强激光与粒子束
2024, 36(4): 043013
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
1 电子科技大学电子科学技术研究院四川成都 611731
2 电子科技大学格拉斯哥学院四川成都 611731
事件句的句法结构有助于语义理解。针对中文领域的事件检测任务, 本文设计了面向句义及句法的事件检测模型(BDD)以增强对事件句的理解能力。以基于来自变压器的双向编码器表示 (BERT)的动态词向量为信息源, 设计基于依存树的长短时记忆网络模型(D-T-LSTM)以融合学习句法结构及上下文语义, 并加入基于依存向量的注意力机制强化对不同句法结构的区分度, 在中文突发事件语料库(CEC)上的实验证明了本文模型的有效性, 精确率、召回率、F1值均靠前, 且 F1值比基准模型提升了 5.4%, 召回率提升了 0.4%。
事件检测 来自变压器的双向编码器表示 基于依存树的长短时记忆网络模型 基于依存向量的注意力机制 event detection Bidirectional Encoder Representations from Transfo Dependency-Tree-LSTM(Long Short-Term Memory Networ D-Attention 太赫兹科学与电子信息学报
2023, 21(12): 1464
1 长春光学精密机械与物理研究所, 吉林 长春 130000
2 中国科学院大学, 北京 100000
针对紫外-可见光谱定标精度需求,设计了一款波段范围在185~900nm的三光栅单色仪; 为提高单色仪的波长扫描精度,降低高精度波长扫描机构在工程上的成本。建立了光栅转角误差对扫描机构波长精度的影响模型,设计了基于高精度编码器的转角误差补偿装置,通过软件不同参数设置和算法设计的补偿算法,实现了波长扫描机构的精度校正; 实验结果表明,通过参数算法补偿后,扫描机构的波长准确性精度和波长重复性精度在工作波段范围内有所提高,不同波长下其精度的提高程度不同,其中,波长准确性精度提高比范围为20.8~35.2%,波长重复性精度提高比范围为61.5~95.2%。实验结果验证了误差补偿装置及补偿算法的有效性,提高了波长扫描机构的精度,降低了高精度波长扫描机构在工程应用上的成本。
单色仪 波长扫描机构 高精度编码器 补偿算法 monochromator wavelength scanning mechanism high precision encoder compensation algorithm
光子学报
2023, 52(11): 1110003
1 北京机电工程总体设计部, 北京 100005
2 北京化工大学信息科学与技术学院, 北京 100029
针对如何充分提取和融合红外与可见光图像典型特征的问题, 提出一种基于空间多尺度残差网络的图像融合算法。首先, 将源图像输入基于空间多尺度残差模块组成的编码器网络, 通过源图像重建任务, 训练编码器自动获取重要特征信息的能力;然后, 引入特征金字塔结构, 设计了特征通道自注意力机制, 编码器输出的基础层和细节层进行融合, 减小尺度噪声, 并由解码器重构出融合图像;最后, 利用公开数据集进行定性和定量实验, 证明了改进算法在突出红外图像目标和保留可见光图像纹理细节两方面的优势, 相比于DDcGAN算法, 新算法的标准差和平均梯度分别提升了12.91%和47.41%。
图像融合 自动编码器 空间多尺度残差模块 通道自注意力 image fusion auto-encoder spatial multi-scale residual module channel self-attention 大气与环境光学学报
2023, 18(5): 469
1 中国石油大学(华东)海洋与空间信息学院,山东 青岛 266580
2 中国石油大学(华东)计算机科学与技术学院,山东 青岛 266580
为了充分利用高光谱图像的空间和光谱信息,同时缓解训练样本不足的问题,提出一种融合空谱特征的半监督高光谱异常检测模型。首先使用无监督聚类自动构建空谱背景数据集用于网络的训练。然后构建基于自动编码器和生成对抗网络的空谱双路模型分别用于背景光谱特征的学习和波段信息的重建,空间支路同时使用滤波器增大背景和异常间的差异,两路分别得到光谱异常分数和波段异常值。最后融合空谱特征得到异常检测图。在真实高光谱图像上验证该方法的有效性,实验结果表明,该方法优于传统的异常检测方法,平均检测精度达到99.55%。
高光谱图像 空谱融合 异常检测 自动编码器 生成对抗网络 激光与光电子学进展
2023, 60(20): 2028001
红外与激光工程
2023, 52(3): 20220378
1 华南理工大学 软件学院,广东广州50006
2 华南理工大学 自动化科学与工程学院,广东广州510641
3 中国科学院 力学研究所,北京100190
点云的无监督表征学习对于理解和分析点云至关重要,基于三维重建的自动编码器是无监督学习中的重要架构。针对现有的自编码器存在旋转干扰和特征学习能力不足的问题,本文提出一个旋转不变的2D视图-3D点云自编码器。首先,设计局部融合全局的旋转不变特征转换策略。对于局部表示,利用手工设计特征对输入点云进行转换,生成旋转不变的点云表征;对于全局表示,提出一个基于主成分分析(Principal Component Analysis, PCA)的对齐模块,将旋转点云对齐同一姿态下,在补充全局信息的同时排除旋转干扰。然后,在编码器设计局部和非局部特征提取模块,充分提取点云的局部空间特征和非局部上下文相关性,并建模不同层次特征之间的语义一致性。最后,提出一个基于PCA对齐的2D-3D 重构的解码方法,重建对齐后的三维点云和二维视图,使编码器输出的点云表征集成来自3D点云和2D视图的丰富学习信号。实验结果表明:本算法在随机旋转的合成数据集ModelNet40和真实数据集ScanObjectNN上的识别精度分别为90.84%和89.02%,学习的点云表征在没有任何标签监督的情况下实现了良好的可辨别性,并且具有较好的旋转鲁棒性。
三维点云 自编码器 表征学习 旋转不变性 three-dimensional point cloud auto-encoder representation learning rotational invariance