一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

基于多尺度特征校准的图像协调化方法

图像组合是图像处理中一个重要操作，然而组合图像中前景区域与背景区域的外观不协调使得组合图像看起来不真实。图像协调化是图像组合中极其重要的一个环节，其目的是调整组合图像前景区域的外观使其与背景区域一致，从而让组合图像在视觉上看起来真实。然而，现有方法只考虑了组合图像前景与背景之间的外观差异，忽略了图像局部的亮度变化差异，这使得图像整体的光照不协调。为此，该文提出一个新的多尺度特征校准模块(MFCM)学习不同尺度的感受野之间细微的特征差异。基于所提模块，该文进一步设计了一个新的编码器学习组合图像中前景与背景的外观差异和局部亮度变化，然后利用解码器重构出图像，并通过一个对前景区域归一化的回归损失指导网络学习调整前景区域的外观。在广泛使用的iHarmony4数据集上进行实验验证，结果表明该方法的效果超过了目前最优的方法，验证了该方法的有效性。     

纸质简谱图像的分割、倾斜校正及音符歌词提取

乐谱图像的自动分割、倾斜校正是乐谱识别过程中的关键技术,各种计算机光学乐谱识别技术在乐谱图像的数字化中有着广泛的应用,但对于乐谱中简谱的识别一直鲜有研究.本文针对人工拍摄条件下光照不理想的简谱图像,提出一种基于PCNN(脉冲耦合神经网络)和DNN(深度神经网络)相结合的分块简谱图像自动分割算法,该方法根据简谱图像灰度分布特征对图像进行自适应分块处理,依据每个分块的灰度特征与PCNN最佳迭代次数之间的关系构造合适的DNN神经网络,从而实现了最优分割图的自适应选取;进一步利用最优分割图像中音符小节线的水平投影,提出一种双尺度下降法实现了简谱图像的倾斜校正;提出去边垂直投影法和连通域距离判断法实现了简谱图像中音符及歌词的提取.实验仿真结果表明:本文算法对复杂光照条件下的简谱图像处理都具有较好的鲁棒性,同时表现出更高的效率.     

梁结构振动支承约束反力控制

支承或连接构件对梁结构的动力学性能有至关重要影响,必须保证其在振动过程中不发生破坏或者失效。通过合理设计和布局附加弹性支承可以实现对这些重要连接构件所承受约束反力的控制。应用微分变换法推导含附加支承的梁结构支承约束反力及其对于附加支承位置和刚度的灵敏度表达式,并通过优化设计附加支承位置和刚度实现具有弹性约束端的简支梁结构各支承约束反力的平衡,可提高结构的动力学性能。     

基于Radon-CPF-Fourier变换的机动目标ISAR成像

由于机动目标的逆合成孔径雷达（Inverse Synthetic Aperture Radar，ISAR）成像中存在多普勒扩散现象，易导致成像分辨率降低。针对此问题，在多分量三次相位信号（Cubic Phase Signal,CPS）模型基础上，提出一种基于Radon-CPF-Fourier变换（Radon-Cubic Phase Function-Fourier Transform,RCFT）的机动目标ISAR成像方法。RCFT可实现CPF中自项能量的相干积累，减轻多普勒扩散带来的影响。与现有的基于时频分析和参数估计的ISAR成像算法相比，RCFT的主副比性能提升了至少2 dB，在时频分辨率无损失时具备更好的自项能量积累能力，可获得更高质量的成像结果。仿真验证了所提方法的有效性。     

基于LP与小波包的复杂机电系统监测序列混沌降噪方法

针对流程工业生产系统监测数据存在强噪声和混沌性的特点,提出了一种局部投影方法(Local Projection Method)与小波包方法相结合的信号降噪方法。该方法先利用局部投影方法从动力学系统嵌入流形的角度进行多次迭代降噪,并根据关联维数来判定迭代终止;再利用小波包方法从频率的角度进行降噪,抑制高频噪声的干扰,取得了较好的降噪效果。用Lorenz时间序列进行仿真验证,对仿真时间序列加入不同程度的噪声,对比分析小波包、局部投影与该方法降噪后的相空间、SNR值和最大Lyapunov指数,证明了该方法对于中高强度噪声具有更好的降噪效果。并将该方法用于某压缩机组的实际监测数据降噪,评估三种方法的降噪效果,进一步验证了该方法的优越性。