XiaoMi-AI文件搜索系统
World File Search System目标跟踪
用于对象跟踪的深度脉冲神经网络
摘要 — 脉冲神经网络 (SNN) 是一种生物学上合理的模型，具有高计算能力和低功耗的优点。而深度 SNN 的训练仍然是一个悬而未决的问题，这限制了深度 SNN 的实际应用。在这里，我们提出了一种名为 Spiking SiamFC++ 的深度 SNN 架构，用于通过端到端直接训练进行对象跟踪。具体而言，在时间域上扩展 AlexNet 网络以提取特征，并采用代理梯度函数实现深度 SNN 的直接监督训练。为了检查 Spiking SiamFC++ 的性能，考虑了几个跟踪基准，包括 OTB2013、OTB2015、VOT2015、VOT2016 和 UAV123。发现与原始 SiamFC++ 相比，精度损失很小。与现有的基于 SNN 的目标跟踪器（例如 SiamSNN）相比，所提出的 Spiking SiamFC++ 的精度（连续性）达到 85.24%（64.37%），远高于 SiamSNN 实现的 52.78%（44.32%）。据我们所知，Spiking SiamFC++ 的性能优于现有的基于 SNN 的对象跟踪的先进方法，这为 SNN 在目标跟踪领域的应用提供了一条新途径。这项工作可能会进一步促进 SNN 算法和神经形态芯片的发展。
USV跟踪器
本文介绍了USV-Tracker，这是一种针对用于实用应用（例如地表调查和目标跟踪）的无人层面车辆（USV）的新型跟踪系统。该系统应对三个关键挑战：感知鲁棒性，跟踪隐藏和计划效率。这项工作的贡献是多方面的：（1）使用扩展的卡尔曼滤波器（EKF）的多传感器融合框架来增强目标检测和定位准确性，集成了来自相机，激光镜头，GPS和IMU传感器的数据。（2）一种两阶段的路径计划算法，该算法生成遮挡避免轨迹并采用虚拟弹性力约束来保持适当的相对定位。在密集的障碍环境中，该算法倾向于靠近目标，并结合了FOV取向约束以确保稳定的感知。（3）一种可见性感知的控制策略，可通过基于EKF的轨迹预测来确保持续的目标可观察性。凉亭中的模拟和相应的物理实验验证了系统的有效性和鲁棒性，证明了其在现实世界中的适用性。计算工作负载是在受约束的车载计算机上管理的，强调了系统的实用性。
多模态传感器融合与导航
1. 课程大纲信息 1.1. 课程名称 多模态传感器融合与导航 1.2. 大学 帕兹马尼彼得天主教大学 1.3. 学期 第一年第一学期 2. 课程详情 2.1. 课程性质 集合选修课 2.2. ECTS 学分分配 5 2.3. 教师数据 Horváth András 博士 3. 能力和学习成果 3.1. 课程目标 本课程的主要目标是概述多传感器数据融合和导航中使用的实时算法和架构。本课程的重点是多并行处理和目标跟踪。本课程介绍估计理论、静态、动态线性和非线性情况以及离散和连续系统的必要定义。揭示和解释了卡尔曼滤波器和自举滤波器等常用算法。此外，还介绍了这些算法在实际问题中的局限性和应用。本课程全面介绍了自适应算法解决方案自上而下和自下而上的系统级计算设计知识。研究现代多并行架构中数据流的拓扑和非拓扑分区。
相对航向估计及其在 GPS 拒绝环境中的目标切换中的应用
摘要 — 在本文中，我们解决了两架无法使用全球定位系统的固定翼飞机之间的目标切换问题。该问题需要估计飞行器之间的相对姿势。我们假设机载惯性测量单元可以提供飞机姿态的横滚和俯仰估计。我们研究了完成切换问题所需的其他相对状态的可观测性。具体来说，我们考虑了两种不同的情况。在第一种情况下，我们假设测量了飞机之间的相对位置，就像雷达或激光雷达传感器的情况一样。我们假设两架飞机不交换空速和转弯速率信息。在温和的假设下，我们表明两架飞机之间的相对航向是可观测的。在第二种情况下，我们假设只测量两架飞机之间的方位角，就像视觉传感器的情况一样。我们证明了与目标跟踪和切换相关的机动的状态可观测性。我们还提出了一种估计算法，该算法使用一组扩展卡尔曼滤波器来估计相对状态。全车动态仿真结果证明了所提方法的可行性。索引术语 — 多机器人系统、非线性滤波器、非线性可观测性、姿势估计、无人机。
多传感器 – 多目标 – 仅方位传感器配准
纯方位估计是目标跟踪中的基本问题之一，也是具有挑战性的问题。与雷达跟踪的情况一样，偏移或位置偏差的存在会加剧纯方位估计的挑战。对各种传感器偏差进行建模并非易事，文献中专门针对纯方位跟踪的研究并不多。本文讨论了纯方位传感器中偏移偏差的建模以及随后的带偏差补偿的多目标跟踪。偏差估计在融合节点处处理，各个传感器以关联测量报告 (AMR) 或纯角度轨迹的形式向该节点报告其本地轨迹。该建模基于多传感器方法，可以有效处理监视区域中随时间变化的目标数量。所提出的算法可得出最大似然偏差估计器。还推导出相应的 Cram´er-Rao 下限，以量化所提出的方法或任何其他算法可以实现的理论精度。最后，给出了不同分布式跟踪场景的模拟结果，以证明所提出方法的能力。为了证明所提出的方法即使在出现误报和漏检的情况下也能发挥作用，还给出了集中式跟踪场景的模拟结果，其中本地传感器发送所有测量值（而不是 AMR 或本地轨道）。
非小细胞肺癌中的新型新兴分子靶标
摘要：使用高光谱图像（HSIS）的对象跟踪获得令人满意的结果，以区分具有相似颜色的对象。然而，当目标发生变形时，跟踪算法往往会失败。在本文中，提出了基于暹罗Pn的高光谱跟踪器来解决此问题。首先，基于遗传优化方法的频带选择方法设计用于快速降低HSI中信息的冗余。特别是选择了三个具有最高关节熵的条带。为了解决SiamRPN模型中模板中的信息随着时间的流逝而衰减的问题，从一般目标跟踪基准中对数据集进行了更新网络的培训，该基准可以获取有效的累积模板。使用光谱信息的累积模板的使用使跟踪变形目标更容易。此外，预先训练的SiamRPN的转移学习旨在为HSIS获得更好的模型。实验结果表明，提出的跟踪器可以在整个公共数据集中获得良好的跟踪结果，并且当目标变形在定性和定量上比较时，它比其他流行的跟踪器要好，从而达到57.5％的总体成功率，变形挑战率的成功率为70.8％。
长距离传感器网络的状态估计融合...
摘要 — 在长距离传感器网络中，远程传感器被部署以覆盖大片地理区域，例如大陆或整个地球。相关应用包括军事监视、空中交通管制、温室气体排放监测和全球网络攻击检测等。在这项工作中，我们考虑使用长距离传感器网络进行目标监视和跟踪，其中状态和协方差估计从传感器发送到融合中心，该中心生成融合状态估计。通过海底光纤和卫星链路进行的长距离通信容易出现长延迟和/或高丢失率，从而导致消息丢失或无序。这反过来可能会严重降低融合性能：融合较少的状态估计可能会损害融合状态的准确性，而等待所有估计到达可能会损害其及时性。我们提出了一种在线选择性线性融合方法，根据待处理数据的预计信息贡献来融合状态估计。我们的方案使用预测和回溯技术，使融合中心能够随机决定何时融合估计值，从而实现融合状态的准确性和及时性之间的平衡。目标跟踪应用的模拟结果表明，我们的方案在可变的通信延迟和丢失条件下可以产生准确且及时的融合估计值。
无线传感器网络在船舶监控系统中的应用
第 13 章 无线传感器网络在船舶监控系统中的应用 Hussein Kdouh、Gheorghe Zaharia、Christian Brousseau、Hanna Farhat、Guy Grunfelder、Ghaïs El Zein 雷恩电子与电信研究所，UMR CNRS 6164 雷恩，法国 1. 简介 近年来，无线传感器网络 (WSN) 引起了全世界的关注，尤其是随着微机电系统 (MEMS) 技术的普及，这促进了智能传感器的发展。智能传感器是由一个或多个传感器、存储器、处理器、电源和无线电单元组成的小型设备。它们可以感知环境、测量并通过无线方式将数据发送到控制单元进行进一步处理和决策。 WSN 在许多应用领域具有巨大潜力，例如栖息地监测 (Polastre 等，2004)、入侵检测和目标跟踪与监视 (Arora 等，2004)、海洋学 (Tateson 等，2005)、环境监测 (Barrenetxea 等，2008a、2008b；Padhy 等，2005；Selavo 等，2007)、结构健康监测 (Paek 等，2005)、基础设施监测 (Stoianov 等，2007)、精准农业 (Langendoen 等，2006)、生物医学健康监测 (Gao 等，2005) 以及危险环境探索和地震感知 (Werner-Allen 等，2006)。结构，包括桥梁、建筑物、水坝、管道、飞机、船舶等，都是确保社会
基于视觉的3D移动目标的非线性动力学发现
数据驱动的理事方程发现在许多科学和工程领域都引起了重大利益。现有的研究主要集中于基于系统状态的直接测量（例如轨迹）的直接测量来揭示非线性dynamics的方程。有限的努力是针对从视频中蒸馏出的，即在3D空间中移动目标的视频。为此，我们提出了一种基于视觉的方法，可以通过一组摄像机记录的原始视频自动发现3D移动目标的非线性动力学方程。该方法由三个关键块组成：（1）一个目标跟踪模块，该模块在每个视频中提取移动目标的平面像素运动动作，（2）Rodrigues的基于旋转公式的坐标转换模块，该模块重建了3D坐标，该模块与预测的参考点和（3）基于图书馆的范围相关的3D坐标，该模块是spress-Encress-Encress-nuff the Spress-Encress of gress of gress of gress of gress of gress of sprys of gress of sprys of gress nuff spression of gress of gress of。动力学。此框架能够有效地处理与介绍数据相关的挑战，例如，视频中的噪声，不精确的跟踪导致数据缺失的目标等。通过多组综合视频考虑了不同的非线性动力学，我们的方法的功效已经证明了。
跟踪与 3D 中高度机动目标相关的 Frenet-Serret 框架
在雷达应用中，轨道维护是该过程的一个重要组成部分。从数学上讲，它可以归结为一个滤波问题，即必须从嘈杂的位置测量中滤除飞机的当前位置、速度以及可能的高阶导数。我们将此问题简称为“目标跟踪”。当飞机机动时，由于运动的不可预测性，该问题很难解决。在过去的四十年中，这一领域一直是广泛研究的对象，参见 [1]。跟踪的主要自由度是 1- 描述目标运动的动力学模型，以及 2- 使用的（统计）滤波器。对于动力学模型，有很多可能性，但线性模型通常用于工业应用，最著名的是 Singer 模型 [2]。对于滤波器，一种简单的稳健解决方案是 Castella 的噪声过程自适应卡尔曼滤波器 [3]。更现代的方法包括粒子滤波器 [4] 和用于跟踪的参考滤波器，即交互多模型 (IMM) 滤波器，参见 [1]。后者滤波器基于各种模型并行运行 (扩展) 卡尔曼滤波器组，并通过评估测量输出的可能性来评估每个模型的权重。这可以适应单个雷达可能面临的各种类型的目标和机动性程度。学术界现在主要转向多目标跟踪的挑战，并在视频中进行联合应用，参见 [5]。如今，雷达防空行业面临着新的挑战，目标的机动性越来越强。一些目标的速度可以达到 7 马赫，加速度为 15 g。通过运动模型注入一些结构的方法