需要预测的参数。提出的文本检测模型无需手工设计锚点、区域建议等组件,极大地简化了模型设计并提高了通用性。提出的模型在无需额外数据集的情况下在任意形状文本数据集CTW1500和Total-Text 上的平均精度(F 值) 分别达到了85. 4% 和85. 0% ,证明了模型的有效性。
为了实现电力系统的数字孪生,针对常规数字孪生建模方法中单一粒度的模型不能满足复杂系统仿真运行需求的问题,将多粒度建模思想融入到数字孪生建模理论中,提出了基于多粒度的数字孪生建模方法并基于COMSOL有限元仿真实现。为了解决系统变阶方法删除关键参数无法实现降阶的问题,提出了系统属性变阶方法,并在基于聚合解聚对变压器模型进行层次化粒度划分的基础上,利用该方法对变压器模型作进一步的粒度划分。以400 kVA变压器为例,利用能量守恒原理分析变压器热传递特性。应用磁-热-流耦合温度场进行仿真计算,分析变压器的温升特性及不同粒度下仿真耗时,由系统属性变阶得到的粗粒度模型在较小的误差下,仿真耗时更短。
针对晶圆加工中的字符检测问题,提出一种基于YOLOv7 改进的目标检测模型。在原版YOLOv7 的SPP 层之前插入Swin Transformer 模块,增强网络对于全局信息的获取能力,提升对于全局和局部特征的整合能力;在预测部分插入A2-Net 注意力机制,将特征信息全局融合后重新分配,提升网络的鲁棒性;在定位损失函数上用SIOU 损失函数代替CIOU,角度损失的引入,增加了对于字符检测位置的准确性。在自制的字符数据集上,实验验证改进后的模型相比于传统模型,mAP 提升了5.02% ,并且每秒识别图片数高于传统算法,在实际使用中也取得了良好的效果。
变电站二次设备故障声源复杂多变,且在空间狭窄、位置不易接触的设备上采用接触式振动传感器采集振动信号有很大的局限性,基于非接触式的声阵列装置采集到的声音信号可以解决这些问题。针对变电站二次设备故障声源的测向问题,通过最小描述长度(Minimum Description Length,MDL) 准则改进了多重信号分类算法,设计和制做了L 型声阵列的声源采集装置并进行故障声源采集。结果表明,改进的算法能够有效地估计出声源数,并为二维测向提供先验条件,使得测向精度准确,且2 个声源的俯仰角或方位角相同时不会相互影响。该方法能有效测量出源信号的方向且具有一定抗干扰性,对于变电站二次设备故障诊断有较好的指导意义。
文字识别技术在电力系统、车辆驾驶等领域应用十分广泛。随着人工智能技术的兴起和万物互联(Internet ofEverything,IoE) 的发展,厂商对随时随地获取复杂场景文字的需求也越来越迫切。针对文字识别环境背景复杂、视角畸变、字迹浅显和中英文字符混杂形似等诸多问题,设计出具有文字区域提取与校正、图像增强、文本检测和文本识别的光学字符识别(Optical Character Recognition,OCR) 算法框架。设计了基于双注意力机制和内容感知上采样的DBNet 文本检测模块增强网络的特征提取选择能力,提高内容感知能力,设计了融入中心损失CRNN+CTC 的文本识别模块增大字符之间的特征间距。实验结果表明,改进的文本检测网络在ICDAR2015 数据集上准确率提升了5. 09% ,召回率提高2. 12% ,F 评分提高了3. 46% 。在中英文文本识别数据集中,改进的文本识别网络对中英文字符识别准确率提高了1.2% 。
针对目前钢材表面缺陷检测方法存在检测精度不高,易出现误检、漏检等问题,提出一种改进YOLOv5 的钢材表面缺陷检测算法。在主干网络中引入坐标注意力(Coordinate Attention,CA) 机制模块,提升模型关注钢材表面缺陷的能力,使用GhostBottleneck 结构与主干网络中的部分卷积模块和C3 模块进行替换,构建轻量化模型;在Neck 层采用双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN) 结构来提升检测效果;增加一个目标检测层来解决数据集中部分缺陷占比较大的问题。实验结果表明,改进的YOLOv5s-GCBD (GhostBottleneck-CA-BiFPN-Anchor) 算法在NEU-DET数据集上的平均精度均值(mean Average Precision,mAP) 达到80.2% ,较原YOLOv5s 算法提高了3. 5% 。相比传统的钢材表面缺陷检测方法,提出的算法实现了更精准的钢材表面缺陷检测。
在铁路交通场景应用环境下,目标跟踪易受背景杂乱、目标剧烈运动和尺度变换等因素影响,容易出现目标跟踪精度不够导致目标丢失的问题。因此,提出了一种基于孪生网络的铁路复杂场景目标跟踪算法。在特征提取阶段,采用一种对ResNet 网络改进的CIResNet22 作为特征提取主干网络,将传统互相关替换为逐像素互相关;加入一种基于标准化的注意力机制,网络能够注重可靠特征的同时,弱化不可靠特征;根据平均峰值相关能量所反映的结果来判断跟踪结果是否可靠,并使用一种改进的UpdateNet 子网络预测最佳模板作为参考模板。实验结果表明,在VOT2018 和VOT2016 以及OTB100 这几个标准数据集上能够获得较好的跟踪效果。同时在自制的视频序列中进行跟踪序列测试,效果良好。
针对大地测量型GNSS 接收机获取的信噪比(Signal to Noise Ratio,SNR) 观测值存在趋势项分离不佳和信号叠加干涉的问题,融合自适应噪声完备集合鲁棒局部均值分解方法对原始SNR 信号进行分解,有效分离SNR 观测值中的趋势项并提取相应的潮位信号,以布设在美国华盛顿州星期五海港岸边的SC02 测站为例,利用实测数据反演潮位变化并与传统的低阶多项式拟合方法进行对比分析。结果表明,融合CERLMDAN 方法的反演结果的均方根误差(Root Mean Square Error,RMSE)、相关系数分别为0.56 m 和0.97,相比于传统方法的反演精度提升了33.7% 。
针对目前遥感用户获取遥感影像时采用的人工查询和订购方式较为低效的问题,提出了一种基于多特征融合神经网络的遥感影像个性化推荐框架。设计遥感影像语义体系实现影像语义提取,结合用户操作记录与职责描述文本构建遥感领域知识图谱。通过嵌入表征方法提取用户与影像的多维度属性特征。设计了一种基于协同过滤的多特征融合神经网络模型,借助神经网络的高维度空间建模能力实现用户与影像多维属性特征的有效融合,达到较好的配对推荐效果。实验结果显示,相较于先前的推荐方法,所提方法的性能获得显著提高,有效提升了遥感数据服务的精准度与时效性。
采煤活动形成的地下采空区极易引发地质灾害,滑坡易发性评价是地质灾害风险预警的先行工作。以山西省西山煤田为研究区, 构建了20 个滑坡致灾因子, 利用信息量(Information Value, IV ) 法耦合逻辑回归(LogisticRegression,LR)、随机森林(Random Forest,RF) 和支持向量机(Support Vector Machine,SVM) 模型,构建IV-LR、IV-RF 和IV-SVM 这3 种IV 法耦合机器学习模型,并进行研究区滑坡易发性评价,通过受试者工作特征(Receiver OperatingCharacteristic,ROC) 曲线、均值和标准差分析建模结果精度。结果表明,研究区内高、极高易发区主要分布在距水系300 m 内,极低、低易发区分布在中西部地区, IV-LR、IV-RF 和IV-SVM 模型验证精度分别为76.67% 、74. 62%和78.57% ,ROC 曲线下面积(Area Under Curve,AUC) 为0.86、0.83 和0. 84。IV-LR 模型AUC 值最大,预测精度最高。
遥感影像滑坡识别方法对于抢险应急指挥具有重要意义。TransUNet 模型由于架构中的注意力机制计算复杂度高,且跳跃连接无法实现相邻特征图之间的对齐,导致模型训练时间长,无法有效利用浅层高分辨率特征信息。针对上述问题,对TransUNet 模型架构进行了改进,提出一种改进的流对齐TransUNet (Flow Alignment TransUNet,FATransUNet) 模型。将原始结构中的Transformer 模块替换为Efficient Transformer 模块,有效降低模型的计算复杂度。引入流对齐模块(Flow Alignment Module,FAM),替换原始的跳跃连接、特征拼接和解码阶段中的上采样操作,既能够简化运算过程,又有效融合了浅层中的高分辨率信息。基于开源的毕节滑坡数据集实验表明,FATransUNet 模型的F1 评分和mIoU 分别达到了91. 4% 和91.1% ,均高于其他5 种模型(FCN、U-Net、SegNet、DeepLabV3+、TransUNet) 的精度,有效抑制了复杂背景对滑坡提取的干扰,提升了高分辨率遥感影像中滑坡的提取精度。
针对传统合成孔径雷达(Synthetic Aperture Radar,SAR) 回波仿真方法无法同时满足仿真精度高、速度快的缺点,设计了一种利用距离历程修正电磁散射系数的距离频域脉冲相干法(Range Frequency Domain Pulse Coherence,RFPC) 目标回波仿真方案。该方案在离散方位采样点处采用物理光学法计算关于目标电磁散射特性的二维电磁散射系数,利用天线相位中心与目标间的距离历程修正电磁散射系数的相位,根据脉冲信号3 dB 波束宽度修正电磁散射系数的幅度,利用RFPC 在距离频域进行目标电磁散射系数与SAR 发射信号的乘积处理,获取目标的二维回波信号,采用RD 成像算法进行成像处理得到目标的SAR 仿真图像。利用该方案分别对金属球和舰船模型进行了回波仿真试验,并与RaySAR 的仿真结果进行对比,验证了该方案的精确性与高效性。
随着信息技术和半导体技术的不断发展,现代电子设备的集成化程度和电磁敏感性都在不断提高,特别是在面对高空核电磁脉冲(High-altitude Nuclear Electromagnetic Pulse,HEMP) 这种具有超高场强、较宽频带和极短上升沿的强电磁脉冲时,极易成为攻击目标而影响正常工作。在参照国内外各种权威标准的基础上,利用CST 电磁环境仿真模拟软件,通过测试不同类型、不同尺寸和不同条件下典型材料的HEMP 屏蔽效能,分析研究典型材料的HEMP 防护规律,为后续利用典型材料提高电子设备的HEMP 防护能力,以及高性能HEMP 防护材料研究和制备提供重要数据支撑。
经常发生的地磁暴可引起电离层异常,并导致穿过电离层的GNSS 导航信号产生异常延迟甚至难以被观测处理。因此,有必要对地球磁暴引起的电离层异常响应特征开展系统深入研究。在已有的全球电离层异常研究基础上,充分发挥了省级连续运行参考站(Continuous Operation Reference Station,CORS) 网测站密度大、数据细节丰富的优势,建立了区域电离层模型,精细化提取了电离层异常值。初步分析了磁暴期间电离层异常响应的时序关系、量级大小、空间分布和变化规律等:① 磁暴与区域电离层异常之间的时间响应特征显示,地球磁暴可引起电离层异常,电离层异常在响应时间方面具有拖尾效应,磁暴结束24 h 后电离层才恢复至磁暴前正常水平。② 磁暴引起电离层垂直电子总含量(Vertical TotalElectron Content,VTEC) 异常变化的量级特征显示,小磁暴引起电离层天顶方向电子总量增大约9. 5 TECU,对应视线方向电子总量增大约36 TECU。③ 磁暴引起电离层异常的空间分布特征显示,高纬度地区的电离层异常响应大于低纬度地区。④ 电离层异常响应的空间变化特征显示,磁暴期间电离层异常响应首先呈现出从南向北增大延伸态势;当电离层VTEC 及其异常值达到峰值后,电离层异常响应呈现从北向南减弱回归态势。
针对水下图像色偏严重及对比度、饱和度和色彩丰富度不足等问题,提出一种基于色彩均衡和多权重融合的水下图像增强算法。利用暗通道先验(Dark Channel Prior,DCP) 算法进行水下图像去模糊预处理,利用基于动态阈值的自动白平衡算法进行色偏校正,将处理后的图像再进行多权重融合。融合处理过程主要建立在2 个图像的权重计算,分别是基于伽马校正的对比度提升图像和基于直方图均衡化的边缘增强图像,分别计算2 个图谱的显著性权重和饱和度权重,线性融合2 个图谱计算后的权重得到增强图像。结果表明,所提算法对水下图像整体清晰度恢复效果较好,而且对比度和图像色彩细节表现均有很大提升。相比其他主流算法,水下图像色彩评价(Underwater Color Image Quality Evaluation,UCIQE) 指标和水下图像的质量评价(Underwater Image Quality Measurement,UIQM) 指标提升效果显著,平均参数指标分别提升了22.3% 和10.2% 。
依赖于平面拟合或局部几何特征区分地面障碍物的方法广泛应用于自动驾驶领域,但是在具有倾斜地形或稀疏数据的情况下,性能会降低。在倾斜地形场景中,利用激光雷达(LiDAR) 提供的点云数据,通过地面点云的3D 投影与直线拟合,利用栅格地图方法降低计算复杂度,实现地面点云的分割。针对非地面的点云集合,利用SLR 聚类算法处理,通过设定强度特征阈值在垂直方向区分地面点与非地面点,并对扫描到的障碍物地面分类。通过实验分析,提出的算法较其他地面点云分割算法,一方面在倾斜地形上具有更好的建图效果,另一方面SLR 聚类算法处理后的强度特征在X、Y、Z 三个方向覆盖范围更精确,如在X方向相较于快速地面分割算法平均提高了44.0% ,相较于添加了栅格地图的算法平均提高了40.1% 。
低密度奇偶校验(Low-Density Parity-Check, LDPC) 码是第五代移动通信技术(5th Generation MobileCommunication Technology,5G) 系统采用的信道编码技术之一,用于业务信道高速数据传输,具有很强的抗干扰能力和纠错能力。5G-LDPC 码编译码在嵌入式平台的实现是一个值得关注的研究方向。CEVA-XC4500 数字信号处理(Digital SignalProcessing,DSP) 芯片具有极低功耗、高密度计算、集成了超长指令字(Very Long Instruction Word,VLIW) 和单指令多数据(Single Instruction Multiple Data,SIMD) 矢量功能的特点。针对CEVA-XC4500 DSP 矢量汇编指令和内联指令集的特点,提出一系列针对5G-LDPC 码编码的代码优化方法,使其满足5G-LDPC 码编码工程应用指标要求。仿真结果表明,优化后的5G-LDPC 码编码在CEVA-XC4500 DSP 内核上表现良好,中长块编码吞吐率超过100 Mb / s、核心矩阵吞吐率超过1 Gb / s,最大吞吐率达到250 Mb / s、最大核心矩阵吞吐率达到1.6 Gb /s。如果CEVA-XC4500 DSP 芯片的最大数据位宽将来能进一步增大,吞吐率可以做得更好。该5G-LDPC 码编码的代码优化方法为其他信道编码在类似嵌入式平台的实现提供了参考。
广泛应用于经典NP 难问题即旅行商问题(Traveling Salesman Problem,TSP ) 的蚁群优化(Ant ColonyOptimization,ACO) 算法存在容易陷入局部最优、收敛速度慢等问题,但其采用正反馈机制并具备较强的鲁棒性,适合与其他算法相融合从而改进优化。基于此,引入人工蜂群的分级思想,提出了一种多级蚁态的蚁群改进(Multistage State AntColony Optimization,MSACO) 算法。通过引入适应度算子将传统单蚁态蚁群划分为王蚁、被雇佣蚁和非雇佣蚁,并且在每次迭代后重新分配身份以动态维持多级蚁态。王蚁寻找最优路径即最优食物源,被雇佣蚁负责路径构建,非雇佣蚁进行局部优化。为了使非雇佣蚁更有效地获得优质解,提出了一种固定邻域优化算法。实验结果表明,在TSPLIB 库的7 个数据集中,MSACO 均可以达到理论最优解程度,较其他改进算法的最优解迭代次数与运行时间可以减少约40% 与50% 。
水下通信信号模式识别是非合作水下通信信号识别中的关键一步,然而,水声信道的复杂多变给水下通信信号模式识别带来了很大挑战。针对传统算法模型复杂度高、提取特征多的问题,提出了一种残差网络和时序卷积网络相结合的残差时序卷积网络(Residual Temporal Convolutional Network,ResTCN) 通信信号模式识别模型。该模型结构简单、网络收敛速度较快且具有较好的鲁棒性。通过实验仿真和海上试验对模型进行验证,在信噪比(Signal to Noise Ratio,SNR)大于-10 dB 时,该方法在测试数据集上分类正确率为95% ,在海试数据上正确率可达到93.5% 。
针对现有的深度学习气象时空降尺度方法较少、数据融合方式较为单一、气象图像纹理细节信息重建效果不佳等问题,提出了一种基于多特征融合的时空降尺度模型(Spatio-Temporal Downscaling Model Based on of Multi-FeatureFusion,STMFF)。设计一个动态数据融合模块(Data Fusion Module,DFM) 对动态辅助数据进行融合,对特征时间插值模块进行改进,实现更加有效的静态数据融合;使用局部时间特征比较(Local Time Feature Comparison,LFC) 模块来提高视频帧插值后每帧的图像质量,并采用基于多尺度特征提取的残差Swin Transformer 模块(Residual Swin Transformer ModuleBased on Multi-Scale Feature Extraction,MF-RSTB) 获得每帧图像的多尺度特征。基于法国雷达降水公开数据集的验证表明,STMFF 最优结果较对比算法的MSE 最大降低74.42% ,最小降低4.28% ,且在每帧图像的主观视觉效果上也更具优势。
高动态用户在利用低轨卫星进行通信时,由于卫星与终端的高速相对运动,不但会产生大频偏,还会产生较大的多普勒变化率,当截取时间内频率变化率超过频率分辨率时,会造成常规捕获方法失败。为了解决高动态信号的捕获问题,根据多普勒变化特点将信号建模为非线性调频信号,并采用时频分析方法提取瞬时频率;推导了高动态信号的同步压缩过程,为了提高时频分析的聚集能力以及对于动态信号的稳健性,设计了一种针对高动态信号的多重高阶同步压缩方法。仿真结果表明,所提方法对具有K 级频偏及一二阶频偏变化率的高动态信号频率估计误差在较高信噪比下可降至2.4 Hz左右,捕获概率提高至99.5% 左右,相对于多重同步压缩方法均有提升。
针对自动驾驶路面上目标漏检和错检的问题,提出一种基于改进Centerfusion的自动驾驶3D 目标检测模型。该模型通过将相机信息和雷达特征融合,构成多通道特征数据输入,从而增强目标检测网络的鲁棒性,减少漏检问题;为了能够得到更加准确丰富的3D目标检测信息,引入了改进的注意力机制,用于增强视锥网格中的雷达点云和视觉信息融合;使用改进的损失函数优化边框预测的准确度。在Nuscenes数据集上进行模型验证和对比,实验结果表明,相较于传统的Centerfusion 模型,提出的模型平均检测精度均值(mean Average Precision,mAP) 提高了1.3% ,Nuscenes 检测分数(Nuscenes Detection Scores,NDS) 提高了1.2% 。