具有语义相关性的文本、图像数据往往具有互补性，可以从不同角度增强语义理解，因此，图文语义关系挖掘是图文数据得以充分利用的关键。为解决图文数据深层语义关系挖掘不充分、检索阶段预测不精准的问题，本文提出了一种局部-全局特征引导的多级关系分析与挖掘方法。采用多头自注意力机制的Transformer建模图像关系，构建图像引导的文本注意力模块，挖掘图像区域和全局文本间的细粒度关系，融合局部-全局特征有效增强图文数据的语义关系。为验证本文方法，在Flickr30K、MSCOCO-1K和MSCOCO-3K数据集上进行实验，并与VSM、SGRAF等13种方法进行对比分析，本文方法中以文索图的召回率平均提升了0.62%,以图索文的召回率平均提高了0.5%,实验结果验证了本文方法的有效性。
为了提高室内定位算法的精度,本文融合Wi-Fi和蓝牙两种信号源,提出了一种结合粗定位和众包校正的适用于多用户环境的室内定位算法.该定位算法分为离线和在线两个阶段,离线阶段的主要任务是构建多个指纹库,在线阶段的主要任务是进行粗定位和众包校正.粗定位分别利用Wi-Fi接收信号强度指示和蓝牙接收信号强度指示计算用户的粗略位置和用户间的距离;众包校正包括聚类校正和虚拟空间校正两个部分,它利用用户间的距离和用户组的位置分布提高定位精度.在UJIIndoorLoc和IPIN2017-CAR数据集上进行验证,实验结果表明,提出的定位算法将平均定位误差分别降至 4.96 m和 4.35 m.
针对结构化道路环境下智能汽车在紧急避障过程中的局部路径规划问题,提出一种融合风险势场的离散优化局部路径规划方法.采用离散优化的路径规划框架,基于路径采样与局部Frenet坐标系生成一组有限的候选路径;综合考虑路径的安全性、偏移量和连续性,构建代价函数对候选路径进行评价,根据评价结果选出最优路径,引导车辆完成对障碍物的规避.针对路径的安全性,基于势场理论分别建立道路和障碍物的风险势场,结合离散高斯方法设计路径安全代价函数.构建多种复杂交通场景并进行仿真实验验证,结果表明:所提出的局部路径规划方法能够实时为车辆规划出一条安全、可行的路径,有效实现对静止和移动障碍物的规避.
三维点云分割是点云处理的一项关键任务,其作为场景理解的重要步骤,在机器人、自动驾驶等多个领域中得到了愈发广泛的应用和关注.本文针对点云具有的无序性和变密度等难点,使用核点卷积算子和点云展平卷积算子构造了相互增强的双路径特征提取网络.结合预处理模块、残差式特征融合模块及空间、通道注意力模块以编码器-解码器式的架构,提出了可以实现点云分类和分割的双任务神经网络算法.在ModelNet40分类数据集和S3DIS、SemanticKITTI分割数据集上进行实验,与当前最新算法的精度对比显示,所提算法在点云分类和分割任务上具有先进性能.另外,消融实验的结果证明了本文所提出的双路径特征提取网络与注意力模块结合的有效性和可行性.
为了应对视频监控和社交网络分享等真实场景中深度神经网络对图像信息的过度挖掘,提出了一种稀疏对抗攻击样本的生成方法,旨在对抗深度神经网络,致其错误分类,无法完成后续未授权任务.对扰动像素数量、扰动幅度以及扰动位置等多个目标进行优化,并基于抽样方案简捷高效地生成对抗样本.与其他 5 种相关方法对比了对抗成功率、扰动像素数量、扰动幅度、扰动位置和优化效果等指标,并根据扰动像素的分布情况分析了目标模型的分类空间特征.通过迁移测试和在目标检测任务中的应用,对本文算法的泛化能力和实用性进行了评估.实验结果表明,算法在扰动率不超过 1%的情况下,依然可以保证对深度神经网络的有效对抗,并显著优化了扰动像素幅度及扰动位置,对原始图像的破坏性更小,扰动更加不易感知.算法具有良好的泛化性和实用性.
