图像分解与色彩先验下的多曝光图像融合

目的 多曝光图像融合（multi-exposure fusion，MEF）是利用一组不同曝光度的低动态范围（low dynamic range，LDR）图像进行合成，得到类似高动态范围（high dynamic range，HDR）图像视觉效果图像的过程。传统多曝光图像融合在一定程度上存在图像细节信息受损、边界不清晰以及部分色彩失真等问题。为了充分综合待融合图像的有效信息，提出了一种基于图像分解和色彩先验的双尺度多曝光图像融合方法。方法 使用快速导向滤波进行图像分解，分离出细节层对其进行增强处理，保留更多的细节信息，同时减少融合图像的光晕伪影；根据色彩先验，利用亮度和饱和度之差判断图像曝光程度，并联合亮度与饱和度之差以及图像对比度计算多曝光图像融合权重，同时保障融合图像的亮度和对比度；利用导向滤波对权重图进行优化，抑制噪声，增加像素之间的相关性，提升融合图像的视觉效果。结果 在24组多曝光图像序列上进行实验，从主观评价角度来看，该融合方法能够提升图像整体对比度及色彩饱和度，并兼顾过曝光区域和欠曝光区域的细节提升。从客观评价标准分析，采用两种不同的多曝光图像序列融合结果的质量评估算法，评价结果显示融合性能均有所提高，对应的指标均值分别为0.982和0.970。与其他对比算法的数据结果比较，在两种不同的结构相似性指标上均有所提升，平均提升分别为1.2%和1.1%。结论 通过主观和客观评价，证实了所提方法在图像对比度、色彩饱和度以及细节信息保留的处理效果十分显著，具有良好的融合性能。     

基于联合分布偏移差异的跨域滚动轴承 故障诊断方法

现有的无监督域自适应故障诊断方法大多只基于单一域信号实现,提取的故障信息不够全面。 只注重实现源域和目标 域特征的边缘分布对齐,忽略了样本的条件分布差异,限制了诊断精度的提升。 为克服以上问题,提出一种基于联合分布偏移 差异(joint distribution offset difference, JDOD)的跨域滚动轴承故障诊断方法。 使用两个结构一致的卷积神经网络(CNN)分别 提取信号的时域与频域特征,获取更完整的故障信息。 提出联合分布偏移差异,实现不同域特征的边缘分布对齐和条件分布对 齐。 在两个多工况轴承数据集上与多种先进方法展开对比实验,取得了 99%以上的平均诊断精度。 实验结果表明联合分布偏 移差异有效提升了跨域故障精度。     

改进DAB-DETR算法的非规则交通对象检测

非规则交通对象主要指任何在车辆行驶过程中可能对车辆行驶起到阻碍作用的物体，例如坑洼、落石、树枝等影响车辆正常驾驶的目标。针对道路中的非规则交通对象检测问题，提出一种基于改进DAB-DETR算法的非规则交通对象目标检测算法，经过对原始模型结构的分析，发现在图像特征输入编码器前加入绝对位置编码来弥补图像位置信息的缺失，只能隐式地表达特征间的相对位置信息，因此改进DAB-DETR在Transformer的编码结构中的多头自注意力机制中添加了针对图像的相对位置编码；其次发现在原始训练策略中，对得到的检测定位结果与类别信息进行二分匹配并计算损失值时，只是简单地将定位损失和分类损失加权求和，这样会导致性能下降，所以在训练策略中增加了将分类、定位损失集成在一个统一参数化公式中的AP损失函数。实验结果表明：改进DAB-DETR算法的检测精度达到了82.00%，比原始模型提高了3.3%，比传统模型Faster R-CNN、YOLOv5分别提高了6.20%、7.71%。     

一种基于极点配置稳定的新型局部递归神经网络

针对局部全局前馈递归动态神经网络的稳定性问题提出了一种新的采用极点配置稳定方法的局部递归全局前馈(Locally recurrent global forward, LRGF)神经网络. 由于动态神经元的极点有存在于实轴上和一对共轭复数极点两种情况, 为了避免神经元无限脉冲响应滤波器(Infinite impulse response filter, IIR)的系数投影到稳定区域的复杂性, 构造的神经网络将动态神经元分成实数极点IIR和共轭复数极点IIR两部分, 通过函数权值的方法将这两部分加权输出.同时针对这种新的神经网络采用了梯度下降的学习算法. 通过仿真对本文提出的神经网络的可靠性和有效性进行验证,并分析这种新的神经网络在稳定投影计算上的复杂度.