自校正观测融合解耦Wiener状态预报器

对于带未知噪声方差和带不同观测阵的多传感器系统,应用现代时间序列分析方法,基于子系统和加权观测融合系统的滑动平均(MA)新息模型的在线辨识,提出了一类自校正加权观测融合解耦Wiener状态预报器。用动态误差系统分析方法,证明了它按实现收敛于当噪声方差已知时的最优加权观测融合解耦Wiener状态预报器,因而它具有渐近全局最优性。一个目标跟踪系统的仿真例子说明了其有效性。     

WorldView-2影像数据融合方法比较研究——以在四川省地理国情监测项目中应用为例

WorldView-2影像数据是四川省地理国情监测项目的重要数据源。本项目通过使用Brovey、Ehlers、HPF、HIS、PCA、Wavelet、PanSharpen、Gram-Schimdt 八种不同的数据融合方法对其全色和多光谱影像进行融合,并从清晰度、纹理和色调进行定性分析;从标准差、信息熵、平均梯度、偏差指数、相关系数和光谱扭曲程度进行定量评价;并通过FeatureStation GeoEX解译对比,研究融合结果的可用性。结果表明：基于PanSharpen变换融合方法产生的遥感图像失真较小,同时很大程度地保持了高分辨率全色波段的空间纹理细节信息,是一种适合于WorldView-2影像融合的较好方法;同时,与原始多光谱影像相比,具有更好的解译效果。     

丘陵地区柑橘园采收搬运机器人系统的研制

针对丘陵地区柑橘园地形多为坡地,柑橘采收搬运困难、劳动强度大,严重制约丘区现代柑橘园发展的问题,通过计算机三维设计、电路搭建和软件控制等方法,研制了丘区柑橘园采收搬运机器人系统,并通过性能测试.试验结果表明,该机器人能够满足丘陵地区柑橘园采摘搬运检测准确率和跟随运输精度要求,检测准确率高于97%,跟随运输精度超过90%.     

基于RDB-YOLOv5的遥感图像车辆检测

为了解决遥感图像中目标密集、目标小车辆检测难的问题,提出基于YOLOv5的改进模型RDB-YOLOv5,并将其首次应用于遥感图像车辆检测领域。首先,针对遥感图像车辆方向任意的问题,对现有基于旋转边界框(rotated bounding box)的目标检测方法环形平滑标签(circular smooth label, CSL)进行改进;其次,针对遥感图像中背景信息复杂,车辆尺寸小导致检测精度降低的问题,提出基于注意力的多尺度目标检测方法,在骨干网络中添加双注意力机制(dual attention mechanism)将局部特征与全局特征相结合,并用空洞卷积进行改进;再借鉴双向特征融合网络(BiFPN)的思想,加入新的浅层特征和深层特征信息传递路径,更好融合浅层中车辆的位置信息,并设计新的检测头,提高网络对小目标车辆的检测能力。研究结果表明,改进的RDB-YOLOv5相比YOLOv5的均值平均精度(mAP)增长2.7%,特别是小型车辆检测提高了3.5%,相较于传统模型RCNN等mAP整体平均提高了10%。RDB-YOLOv5能够在通用数据库上取得较高的检测精度,同时在遥感图像的复杂场景中能...     

多投影面沉浸式虚拟环境的快速构建方法

针对多投影面沉浸式虚拟环境构建过程中几何校正、边缘融合过程的调试和维护繁琐、费时的实际情况,采用基于相机反馈的方法实现了投影面图像在曲面屏幕上的畸变校正以及多投影面画面之间的对齐校正和边缘亮度融合,给出了一种快速构建小型多投影面沉浸式虚拟环境系统的实现方法。最后给出实验结果,证明了此方法对解决多投影面沉浸式虚拟环境系统几何校正和边缘融合问题的有效性。     

面向科技经济融合的中俄科技合作策略

 当前,世界处于百年未有之大变局,全球科技合作呈现出“合作与竞争交织”的状态。中国和俄罗斯科技合作历史悠久,基础良好,双方基于科技经济融合的共同目标开展科技合作前景广阔。通过分析当前中俄科技合作的新背景,包括两国建立全面战略协作伙伴关系,共同面对“科技冷战”,共同面临后新冠肺炎疫情时期的科技挑战等,阐释了中俄双方科技合作的新目标,包括聚焦科技经济融合、强化基础研究、打造创新生态系统。针对新背景与新目标,提出中俄科技合作应坚持面向经济主战场的合作目标,突出产业链与创新链有效衔接的合作导向,巩固体现比较优势的合作基础,拓展基于创新要素的合作方式。     

一种新型复合探雷系统的设计和实现

为了解决传统探雷器易受复杂土壤环境和各种干扰物的影响造成误报率过高的问题,提出了一种基于电磁感应(EMI)和探地雷达技术(GPR)的复合探测系统及其设计方案,通过将两种完全不同探测机理的传感器数据进行融合处理,协同工作,提取地雷目标特征信号,结果表明:可有效提高地雷的探知率并降低误报率,克服采用单一探测技术探雷器难以解决的原理性虚警问题;通过样机试验结果验证了设计方案的有效性。     

融合多模态数据的自闭症谱系障碍儿童智能化识别及其有效性

自闭症发病率呈逐年上升趋势,早期发现和及时干预可以显著改善预后,能够很大程度上改善自闭症儿童的语言能力、认知能力以及行为习惯,因此,自闭症的早期识别工作意义重大.传统识别方法能够获得较好的识别结果,但过程耗时且高度依赖于专业人员的操作,而已有的智能化识别方法的识别精度难以满足应用需求.本研究探索了融合多模态数据的自闭症儿童智能化识别方法,通过对行为数据和认知数据的分析发现,自闭症儿童和典型发展儿童在眼动、面部表情、认知得分和认知反应时数据上存在显著性差异.本研究利用数据差异性分析进行特征选择,构建了融合多模态数据的自闭症儿童识别框架,该框架根据数据来源和时间同步性将数据进行分层融合,进而得到最终的识别结果.同时,将融合多模态数据的自闭症儿童智能化识别方法以及各单模态识别方法分别与传统方法识别结果进行一致性检验,验证融合多模态数据识别方法的泛化能力和有效性.结果表明,与各单模态识别方法相比,融合多模态数据的自闭症谱系障碍儿童识别与传统方法识别结果一致性程度最高,识别正确率与传统识别方法的正确率最接近,是一种有效的自闭症儿童智能化识别方法.     

融合多维时空特征的交通流量预测模型

为了精准预测交通流量,充分提取交通流中复杂的线性和非线性特征及其依赖关系,提出了融合多维时空特征的CLABEK模型。其中,由Conv-LSTM、BiLSTM和Dense神经网络分别提取时空特征、周期特征和额外特征(节假日、天气状况以及温度等),并通过将上述模型融合从而全面获取交通流的非线性特征;由卡尔曼滤波提取交通流的线性特征。在公开数据集上的对比实验证明,CLABEK模型在短期交通流预测任务上表现出最好的预测效果。     

基于递归长短期记忆网络和镜头序列注意网络的视频摘要生成

为解决基于长短期记忆网络LSTM的视频摘要生成方法当输入序列过长时LSTM网络中的记忆单元不能集中在长时间序列的跨度上。通过深度学习的方法研究了一种基于递归长短期记忆网络(ReLSTM)和序列注意(SSA)的视频摘要生成模型用以提高深度学习网络学习时序特征的能力。该模型使用ReLSTM网络提取时间特征。同时,利用SSA动态调整每个视频序列输入到ReLSTM网络中的特征权重。结果表明：在数据集TVSum上F1-score平均提高2.5%,最高提高0.2%。在数据集SumMe上F1-score平均提高7.8%,最高提高3.4%。可见该方法能有效地学习镜头之间的时序特征。