弱标签声音事件检测的空间-通道特征表征与自注意池化

深度神经网络声音事件检测方法需要大量标记声音事件类别和起止时间的强标签音频样本,然而强标签标注非常困难和耗时.弱标签声音事件检测是解决这一困难的有效途径.本文将弱标签声音事件检测作为多实例学习问题,并基于卷积循环神经网络提出弱标签声音事件检测的空间-通道特征表征与自注意池化方法 .该方法研究多实例弱标签声音事件检测的特征表征和帧级预测结果池化两个方面的内容.在特征表征方面,为了增强卷积神经网络的特征表征能力,结合上下文门控和通道注意机制构建门控注意力结构并嵌入到卷积循环神经网络中,实现了音频样本特征的空间和通道特征选择;在预测结果池化方面,引入自注意思想设计音频帧预测结果的自注意池化方法,增强了音频样本中事件帧之间的相关度,使事件帧获得更大的权重.本文方法通过对卷积循环神经网络特征表征和预测结果池化的革新,有效提升了模型的检测性能.本文提出的方法在DCASE 2017任务4和DCASE 2018任务4数据集的评估集中分别取得了52.47%和31.00%的F1得分,性能优于当前绝大部分的弱标签声音事件检测方法 .实验结果表明：本文提出的空间-通道特征表征与自注意池化方法能显著改善弱标签声...     

基于域自适应的红外图像去噪算法

在红外图像去噪任务中,由于真实的红外噪声图像难以大量获取,而使深度学习算法高度依赖于人工合成噪声,无法很好地去除真实的红外噪声。本文提出一种基于域自适应的红外图像去噪算法,包括一个图像转换模块和两个图像去噪模块。首先利用图像转换模块将合成红外噪声图像和真实红外噪声图像相互转换,然后将转换后的图像和原图像作为去噪模块的训练数据,采用一致性损失函数使两个图像去噪模块产生一致的结果,最后将训练后的去噪网络框架用于红外图像去噪任务。实验表明,本文提出的算法与BM3D、DnCNN和ADNet算法相比在合成红外噪声数据集上有更高的指标数值和更好的视觉效果,在真实红外噪声数据集上有同样优秀的去噪效果。证明了该算法具有良好的泛化能力,能够在真实噪声下恢复清晰的红外图像。     

工件特征在机测量的关键误差分析与补偿研究

针对激光在机测量工件特征时的测量精度问题,对测量系统的关键误差影响因素及补偿应用进行了研究。使用激光位移传感器作为测量工具对工件特征进行在机测量时,测量结果受激光位移传感器倾斜误差和数控机床几何误差影响。为了校正激光位移传感器在物面倾斜时引起的测量误差,设计了倾斜误差试验,利用勒让德多项式对倾斜误差进行了建模和补偿,补偿后倾斜误差可减小至±0.025 mm以内。针对不动式激光在机测量时数控机床线性轴几何误差对测量结果的影响,设计了球杆仪倾斜安装试验,利用参数化建模的方式对X轴和Y轴的几何误差进行了解耦。最后根据建立的倾斜误差与几何误差模型,对工件特征的在机测量结果进行了补偿。结果表明,对工件特征在机测量结果进行误差补偿后,线性尺寸测量误差小于0.05 mm,角度测量误差小于0.08°,相较于补偿前在机测量精度明显提高。     

基于SURF-HOG与显著性特征的红外可见光图像配准融合北大核心CSCD

针对现有红外与可见光图像配准不精确,边缘及细节纹理缺失,融合时间较长,不能突出重点目标等不足,提出一种基于SURF-HOG描述符与红外显著性特征的红外与可见光图像融合方法。首先,在红外与可见光图像配准阶段,在SURF(Speed-Up Robust Features,SURF)框架内构建基于HOG(Histogram of Oriented Gradient,HOG)的特征点描述符,并通过NNDR(Nearest Neighbor Distance Ratio,NNDR)进行红外与可见光图像的特征点匹配;其次,在显著特征提取阶段,先通过四叉树算法对源红外图像分解,然后通过贝塞尔插值法重建红外图像背景,接着分别对红外图像中的背景及目标进行自适应抑制以提取目标红外显著性特征;最后,结合已配准的可见光图像与重建后的红外图像以获取最终融合结果。实验结果表明,所提方法对不同场景下的红外与可见光图像具有较高的配准精度,不同场景下的融合结果不但主观视觉上具有显著的目标特征,同时背景纹理和边缘细节清晰,整体对比度适宜,运行时间最短,并且在客观评价指标上也取得了较好的效果。     

融合曲率信息的点云配准方法

针对点云配准时受原始位姿局限及配准效率、鲁棒性低的问题,提出一种融合曲率信息的点云配准方法。首先,将海量点云进行重心邻近点体素下采样,采用融合曲率信息的提取算法提取特征点;其次,通过三维形状上下描述符进行特征描述并利用改进的随机抽样一致性算法进行粗配准;最后,在具有较好位姿的情况下采用Symm-ICP进行精配准。试验结果表明,该算法对于不同位姿的点云数据均保持较高的配准精度。本文提出的算法配准效率优于其他算法,并具有较好的鲁棒性。     

基于深度学习的激光干扰成像评估方法

可见光主动成像系统被广泛应用于成像侦察领域,激光压制干扰是一种可以利用的反制手段。合理地对激光干扰效果进行评估,对于干扰一方具有重要意义。为了更客观地评价激光干扰对成像侦察的影响,从可见光成像侦察的特点出发,对激光干扰可见光成像效果进行划分,确定了干扰效果评估需求。建立了可见光图像的激光干扰效果评估模型,结合基于YOLOv4的目标检测置信度及WFSIM算法的三个图像特征表征指标,形成了对应的评估体系。构建了一套参数可调的激光干扰图像采集及评估分析实验系统,对人体目标进行图像采集,验证了提出的评估体系及方法。     

引入特征交互的红外与可见光图像自适应融合北大核心CSCD

在图像融合领域,现有的基于卷积神经网络(CNN)或Transformer架构的方法存在两个局限性:首先,浅层纹理特征与深层语义特征之间无法有效聚合;其次,红外与可见光特征的权重比例无法自适应变化。本文提出一种引入特征交互的红外与可见光图像自适应融合方法。首先,构建一种基于Transformer的特征交互模块,聚合跨尺度特征信息,增强特征表达能力。其次,设计一种融合模块,自适应地调整特征权重比例。所提出的融合方法通过两阶段训练策略完成。第一个阶段,应用创新的特征交互概念训练编码器,增强特征表达,重建特征图像。第二个阶段,基于设计的权重自适应调整模块训练红外与可见光特征融合任务。公开数据集的实验结果表明,与现有方法相比,本方法在主观和客观的评价方面均优于其他典型方法。     

结合局部增强与反向残差的点云语义分割网络北大核心CSCD

激光点云是3D传感器的输出,且对它的语义分割任务是理解真实世界的基础。基于图卷积的点云分割网络在许多场景下都展现了优异的性能。然而,现有的图卷积方法存在部分问题:点云局部表示的能力未得到加强,忽略了全局几何信息,并且聚合操作只保留局部最大响应值信息,而次最大值信息丢失。为了处理这些问题,本文提出GRes-Net网络。利用局部几何加强(Local Geometry Augment,LGA)模块,使网络对Z轴具有旋转不变性,以便加强点云局部信息表示;采用全局几何特征(Global Geometry Feature,GGF)模块,计算局部与全局的球体体积比,将其与坐标特征X进行连接,使全局几何信息特征得以保留;通过多个对称聚合操作将局部信息多方面地保留;网络中每层都使用残差操作,将上一层信息传递到下一层,以及利用反向残差模块(Reversed Residual MLP,RevResMLP)挖掘更深层次的语义信息。本文在S3DIS数据集上进行语义场景分割实验,验证网络分割的性能。实验结果表明该方法在分割精度上达到61%,相比于基准网络DGCNN提高14%,有效地提高了模型性能。     

一种扇区投影和滑窗连线的特征提取方法

针对点云特征线提取中不均匀点、不明显特征点和特征线断裂的问题,提出了一种扇区投影和滑窗连线的特征提取方法。该方法首先对点云进行全局密度分析,计算平均点间距,然后采用扇区投影法统计扇区内邻近点的分布情况,由分布情况确定点云模型边界点,进而计算局部三角形法线,根据法线突变情况判断尖锐折边点,在扇区投影的基础上延伸局部探线,根据不同的探线类型制定判断非尖锐折边点的相关策略,最后基于滑窗连线的方法,将无序特征点有序连接,得到光滑特征线。实验证明,该方法可以较完整地提取模型的特征线,同时具有一定的抗噪能力。对比其他两种方法,本文方法对模型中的弱特征更敏感,提取效果相对较好。     

能量耦合模型的飞秒激光烧蚀面齿轮形貌研究北大核心CSCD

飞秒激光精微加工面齿轮材料18Cr2Ni4WA是去除材料的先进制造方法。本文依据烧蚀凹坑的深度与宽度和激光能量密度的关系得到材料的烧蚀阈值和影响重叠率的因素。考虑齿轮材料成分间互温感应效应与多脉冲激光累积效应,建立材料的能量复耦合模型。通过改变激光能量密度和脉冲数,研究飞秒激光烧蚀凹坑及齿面形貌表面的变化规律,得出脉冲数对烧蚀效果影响小,激光能量密度为1.730 J/cm2激光功率为1.9 W脉冲数N=3000进行烧蚀效果最好可得到最优的实际烧蚀面深度为17.604μm。