杭州电子科技大学自动化学院，浙江 杭州 310018
针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。
遥感 高光谱解混 卷积自编码器 通道注意力机制 双流结构 激光与光电子学进展
2024, 61(4): 0428008
Author Affiliations
Abstract
Tianjin Key Laboratory of Optoelectronic Sensor and Sensing Network Technology, Institute of Modern Optics, Nankai University, Tianjin 300350, China
In this article, we use a convolutional autoencoder neural network to reduce data dimensioning and rebuild soliton dynamics in a passively mode-locked fiber laser. Based on the particle characteristic in double solitons and triple solitons interactions, we found that there is a strict correspondence between the number of minimum compression parameters and the number of independent parameters of soliton interaction. This shows that our network effectively coarsens the high-dimensional data in nonlinear systems. Our work not only introduces new prospects for the laser self-optimization algorithm, but also brings new insights into the modeling of nonlinear systems and description of soliton interactions.
fiber lasers optical solitons convolutional autoencoder neural network Chinese Optics Letters
2023, 21(3): 031901
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛125105
2 辽宁工程技术大学研究生院, 辽宁 葫芦岛 125105
针对室内定位技术精度较低及数据量过大影响运算时间等问题,提出基于OCAE-SOM(Optimized Convolutional Autoencoder-Self Organizing Map)的室内指纹定位算法。离线阶段,先将信道状态信息的幅值相位预处理矩阵作为原始输入数据,并调整为RGB(Red, Green, Blue)格式训练卷积自编码器,使其可深度挖掘参考点的指纹特征,采用Adam算法优化CAE算法的参数,既降低数据维度又能提升训练效率;然后采用OCAE-SOM算法训练模型,可以缩短单独训练模型的时间;最后采用Adam算法优化SOM的权重,可较好地保留输出特征间的相关性,避免权重参数出现局部最优。在线阶段,将调整后的测试数据输入到OCAE-SOM算法中,经匹配后可得到输出位置点。实验结果表明,该算法模型在定位时间与精度上显著优于已有算法,具有一定的应用价值。
测量 信道状态信息 室内定位 卷积自编码器 自组织映射 Adam算法 激光与光电子学进展
2021, 58(8): 0812001
1 中国科学院上海微系统与信息技术研究所微系统技术重点实验室, 上海 201800
2 中国科学院大学, 北京 100049
闭环检测算法可消除视觉同时定位与建图(VSLAM)系统的累计误差,并对构建全局一致性地图有重要作用。针对现有传统闭环检测算法在视角与场景外观变化下准确率与稳健性降低,及部分基于深度学习方法特征提取与闭环识别实时性不佳的问题,设计了一种融合Gist特征与卷积自编码的闭环检测算法,将Gist特征作为卷积自编码网络重构目标,可增强模型在外观变化下的场景特征表达能力;同时通过透视变换构造视角变化训练图像对,以提升模型在视角变化下闭环检测的准确率与稳健性。所设计的模型较精简,可实现实时关键帧特征提取与闭环检测。在Gardens Point与Nordland数据集的实验结果表明,相较于传统视觉词袋模型(BoVW)、Gist算法及现有部分深度学习方法,本文算法可以达到更高的准确率和稳健性。
机器视觉 同时定位与建图 闭环检测 卷积自编码 深度学习 激光与光电子学进展
2019, 56(18): 181501
