光学 精密工程
2023, 31(19): 2884
1 西安工业大学 光电工程学院，陕西 西安 710021
2 西安工业大学 计算机科学与工程学院，陕西 西安 710021
为了解决单色视频和彩色视频的全自动高精度配准问题，设计了针对视频配准的首帧及后续帧配准方法，在保证配准速度的同时提高了配准精度。对于首帧，首先在尺度不变特征变换（SIFT）基础上，基于双摄像头的特点进行了改进，进而对单色视频和彩色视频进行了粗配准，增加了粗配准矩阵的获取稳定性和精确性；随后根据粗配准矩阵系数，使用尺度金字塔模式对单色视频和彩色视频的配准矩阵进行了配准修正。对于视频中的后续帧，采用具有步长金字塔的平移修正方法，对首帧中得到的修正配准矩阵进行再利用，并通过平移修正方法弥补了由不确定时差波动和相机摆动带来的平移误差，最终提高了单色视频和彩色视频的配准效率和配准精确度。实验结果表明，对于640×480大小的单色视频和彩色视频，本文算法相比传统SIFT算法将首帧配准均方根误差减少了0.79%，首帧标记点误差由约为1像素缩小到不可察，且连续视频帧的平均配准时间为0.357 s，同时仍然保持标记点误差不可察，较好地满足了单色视频和彩色视频配准的全自动、精度高、速度快、鲁棒性强等要求。
计算机视觉 视频配准 时空相似性 高精度修正 computer vision video alignment spatio-temporal similarity high-precision correction
国网河北省电力有限公司营销服务中心，河北石家庄 050000
电力线载波通信面向广泛的设备对设备的数据交互和通信应用，具有免于部署，易于直连通信的优势，成为一种有效快捷的新型通信方式。但在使用中经常由于通信拥塞或电力干扰，造成各种通信故障，故需要高效的恢复机制保证数据可靠传输。本文引入多标记交换协议 (MPLS)技术，设计了一种新型的电力线载波通信可区分故障恢复算法 Diff_RECV，在考虑不同生存性服务质量(QoS)要求的同时，将保护恢复机制和重路径恢复机制结合，实现了区分流量保护与恢复。通过实验验证，所提出的 Diff_RECV算法能够全部恢复故障业务流量，并且比扩散法有更高的恢复速度。
电力线载波通信 故障恢复 服务质量 自相似性 power line carrier communication fault recovery Quality of Service self similarity 太赫兹科学与电子信息学报
2023, 21(8): 997
1 青岛科技大学信息科学技术学院, 山东 青岛 266061
2 江西中烟工业有限责任公司信息中心, 江西 南昌 330096
3 中国海洋大学信息科学与工程学部, 山东 青岛 266100
近红外光谱具有高维、 高冗余、 非线性的特性, 严重影响了样本之间的相似性度量的精准, 故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。 基于流形学习算法思想, 利用高斯分布将高维数据的距离转换为概率分布, 使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。 将高维数据的概率分布嵌入映射至低维度空间, 重构低维流形结构, 引入Wasserstein散度度量两个空间内概率分布的差异, 通过降低散度值来提高两个分布的相似度, 以此来实现高维数据降维处理。 为验证Wt-SNE算法的有效性, 首先对烟叶近红外光谱数据进行降维投影, 并与PCA、 LPP、 t-SNE算法比较, 结果表明Wt-SNE算法降维后的数据, 在低维空间内样本类别边界更加明显。 其次, 采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测, 准确率分别为93.8%、 91.5%、 92.7%, 表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。 最后, 选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换, 根据备选样本与目标样本之间的马氏距离选取替换样本。 实验表明, Wt-SNE选取的替换烟叶与目标烟叶相似度最高, 烟碱、 总糖等化学成分含量与目标烟叶差异较小, 香气、 烟气、 口感得分表现出较高的一致性。 该方法能够有效度量烟叶近红外光谱之间的相似性, 为卷烟叶组配方的维护提供有力的依据。
近红外光谱 数据降维 t-SNE算法 Wasserstein散度 相似性度量 Near-infrared spectrum Data dimension reduction t-SNE algorithm Wasserstein divergence Similarity measurement 光谱学与光谱分析
2023, 43(12): 3806
1 中国科学院光电技术研究所，四川 成都 610209
2 中国科学院大学电子电气与通信工程学院，北京 100049
To improve the performance of few-shot classification, we present a general and flexible method named Multi-Scale Attention and Domain Adaptation Network (MADA). Firstly, to tackle the problem of limited samples, a masked autoencoder is used to image augmentation. Moreover, it can be inserted as a plug-and-play module into a few-shot classification. Secondly, the multi-scale attention module can adapt feature vectors extracted by embedding function to the current classification task. Multi-scale attention machine strengthens the discriminative image region by focusing on relating samples in both base class and novel class, which makes prototypes more accurate. In addition, the embedding function pays attention to the task-specific feature. Thirdly, the domain adaptation module is used to address the domain shift caused by the difference in data distributions of the two domains. The domain adaptation module consists of the metric module and the margin loss function. The margin loss pushes different prototypes away from each other in the feature space. Sufficient margin space in feature space improves the generalization performance of the method. The experimental results show the classification accuracy of the proposed method is 67.45% for 5-way 1-shot and 82.77% for 5-way 5-shot on the miniImageNet dataset. The classification accuracy is 70.57% for 5-way 1-shot and 85.10% for 5-way 5-shot on the tieredImageNet dataset. The classification accuracy of our method is better than most previous methods. After dimension reduction and visualization of features by using t-SNE, it can be concluded that domain drift is alleviated, and prototypes are more accurate. The multi-scale attention module enhanced feature representations are more discriminative for the target classification task. In addition, the domain adaptation module improves the generalization ability of the model.
小样本图像识别 注意力机制 领域自适应 相似性度量 few-shot image classification attention mechanism domain adaptation similarity metric
陆军工程大学石家庄校区电子与光学工程系, 河北 石家庄 050003
高光谱成像是一种先进的图像获取技术, 其在获得地物空间信息的同时还可以获得地物的光谱信息, 得到“图谱合一”的三维图像数据。 其光谱分辨率高, 光谱曲线近似连续, 可以有效探测用多光谱成像技术中无法探测的地物, 在目标检测、 地物分类与图像压缩等领域取得了广泛的应用。 地物分类的分类结果是专题制图的基础数据, 在**、 农业、 地质等领域有重要地位了良好的效果。 地物分类是指将图像中的像元赋予类别标签, 即将同类地物赋予相同标签, 不同类地物赋予不同标签。 根据分类前是否已经获取目标的光谱信息, 地物分类分为监督分类、 半监督分类和无监督分类。 然而, 地物光谱受成像条件的影响较大, 特别是陆基成像, 不同成像条件的地物光谱会发生一定的改变, 不再具有严格的唯一性, 因此无法根据未知成像条件下的地物光谱数据进行准确分类。 但是同种地物的散射系数(由特定算法获得的散射占比)具有唯一性, 与成像条件或探测方向无关, 不受二向反射特性的影响, 只与地物类型及波长有关, 是一种反映地物本质属性的物理量, 因此可以作为地物的分类依据。 基于陆基成像条件下测量了多种地物的散射系数, 详细描述了散射系数的测量过程并且验证了核驱动模型的拟合能力。 通过对比发现不同地物的散射系数具有较大的差异, 进而提出了利用散射系数进行地物分类的方法。 采用两组数据对该分类方法进行验证, 并分别用投影、 距离、 信息量三种相似性度量指标定量地衡量了分类结果。 实验表明, 同种地物的散射系数几乎一致, 与成像条件无关, 只与地物类型有关, 不同种地物的散射系数各不相同, 利用散射系数可以有效地实现地物分类, 取得了良好的效果。
高光谱成像 陆基条件 散射系数 地物分类 相似性度量 Hyperspectral imaging Land-based conditions Scattering coefficients Ground object classification Similarity measurement
1 中国科学院国家空间科学中心，北京0090
2 中国科学院大学，北京100049
点云配准技术作为点云数据处理中的核心技术，会因为点云质量而影响配准效果，质量好的点云可以提高配准精度、空间模型完整度、即时定位与地图构建系统的性能等，因此评价点云数据质量具有很高的客观价值；而通过传感器获得的点云数据存在系统误差和非系统误差等噪声，因此点云数据处理变得很重要，对点云数据处理效果的评价还没有一个较为客观的方法，本文提出了多维点云结构相似性定量化评价方法。通过将滤波前、后的点云数据和标准点云数据进行对比，分别比较三维坐标轴上所有点坐标的均值、标准差和协方差，再对3个坐标轴上的结构相似性值进行权重分配最终获得三维结构相似关联度，进而对点云滤波、点云稀疏后的点云数据质量进行评价。该方法还对提高配准精度进行了实验验证。经过实验表明，该方法能够评价三维点云的质量，且能够评价不同噪声类型以及处理方法下获得的点云质量，为点云配准提供了参考。该方法不仅对点云预处理和点云质量进行了高效、客观地评价，还提供了一种提高点云配准精度和效率的方法。
点云数据 结构相似性 定量化评价 点云滤波 point cloud data structure similarity quantitative evaluation point cloud filtering
1 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
2 光电控制技术重点实验室, 河南 洛阳 471000
3 中航航空电子有限公司, 北京 100000
4 中国航空工业集团公司西安航空计算技术研究所, 西安 710000
针对多传感器目标识别中证据存在非一致性问题, 提出一种面向目标识别的基于证据置信熵与相似性的多传感器证据融合算法。首先, 利用传感器证据非一致性不确定度与非特异性不确定度, 提出了一种基于置信熵的传感器证据不确定性度量模型; 在此基础上, 结合传感器证据距离与证据冲突, 设计了一种基于置信熵与相似性的传感器证据权重生成方法; 最后, 构建了一种多传感器证据融合模型。仿真结果表明, 所提出的多传感器信息融合方法进行目标识别时, 相较于传统算法具有更好的有效性。
目标识别 多传感器证据融合 证据理论 置信熵 证据相似性 target recognition multi-sensor evidence fusion evidence theory belief entropy evidence similarity
