针对同步定位与地图构建(simultaneous localization and mapping,SLAM)过程中定位精度较低和角度漂移等问题,受哺乳动物海马体空间认知机理的启发,提出一种构建多尺度网格细胞到位置细胞信息转换的仿生SLAM算法.首先,引入头方向细胞和...
详细信息
针对同步定位与地图构建(simultaneous localization and mapping,SLAM)过程中定位精度较低和角度漂移等问题,受哺乳动物海马体空间认知机理的启发,提出一种构建多尺度网格细胞到位置细胞信息转换的仿生SLAM算法.首先,引入头方向细胞和条纹细胞感知自身运动信息,并生成多尺度网格细胞覆盖整个空间环境,减小由于角度偏移而产生的累计误差;其次,对于定位精度低问题,采用Hebb学习规则下的竞争型神经网络建立多尺度网格细胞到位置细胞的信息转换关系;最后,构建位置细胞与空间环境中不同地标的映射关系,通过选取最大放电率的位置细胞形成空间认知拓扑地图,实现移动机器人的自主定位.与RatSLAM和ORB-SLAM2在KITTI公开数据集上进行对比实验,结果表明,所提算法能够通过对位置信息进行编码实现未知环境中的自主定位和建图,同时,控制平移误差不超过1.50 m,旋转误差不高于1.0°.
跨模态行人重识别研究的重难点主要来自于行人图像之间巨大的模态差异和模态内差异。针对这些问题,提出一种结合多尺度特征与混淆学习的网络结构。为实现高效的特征提取、缩小模态内差异,将网络设计为多尺度特征互补的形式,分别学习行人的局部细化特征与全局粗糙特征,从细粒度和粗粒度两方面来增强网络的特征表达能力。利用混淆学习策略,模糊网络的模态识别反馈,挖掘稳定且有效的模态无关属性应对模态差异,来提高特征对模态变化的鲁棒性。在大规模数据集SYSU-MM01的全搜索模式下该算法首位击中率和平均精度(mean average precision,mAP)的结果分别为76.69%和72.45%,在RegDB数据集的可见光到红外模式下该算法首位击中率和mAP的结果分别为94.62%和94.60%,优于现有的主要方法,验证了所提方法的有效性。
暂无评论