基于运动引导的高效无监督视频目标分割网络

大量基于深度学习的无监督视频目标分割(Unsupervised video object segmentation, UVOS)算法存在模型参数量与计算量较大的问题,这显著限制了算法在实际中的应用.提出了基于运动引导的视频目标分割网络,在大幅降低模型参数量与计算量的同时,提升视频目标分割性能.整个模型由双流网络、运动引导模块、多尺度渐进融合模块三部分组成.具体地,首先, RGB图像与光流估计输入双流网络提取物体外观特征与运动特征;然后,运动引导模块通过局部注意力提取运动特征中的语义信息,用于引导外观特征学习丰富的语义信息;最后,多尺度渐进融合模块获取双流网络的各个阶段输出的特征,将深层特征渐进地融入浅层特征,最终提升边缘分割效果.在3个标准数据集上进行了大量评测,实验结果表明了该方法的优越性能.     

Siamese transformer network-based similarity metric learning for cross-source remote sensing image retrieval

Neural Computing and Applications - As a fundamental technique for mining and analysis of remote sensing (RS) big data, content-based remote sensing image retrieval (CBRSIR) has received a lot of...     

Deep ensemble-based hard sample mining for food recognition

Deep neural networks represent a compelling technique to tackle complex real-world problems, but are over-parameterized and often suffer from over- or under-confident estimates. Deep ensembles have shown better parameter estimations and often provide reliable uncertainty estimates that contribute to the robustness of the results. In this work, we propose a new metric to identify samples that are hard to classify. Our metric is defined as coincidence score for deep ensembles which measures the agreement of its individual models. The main hypothesis we rely on is that deep learning algorithms learn the low-loss samples better compared to large-loss samples. In order to compensate for this, we use controlled over-sampling on the identified ”hard” samples using proper data augmentation schemes to enable the models to learn those samples better. We validate the proposed metric using two public food datasets on different backbone architectures and show the improvements compared to the conventional deep neural network training using different performance metrics.     

Flexible Transparent Bifunctional Capacitive Sensors with Superior Areal Capacitance and Sensing Capability based on PEDOT:PSS/MXene/Ag Grid Hybrid Electrodes

Flexible transparent supercapacitors (FTSs) have aroused considerable attention. Nonetheless, balancing energy storage capability and transparency remains challenging. Herein, a new type of FTSs with both excellent energy storage and superior transparency is developed based on PEDOT:PSS/MXene/Ag grid ternary hybrid electrodes. The hybrid electrodes can synergistically utilize the high optoelectronic properties of Ag grids, the excellent capacitive performance of MXenes, and the superior chemical stability of PEDOT:PSS, thus, simultaneously demonstrating excellent optoelectronic properties (T: ≈89%, R_s: ≈39 Ω sq⁻¹), high areal specific capacitance, superior mechanical softness, and excellent anti-oxidation capability. Due to the excellent comprehensive performances of the hybrid electrodes, the resulting FTSs exhibit both high optical transparency (≈71% and ≈60%) and large areal specific capacitance (≈3.7 and ≈12 mF cm⁻²) besides superior energy storage capacity (P: 200.93, E: 0.24 µWh cm⁻²). Notably, the FTSs show not only excellent energy storage but also exceptional sensing capability, viable for human activity recognition. This is the first time to achieve FTSs that combine high transparency, excellent energy storage and good sensing all-in-one, which make them stand out from conventional flexible supercapacitors and promising for next-generation smart flexible energy storage devices.     

基于深度学习的智能问答系统综述

在科技发达和信息爆炸的时代,如何从海量数据中准确地提取所需信息已成为人们研究的目标.问答系统作为解决此问题的重要途径之一,其主要通过对已有数据信息进行检索和分析,并最终返回问题答案或其他相关信息.近年来,深度学习的革命性发展给问答系统带来了长足的进步,序列到序列的模型,端到端的模型以及最近流行的预训练,都给问答系统留下无限的发展空间,但其仍面临许多挑战.本文首先对问答系统的发展进行简要介绍,接着将问答系统按照3个不同角度进行分类,并对相关数据集、评测指标和各类问答系统的主流技术进行阐述,最后对问答系统面临的问题和未来的发展趋势进行讨论.     

基于改进DWA的多无人水面艇分布式避碰算法

针对多艘无人水面艇(USV)相遇自主避碰问题,考虑可能存在异常行驶的USV,基于改进动态窗口法(DWA)提出一种包含碰撞风险检测和行驶职责划分的分布式避碰算法.首先,引入障碍物预测轨迹和权重因子改进传统DWA的距离评价函数,提高USV躲避多个动态障碍物的能力,同时,结合国际海上避碰规则(COLREGS)引入新的规则评价函数约束USV的避让动作;然后,引入期望速度和航向改进现有碰撞风险检测算法,减少因碰撞风险变化导致的轨迹波动;接着,针对COLREGS仅规定两船相遇时的行驶职责划分问题,提出一种考虑异常USV的多USV职责划分方法;最后,基于Matlab实现多USV相遇自主避碰仿真.实验结果表明,即使存在异常USV,分布式避碰算法依旧保证正常USV能够作出符合COLREGS的安全避让动作.     

基于DeblurGAN的运动模糊图像盲复原算法研究

DeblurGAN方法利用条件生成对抗网络解决了端到端的图像去模糊问题,但存在图像边缘细节恢复不足以及鲁棒性不高的问题,针对此问题,提出一种基于DeblurGAN的运动模糊图像盲复原方法。在生成网络中,采用多尺度卷积核神经网络提取特征,并使用级联空洞卷积扩大神经元的感受野;采用自适配归一化方法代替原来生成器中使用的实例归一化方法。其次,引入了梯度图像L1损失,结合对抗损失和感知损失,将其作为图像去模糊的正则约束,使得生成图像的边缘特征更加清晰。实验结果表明,提出方法复原的图像峰值信噪比数值较DeblurGAN算法高出5.4%,结构相似性指标高出1%;在主观上清晰化效果较好,且消除了网格效应。     

阵元失效下基于矩阵重构的MIMO雷达DOA估计

针对阵元失效下MIMO雷达目标DOA估计性能下降问题,提出一种基于虚拟阵列采样数据矩阵重构的MIMO雷达DOA估计方法。MIMO雷达的阵元失效分为冗余虚拟阵元失效和非冗余虚拟阵元失效两种情况。当冗余虚拟阵元失效时,通过合并空间上位置相同的正常冗余虚拟阵元输出数据以实现信号降维与失效阵元数据填充。当非冗余虚拟阵元失效时,经降维填充后的数据矩阵中仍存在整行缺失数据,根据降维数据矩阵的低秩和稀疏先验,建立带低秩和稀疏约束的矩阵填充模型,并利用ALM-ADMM算法求解来恢复完整的降维数据矩阵。最后利用root-MUSIC算法估计目标DOA。仿真结果表明,本文方法能够有效提高MIMO雷达在阵元失效时的DOA估计精度。     

基于时频域深度网络的海面小目标特征检测

为了提升海杂波背景下小目标探测性能,本文提出一种基于时频域深度网络的特征检测方法。首先,将观测向量转换为归一化时频图（Normalized Time-Frequency Graph, NTFG）,实现海杂波抑制。在时频域,建立海杂波、含正多普勒偏移目标回波、含负多普勒偏移目标回波的三分类问题,精细化目标落在主杂波带内外的不同特性。其次,引入Inception-ResNet V2深度网络作为特征提取器,自主学习不同类别在NTFG上的深层差异性,并将差异性浓缩为一个2D特征向量。然后,在2D特征空间中,设计具有引导的三次样条曲线,获得虚警可控的判决区域,实现异常检测。最后,IPIX实测数据验证了所提算法的性能优势,能深入挖掘时频域的特性。     

基于迭代近端投影的二维欠采样合成孔径雷达成像

合成孔径成像雷达(SAR)具有数据量大、采样率高等特点,针对传统压缩感知(CS)的SAR成像存在精度低及抗噪性能差的问题,该文提出一种基于迭代近端投影(IPP)的2维欠采样合成孔径雷达成像重建方法。即通过对雷达回波构建为距离频域-方位多普勒域的2维稀疏表示模型,在此基础上将成像问题转化为距离向和方位向压缩感知稀疏重构问题,利用迭代近端投影算法的函数优化模型来表示合成孔径雷达成像中的稀疏表示,最后采用平滑削边绝对偏离(SCAD)罚函数获得近端算子以求解该模型并进行成像。仿真与实测数据处理结果表明,所提方法成像效果更好。