基于孪生网络的协作机器人目标追踪

利用自身高速高精度的特点,协作机器人通过模仿人的创造性复杂动作来提高生产效率。当前协作机器人对人动作的模仿主要来自部署人员的长期调试,缺少通用的解决方案,无法快速部署。基于此,提出了一种无锚的基于RepVGG网络的孪生网络协作机器人目标跟踪算法。该算法由孪生网络模块、分类回归模块和机器人执行模块组成。孪生网络模块使用改进的RepVGG网络代替主流的ResNet作为骨干网络用于图片特征的提取,在不损失精度的前提下提高整个网络的运行速度,降低算法对硬件的要求,对专用深度学习芯片更加友好;分类回归模块通过引入中心度分支来提高跟踪框的中心点预测精度;机器人执行模块采用尺度惩罚和宽高比惩罚以平滑跟踪框,保证协作机器人的动作流畅。实验结果表明,平均速率相比替代ResNet骨干网络前提高了14 FPS,实现了实时跟踪的效果。     

基于双向转换网络的域自适应单幅图像去雾方法

当前图像去雾算法对人工合成图像域去雾效果与真实图像域去雾效果存在较大差异。针对该问题,提出了一种基于双向域转换网络的自适应单幅图像去雾算法。首先,构建双向域转换网络,实现人工合成有雾图像与真实有雾图像之间的自适应域转换;然后,通过卷积神经网络进行图像去雾。在实验中采用RESIDE人工合成的数据集以及真实环境的有雾图像作为训练集。结果表明,在人工合成图像域和真实图像域所提算法都有较好的处理能力和模型泛化能力,峰值信噪比(PSNR)、结构相似度(SSIM)等指标均有提高。     

动态场景的三维重建研究综述

随着静态场景三维重建算法的不断成熟,动态场景三维重建算法成为近年来的研究热点和研究难点。现有的静态场景三维重建算法对静止的对象有较好的重建效果,一旦场景中对象出现变形或者是相对运动,其重建效果不太理想,因此发展对动态场景的三维重建研究工作是相当重要的。简要介绍三维重建的相关概念及基本知识、静态场景三维重建和动态场景三维重建的研究分类及研究现状;全面总结了动态场景三维重建研究最新进展,将动态场景三维重建按照基于RGB数据源的动态三维重建和基于RGB-D数据源的动态三维重建进行分类,其中RGB数据源下又可划分为基于模板的动态三维重建、基于非刚性运动恢复结构的动态三维重建和RGB数据源下基于学习的动态三维重建,RGB-D数据源下主要总结归纳基于学习的动态三维重建,对各类典型重建算法进行了介绍和对比分析;介绍了动态场景三维重建在医学、智能制造、虚拟现实与增强现实、交通等领域的应用;提出了动态场景三维重建的未来研究方向,并对这个快速发展领域中的各个方向研究进行了展望。