作者单位
摘要
1 中国科学院光电技术研究所,成都 610200
2 中国科学院大学 电子电气与通信工程学院,北京 101408
基于孪生网络的跟踪器受限于孪生网络跟踪框架固有的跟踪机制和搜索区域选择机制,当目标处在被遮挡、快速运动和出视野等困难场景下时,如何稳定、鲁棒地进行目标跟踪始终是孪生网络跟踪器亟需解决的问题。为此,文章提出一种结合光流的孪生区域提名网络目标跟踪算法(GOF-SiamRPN)。通过全局光流对目标的运动趋势信息进行补充,该方法可以有效地解决在这些困难场景下的跟踪问题。在VOT2019和UAV123上的实验结果表明,相比基准方法,该算法分别取得了2.0%和1.8%的性能提升。与其他先进的跟踪器相比,该算法也取得了有竞争力的跟踪效果。
目标跟踪 光流 孪生区域提名网络 object tracking optical flow Siamese region proposal network 
半导体光电
2023, 44(3): 422
程稳 1,2,3陈忠碧 2,*李庆庆 2李美惠 2[ ... ]魏宇星 2
作者单位
摘要
1 中国科学院光场调控科学技术全国重点实验室,四川 成都 610209
2 中国科学院光电技术研究所,四川 成都 610209
3 中国科学院大学电子电气与通信工程学院,北京 100049
多目标跟踪 时空特征 ConvGRU 时间一致性 特征对齐 multiple object tracking spatial-temporal feature ConvGRU time consistency feature alignment 
光电工程
2023, 50(6): 230009
陈龙 1,2张建林 1,*彭昊 1,2李美惠 1[ ... ]魏宇星 1
作者单位
摘要
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 
光电工程
2023, 50(4): 220232
作者单位
摘要
1 大亚湾核电运营管理有限责任公司, 广东 深圳 518124
2 苏州热工研究院有限公司, 江苏 苏州 215004
采用激光同轴送粉技术制备Stellite6钴基熔覆层, 通过正交试验、单层单道、单层多道和多层多道工艺试验优化激光熔覆工艺参数。利用扫描电子显微镜、光学显微镜、X射线衍射仪表征了熔覆层显微组织结构, 同时分析了微观硬度和耐摩擦磨损性能。结果表明, 以熔覆层稀释率、成形系数和显微硬度为优化目标参数, 可有效筛选激光熔覆Stellite6涂层制备工艺。所制备Stellite6涂层组织均匀, 熔合线附近为平面晶, 涂层中部区域为树枝晶, 顶部区域为等轴晶。熔覆层物相由fcc-Co、(Co,W)3C与Cr23C6等组成, 平均硬度为457 HV。熔覆层耐摩擦磨损性能优于316L不锈钢基体, 其主要磨损机制为磨粒磨损。
激光熔覆 Stellite6涂层 微观组织 工艺优化 硬度 摩擦磨损 laser cladding Stellite6 alloy coating microstructure parameter optimization microhardness friction and wear 
应用激光
2023, 43(2): 11
彭昊 1,2王婉祺 1,2陈龙 1,2彭先蓉 1,*[ ... ]李美惠 1
作者单位
摘要
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,北京 100049
针对少量样本条件下模型易过拟合、目标错检与漏检问题,本文基于TFA (two-stage fine-tuning approach)提出了一种在线推断校准的小样本目标检测框架。该框架设计了一种全新的Attention-FPN网络,通过建模特征通道间的依赖关系选择性融合特征,结合分级冻结的学习机制引导RPN模块提取正确的新类前景目标;同时,构建了一种在线校准模块对样本进行实例分割编码,对众多候选目标进行评分重加权处理,纠正误检和漏检的预测目标。结果表明,所提算法在VOC数据集Novel Set1中,五个任务的平均nAP50提升10.16%,在性能上优于目前的主流算法。

小样本目标检测 Attention-FPN 特征通道 分级冻结 在线校准 RPN few-shot object detection attention-FPN feature channels hierarchical freezing online calibration RPN 
光电工程
2023, 50(1): 220180
李杰 1,2,3亓波 1,2,3张建林 2,3
作者单位
摘要
1 中国科学院光束控制重点实验室, 成都 610209
2 中国科学院光电技术研究所, 成都 610209
3 中国科学院大学, 北京 100049
针对现有单人姿态估计网络结果缺乏可靠性评估和鲁棒性保障等问题, 提出了一种基于偶然不确定性的测试时增强方法。该方法首先利用随机并行的数据增强和模型推理得到多样化输出, 随后通过计算该输出的偶然不确定性得到其可靠性评估, 最后根据可靠性将该输出及其不确定性进行加权融合以得到更准确鲁棒的结果及其评估。在MPII数据集上的实验表明, 该算法可即插即用地应用于任意现有单人姿态估计网络, 从而得到更精确鲁棒的结果及其不确定性评估。
单人姿态估计 关键点检测 偶然不确定性 测试时增强 single human pose estimation key points detection aleatoric uncertainty testing-time-augmentation 
半导体光电
2022, 43(5): 968
作者单位
摘要
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
为提高单应性估计的准确性和解决真实标注难获取的问题, 提出一种具有修正功能的无监督单应性估计算法。该算法采用级联结构, 其思想类似于迭代, 其中每一级网络都保持相同的层数和参数量, 下一级网络输出的单应性矩阵为真实矩阵与之前输出单应矩阵和的残差。考虑到模型复杂度和实时性的需求, 文章采用两级网络级联。通过在COCO数据集中的5000张图片上进行验证, 结果表明, 相比传统方法和其他基于深度学习的方法, 所设计的级联无监督算法具有更准确的估计能力, 其在测试集中的平均像素误差为0.54, 较传统方法下降95.38%, 运行速度达到95f/s。
单应性估计 无监督学习 级联结构 回归网络 深度学习 homography estimation unsupervised learning cascade structure regression network deep learning 
半导体光电
2022, 43(1): 158
作者单位
摘要
1 中国科学院光电技术研究所, 成都 610209
2 2. 中国科学院大学, 北京 100049
针对红外与可见光图像尺度差异大、图像较模糊,且图像中可提取的特征点数量不足以及特征分布不均匀易导致现有配准算法失效的情况,提出一种结合滚动引导滤波和相位信息的红外与可见光图像配准方法。利用滚动引导滤波构建尺度空间,在不增加耗时的前提下尽可能保持图像边缘信息; 提出一种改进的Shitomasi角点检测算法,提取具有尺度不变性且分布均匀的强角点; 在特征描述阶段,给出一种新的加权函数进行频率扩展,以得到更显著的相位一致性信息,实现更准确的图像特征描述。实验结果表明,该配准方法对存在9倍尺度差异的红外与可见光图像仍能实现准确配准,且对多组图像对的配准RMSE误差均保持在2像素之内。
红外与可见光图像配准 滚动引导滤波 改进Shitomasi角点检测算法 相位一致性 infrared and visible image registration rolling guidance filter improved Shitomasi algorithm phase congruency 
半导体光电
2021, 42(5): 726
李飚 1,2,3,4徐智勇 1,3王琛 5张建林 1,3[ ... ]樊香所 6
作者单位
摘要
1 中国科学院光电技术研究所,四川 成都 610209
2 电子科技大学光电科学与工程学院,四川 成都 611731
3 中国科学院大学,北京 100049
4 中国科学院光束控制重点实验室,四川 成都 610209
5 航天系统部装备部军代局成都室,四川 成都 610041
6 广西科技大学电气与信息工程学院,广西 柳州 545006
由于红外弱小目标尺度小、能量弱,所以抑制背景以增强目标使后期检测跟踪性能得到保障是关键的目标检测技术环节。为了提高梯度倒数滤波算法对杂波纹理的抑制能力,减少差分图像中残留纹理对目标的干扰,本文提出了自适应梯度倒数滤波算法(AGRF)。AGRF 算法通过分析背景区域、杂波边缘纹理、目标的分布特性和统计数字特征来确定邻域像素间相关性的自适应联合判定阈值和自适应相关度系数函数,然后联合相关度系数函数和梯度倒数系数来确定自适应梯度倒数滤波器的元素值。实验结果表明,在具有相同目标增强性能的前提下,AGRF 算法相比传统梯度倒数滤波算法对杂波边缘纹理的敏感度明显降低。相比九种对比算法,AGRF 算法能够在背景抑制和目标增强这两者之间取得更好的性能平衡。
红外弱小目标 背景抑制 梯度倒数滤波 边缘纹理 infrared dim small target background suppression gradient reciprocal filtering clutter texture 
光电工程
2021, 48(8): 210122
魏子然 1,2,3杨威 1张建林 1,3徐智勇 1,3[ ... ]盛杰 4
作者单位
摘要
1 中国科学院光电技术研究所 光束控制重点实验室, 成都 610209
2 电子科技大学 光电科学与工程学院, 成都 610054
3 中国科学院大学, 北京 100049
4 中国民用航空飞行学院, 四川 广汉 618307
基于压缩感知和单像素成像的基本原理, 设计了一种用于图像超分辨率重建的新型深度卷积神经网络架构。这种单像素超分辨率成像算法成功地将深度学习图像超分辨率重建技术与压缩感知单像素成像技术相结合, 从而发展出一种全新的深度学习单像素成像优化方法。与传统的常规压缩感知图像重构算法相比, 该算法有效提升了图像超分辨率重建精度和单像素成像质量。通过图像重建的仿真实验和单像素相机的成像实验验证, 结果表明这种基于深度学习的新型单像素相机成像方式具有良好的性能表现。
单像素成像 压缩感知 深度学习 超分辨率 图像重构 single pixel imaging compressed sensing deep learning super-resolution image reconstruction 
半导体光电
2021, 42(3): 412

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!