为解决现有VSLAM特征提取器在室内环境中对纹理和光照变化敏感、特征点冗余导致的局部依赖性过强以及硬件资源受限时的存储开销问题,提出了一种面向纹理的均匀FAST特征提取器(texture-oriented and homogenized FAST feature extractor,...
详细信息
为解决现有VSLAM特征提取器在室内环境中对纹理和光照变化敏感、特征点冗余导致的局部依赖性过强以及硬件资源受限时的存储开销问题,提出了一种面向纹理的均匀FAST特征提取器(texture-oriented and homogenized FAST feature extractor, TOHF)。结合HVS(human visual system),采用二阶段阈值策略来更敏感地应对纹理的清晰度和复杂度差异。根据特征点密度的变化来动态调整特征点的分布,在兼顾计算效率和存储开销的同时,保证特征点分布结构信息。在资源受限设备录制的数据集和官方Eu Roc数据集上基于ORB-SLAM3框架开展实验,采用匹配率、重投影误差、绝对轨迹误差(ATE)和耗时作为评估指标。实验结果表明:TOHF在视觉加惯导模式下带来更高精度和鲁棒性的同时,仍满足实时性要求。
针对复杂电磁环境下雷达复合干扰识别困难和网络模型复杂度高的问题,将多标签分类与改进的ShuffleNet V2相结合,提出一种轻量化的多标签ShuffleNet(multi-labeling ShuffleNet, ML-SNet)雷达复合干扰识别算法。首先,使用轻量化的ShuffleNet V2作为主干网络,引入SimAM(similarity-based attention module)注意力机制,提高网络特征提取能力。其次,使用漏斗激活线性整流函数(funnel activation rectified linear unit, FReLU)代替线性整流单元(rectified linear unit, ReLU)激活函数,减少特征图的信息损失。最后,使用多标签分类算法对网络输出进行分类,得到识别结果。实验结果表明,在干噪比范围为-10~10 dB的情况下,所提算法对15类雷达复合干扰的平均识别率为97.9%。与其他网络相比,所提算法具有较低的计算复杂度,而且识别性能表现最佳。
暂无评论