针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题,提出了一种新颖的生成式人体姿态估计方法(generative human pose estimation,GenPose)。该模型使用多尺度信息融合和条件生成模块解决了严...针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题,提出了一种新颖的生成式人体姿态估计方法(generative human pose estimation,GenPose)。该模型使用多尺度信息融合和条件生成模块解决了严重遮挡问题。多尺度模块从尺度和通道上细粒度融合图像特征,能捕捉到更多肢体细节,从而推理出遮挡关键点的特征信息。条件生成模块通过建模遮挡场景与姿态间的对应关系,根据标记编码器特征动态调整生成姿态,在保证可见点准确率的同时,在一定程度上减少了遮挡对非遮挡的干扰,提升了对遮挡姿态的生成效果。在公开的COCO和MPII数据集上,同以往方法相比,有了更好的结果,同时在CrowdPose、OCHuman以及SyncOCC数据集上验证了泛化能力。该模型在一定程度上能够解决严重遮挡下的姿态估计问题,提高了预测姿态的合理性,取得了更加优异的效果。展开更多
随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题...随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。展开更多
文摘针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题,提出了一种新颖的生成式人体姿态估计方法(generative human pose estimation,GenPose)。该模型使用多尺度信息融合和条件生成模块解决了严重遮挡问题。多尺度模块从尺度和通道上细粒度融合图像特征,能捕捉到更多肢体细节,从而推理出遮挡关键点的特征信息。条件生成模块通过建模遮挡场景与姿态间的对应关系,根据标记编码器特征动态调整生成姿态,在保证可见点准确率的同时,在一定程度上减少了遮挡对非遮挡的干扰,提升了对遮挡姿态的生成效果。在公开的COCO和MPII数据集上,同以往方法相比,有了更好的结果,同时在CrowdPose、OCHuman以及SyncOCC数据集上验证了泛化能力。该模型在一定程度上能够解决严重遮挡下的姿态估计问题,提高了预测姿态的合理性,取得了更加优异的效果。
文摘随着新能源机车向高效率、智能化方向发展,精准监测动力电池的充放电状态(state of charge,SOC)和健康状态(state of health,SOH)对于保障机车运行安全尤为关键。针对传统独立估计方法在复杂工况下适应性差、难以捕捉时变耦合特性的问题,提出一种基于自适应加权多通道长短期记忆网络(long short-term memory,LSTM)与Transformer融合的联合网络架构(MLTA-Net)。该方法构建了涵盖多层次特征的电池健康因子集合,引入等压升时间、最大容量增量电压等关键动态特征,从电化学机理层面强化了老化趋势的表征能力。MLTA-Net模型采用多通道并行架构,分离处理不同类型的电池数据特征,通过LSTM编码器捕获短期时序依赖关系,利用Transformer多头自注意力机制解析全局工况特征,并通过自适应加权融合层进行特征融合,实现电池状态高精度优化估计。实验方法基于磷酸铁锂电池循环老化数据集,在不同老化阶段下对SOH进行估计。研究结果表明,所提方法对电池最大容量衰减均方根误差稳定在0.06%以内,在预测误差、稳定性方面均优于传统方法。在脉冲工况和深度充放电条件下对电池SOC-SOH进行联合估计,预测精度相比单独估计有显著提升,尤其在SOC发生突变的关键时刻误差降低了84.2%,在电池老化阶段展现出更强的鲁棒性和泛化能力。本研究为复杂工况下的SOC-SOH联合估计提供了高效、精准的解决方案,为智能电池管理系统的优化提供了理论参考和技术支持。
