为了解决单一跟踪器无法有效应对复杂背景及目标外观的显著变化, 对于热红外目标跟踪准确度不高的问题, 基于全卷积孪生网络提出了一种多响应图集成的跟踪算法用于热红外跟踪。首先, 使用预训练的卷积神经网络来提取热红外目标的多个卷积层的特征并进行通道选择, 在此基础上分别构建 3个对应的跟踪器, 每个跟踪器独立执行跟踪并返回一个响应图。然后, 利用 Kullback–Leibler(KL)散度对多个响应图进行优化集成, 得到一个更强的响应图。最后利用集成后的响应图来确定目标位置。为了评估所提算法的性能, 在当前最全面的热红外跟踪基准 LSOTB-TIR(Large-Scale Thermal Infrared Object Tracking Benchmark)上进行了实验。实验结果表明, 所提算法能够适应复杂多样的红外跟踪场景, 综合性能超过了现有的红外跟踪算法。

为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能, 提出一种基于特征选取的模糊局部信息C均值聚类算法。在现有的模糊局部信息C均值聚类算法基础上, 对其目标函数的局部邻域约束项添加邻域隶属度约束, 并将特征选取的思想引入该目标函数, 并利用KL散度作为正则项因子, 获得一种新的鲁棒模糊聚类算法。对算法迭代所获得的像素隶属度进行局部中值滤波, 再采用最大隶属度准则实现像素归类得到最终分割结果。实验结果表明, 文中算法相比现有的FLICM算法具有更好的分割性能和抗噪鲁棒性。

超精密加工工件表面存在影响其性能的各种空间频率误差,针对工件的不同性能研究,需要采用有效分解手段对含有特定频段空间频率误差的形貌进行提取。传统的空间频率误差分解方法存在严重的模态混叠现象,为了解决这一问题,提出自适应二维变分模态分解(BVMD)算法对三维表面形貌进行分解。首先,由于采集三维形貌数据时会造成截断误差,引入镜像延拓和自卷积Hanning窗方法对数据进行预处理。然后,利用粒子群退火优化算法,对BVMD算法中的惩罚系数和分解层数进行寻优处理。其中,以各模态分量之间的频谱KL散度作为混叠指标,引入最小风险贝叶斯决策理论,综合KL散度与重构误差,构建优化算法适应度函数。最后,对超精密加工实测表面形貌进行分析,并与离散小波分解、二维经验模态分解方法相比较。结果显示,所提方法分解的KL散度值在10 2量级,远高于其他两种方法,能更好抑制模态混叠,实现超精密加工表面空间频率误差的有效分解。

提出一种可用于改进图像超分辨率重建质量的双判别器超分辨率重建网络(DDSRRN)。该网络在生成式对抗网络(GAN)的基础上增加一个判别器,将Kullback-Leibler(KL)和反向KL散度组合成一个统一的目标函数来训练两个判别器,利用这两种散度的互补统计特性,能在多模式下分散预估计密度,从而避免重建过程中网络模型的崩溃问题,提高模型训练的稳定性。针对模型损失函数的设计部分,首先使用Charbonnier损失函数来构建内容损失,利用网络中间层的特征信息来设计感知损失和风格损失,最后为缩减图像重建时间,在网络结构中引入反卷积来完成图像重建操作。实验结果表明本文方法在主观视觉上具有丰富的细节,获得了更好的主观视觉评价和客观量化评价,网络泛化能力好。