时间序列预测在能源管理、交通流量和气象分析等多个实际场景中具有重要应用价值。然而,时间序列数据中存在的分布漂移(Distribution Shift)与长程依赖(Long-term Dependency)仍限制了传统方法与现有深度学习模型在长期预测中的表现。为...时间序列预测在能源管理、交通流量和气象分析等多个实际场景中具有重要应用价值。然而,时间序列数据中存在的分布漂移(Distribution Shift)与长程依赖(Long-term Dependency)仍限制了传统方法与现有深度学习模型在长期预测中的表现。为此,提出了一种名为D-LINet(Dual-Normalization and Linear Integration Network)的创新模型。该模型结合了Dish-TS(Distribution Shift in Time Series Forecasting)框架的分布归一化能力与线性映射的高效性,并采用双向归一化与双线性层的设计,有效缓解输入与输出空间的分布偏移,增强了对周期性与趋势性特征的捕捉能力。在多个真实数据集上对D-LINet的预测性能进行了全面评估。结果显示,在短期与长期预测中,D-LINet的均方误差和平均绝对误差均显著优于主流模型(如Transformer,Informer,Autoformer和DLinear)。此外,实验还探讨了输入窗口长度及先验知识的引入对预测性能的影响,为后续模型优化提供了重要指导。该研究针对复杂分布漂移问题提出了新的解决思路,并有助于提升时间序列预测的精度与稳健性。展开更多
针对无人机视角下烟雾尺度变化剧烈以及烟雾自身颜色差异大的问题,提出一种无人机航拍图像火灾烟雾检测算法。构建Smoke-YOLO(You Only Look Once)网络,通过跨空间学习的特征交互注意力模块,使用并行子结构增强多层次语义信息,提升特征...针对无人机视角下烟雾尺度变化剧烈以及烟雾自身颜色差异大的问题,提出一种无人机航拍图像火灾烟雾检测算法。构建Smoke-YOLO(You Only Look Once)网络,通过跨空间学习的特征交互注意力模块,使用并行子结构增强多层次语义信息,提升特征提取能力。利用跨层级特征融合模块对不同尺度目标进行融合,提高烟雾检测网络的稳健性。为解决现有公开烟雾数据集单一类别标注忽视烟雾类内差异的问题,给出双类标签映射策略,自建双类别无人机航拍火灾烟雾图像数据集,并采用标签映射模块将双类别烟雾标签统一为烟雾类,在自定义的映射规则中解决统一烟雾类目标时存在的分类冲突问题。实验结果表明,所提算法在自建数据集上比原有YOLOv8模型的准确率、召回率、类别精度分别提升4.4%、7%、6.7%,每秒检测帧数达到314.2,Smoke-YOLO网络在航拍图像火灾烟雾检测任务上具备高效的实时检测和精度优势。展开更多
同时定位与建图(simultaneous localization and mapping,SLAM)技术在自动驾驶领域有着广泛的应用,其中精度和计算效率是SLAM最重要的两个指标.然而,传统的激光雷达里程计难以准确高效地提取关键帧,导致构建地图时包含了过多的冗余帧.此...同时定位与建图(simultaneous localization and mapping,SLAM)技术在自动驾驶领域有着广泛的应用,其中精度和计算效率是SLAM最重要的两个指标.然而,传统的激光雷达里程计难以准确高效地提取关键帧,导致构建地图时包含了过多的冗余帧.此外,大多数激光里程计需要对每一帧执行帧到地图的对齐,这带来了高额的计算负担.本文提出了一种基于关键帧的双模式激光里程计与建图方法,通过计算两帧点云之间的特征相似度并将其与运动自适应阈值进行比较,提取关键帧.随后,对关键帧和非关键帧执行不同的配准算法,旨在最小化计算资源的消耗.此外,利用点的水平距离信息计算权重函数,并将其整合到加权位姿约束中.本文提出的SLAM系统在KITTI数据集和实车上进行了大量试验,KITTI序列00-10的结果显示,平移误差仅有0.56%,在旋转上的误差为0.0021(°)/m.实时性方面,与F-LOAM相比,本文算法将平均速度提高了26.5%,比轻量级系统LeGO-LOAM更快.展开更多
文摘时间序列预测在能源管理、交通流量和气象分析等多个实际场景中具有重要应用价值。然而,时间序列数据中存在的分布漂移(Distribution Shift)与长程依赖(Long-term Dependency)仍限制了传统方法与现有深度学习模型在长期预测中的表现。为此,提出了一种名为D-LINet(Dual-Normalization and Linear Integration Network)的创新模型。该模型结合了Dish-TS(Distribution Shift in Time Series Forecasting)框架的分布归一化能力与线性映射的高效性,并采用双向归一化与双线性层的设计,有效缓解输入与输出空间的分布偏移,增强了对周期性与趋势性特征的捕捉能力。在多个真实数据集上对D-LINet的预测性能进行了全面评估。结果显示,在短期与长期预测中,D-LINet的均方误差和平均绝对误差均显著优于主流模型(如Transformer,Informer,Autoformer和DLinear)。此外,实验还探讨了输入窗口长度及先验知识的引入对预测性能的影响,为后续模型优化提供了重要指导。该研究针对复杂分布漂移问题提出了新的解决思路,并有助于提升时间序列预测的精度与稳健性。
文摘针对无人机视角下烟雾尺度变化剧烈以及烟雾自身颜色差异大的问题,提出一种无人机航拍图像火灾烟雾检测算法。构建Smoke-YOLO(You Only Look Once)网络,通过跨空间学习的特征交互注意力模块,使用并行子结构增强多层次语义信息,提升特征提取能力。利用跨层级特征融合模块对不同尺度目标进行融合,提高烟雾检测网络的稳健性。为解决现有公开烟雾数据集单一类别标注忽视烟雾类内差异的问题,给出双类标签映射策略,自建双类别无人机航拍火灾烟雾图像数据集,并采用标签映射模块将双类别烟雾标签统一为烟雾类,在自定义的映射规则中解决统一烟雾类目标时存在的分类冲突问题。实验结果表明,所提算法在自建数据集上比原有YOLOv8模型的准确率、召回率、类别精度分别提升4.4%、7%、6.7%,每秒检测帧数达到314.2,Smoke-YOLO网络在航拍图像火灾烟雾检测任务上具备高效的实时检测和精度优势。
文摘同时定位与建图(simultaneous localization and mapping,SLAM)技术在自动驾驶领域有着广泛的应用,其中精度和计算效率是SLAM最重要的两个指标.然而,传统的激光雷达里程计难以准确高效地提取关键帧,导致构建地图时包含了过多的冗余帧.此外,大多数激光里程计需要对每一帧执行帧到地图的对齐,这带来了高额的计算负担.本文提出了一种基于关键帧的双模式激光里程计与建图方法,通过计算两帧点云之间的特征相似度并将其与运动自适应阈值进行比较,提取关键帧.随后,对关键帧和非关键帧执行不同的配准算法,旨在最小化计算资源的消耗.此外,利用点的水平距离信息计算权重函数,并将其整合到加权位姿约束中.本文提出的SLAM系统在KITTI数据集和实车上进行了大量试验,KITTI序列00-10的结果显示,平移误差仅有0.56%,在旋转上的误差为0.0021(°)/m.实时性方面,与F-LOAM相比,本文算法将平均速度提高了26.5%,比轻量级系统LeGO-LOAM更快.
