亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

隨著傳感器技術和由此產生的傳感器分辨率的不斷進步，傳統的基于點的目標跟蹤算法已顯得力不從心，尤其是在使用高分辨率傳感器的自動駕駛汽車、視覺跟蹤和監控等應用領域。這重新激發了人們對擴展目標（ET）跟蹤的興趣，其目的不僅在于跟蹤目標的中心點，還在于跟蹤目標隨時間變化的形狀和大小。

本論文探討了 ET 跟蹤應用領域中最具挑戰性的三個問題。研究的第一個難題是，在非高斯噪聲存在的情況下，需要對具有任意未知星凸形狀的 ET 目標進行精確的形狀和中心估計。提出的方法基于 Student's-t 過程回歸算法，該算法在遞歸框架中定義，適用于在線跟蹤問題。

第二個問題試圖通過定義一種新穎的隨機多面體形狀描述符來放松在估計過程中施加在 ET 目標形狀上的任何約束，包括星凸約束。此外，所提出的解決方案還引入了一種方法，以減輕在 ET 跟蹤應用中因自閉塞而造成的麻煩，因為忽視自閉塞可能會導致 ET 狀態估計出現災難性的偏差。

最后，研究了在雜波和遮擋情況下跟蹤多個 ET 目標的框架，并提出了解決方案。所提出的方法可以在現實場景中估計 ET 目標的中心和形狀，同時考慮到自閉和互閉的挑戰。所提出的方法為每個 ET 定義了一個隨時間變化的狀態檢測概率，即使在相互遮擋造成的不利條件下，也能延長軌跡。此外，建議的算法使用集合成員不確定性模型來約束被遮擋 ET 的關聯和目標形狀不確定性，從而獲得更準確的 ET 目標狀態和形狀估計。

所提方法的性能在自閉和互閉的真實模擬場景中進行了量化，其結果與現有的最先進的 ET 跟蹤應用方法進行了比較。

圖 1.1： 點目標和擴展目標的并排比較。(a): 點目標的單一測量源和生成的測量結果。(b): 多個散射點和 ET 生成的測量結果。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人駕駛車輛新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使目標在一段時間內部分或完全被隱藏。該系統分為兩個階段：第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統： 協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的物體連續性。

構成非對稱戰爭的沖突事件是現代戰場上戰斗人員和平民的主要殺手。簡易爆炸裝置 (IED) 和直接火力射擊 (DF) 是這些攻擊中最常見的，在常規部隊和非常規部隊的沖突中奪去了成千上萬人的生命。基于計算機的預測分析可用于識別對這些事件有用的地點，從而有可能在攻擊發起前提供破壞或避免攻擊所需的感知。

這篇論文提出了一個對非對稱沖突事件進行預測的分析框架。該框架包含一個基于攻擊者角色的戰術感知系統模型，由一組描述地形和接近必要支持結構的地貌和可見度受限特征填充。識別和評估地形的效用，以供規避風險的攻擊者使用的特征是該模型的重要貢獻。統計學習用于提取受空間和時間限制的戰術模式。然后使用這些模式來預測沖突事件的未來或未訪問位置的效用。

本文的主要貢獻包括

(1) 非城市環境中沖突事件的簡潔、準確的特征表示；

(2) 基于攻擊者角色的系統模型，可捕捉沖突事件的戰術模式；

(3) 支持預測分析的精確沖突事件分類算法；以及

(4) 一種檢測和描述支持風險規避型攻擊者特征的新方法。

該框架已在從 2011-2012 年阿富汗沖突中收集的真實世界簡易爆炸裝置和 DF 數據上實施和測試。在各種空間、時間和組合約束條件下，使用兩種降維方案對幾種學習技術進行了評估。該框架的資源無約束版本可在現有數據覆蓋的 19 個月內準確預測各種地形類型的沖突事件。該框架的一個有限版本假定計算能力較弱，可在移動和資源受限的環境中進行有用的預測分析。

圖 3 不對稱沖突事件的分析框架。

傳統的建模、仿真和分析（MS&A）大多由工程模型支持，即基于牛頓物理學的封閉系統的確定性表征。這種方法并不適合表現人類行為的復雜性。這項研究倡導并試圖闡明一種更加以人為本的 MS&A 方法的概念，這種方法可以更好地代表決策和人類行為的其他認知方面，就像代表身體活動一樣。

首先將個人和群體視為復雜的適應系統，而這種系統最好使用基于智能體的建模來表示。通過智能體對人類行為的表征包含了決策模型、知識工程和知識表征，以及人與人之間及其與環境之間的心理和生理互動的全部內容。這種表征方式的典型例子是將態勢感知/態勢理解（SA/SU）作為核心要素加以考慮。

由此，開發了一個概念驗證模擬，模擬一個具體、易于理解和量化的人類行為實例：智能體在模擬世界中試圖導航時在空間上 "迷失 "了方向。這個模型被命名為 "智能迷失模型"（MOBIL），因為這兩種狀態的能力是模擬的核心。MOBIL 采用面向對象的軟件原理與基于智能體的建模相結合的方式，建立了應用以人為本的分析方法的實用性。

在一些虛擬實驗中應用該模擬，說明了它如何支持對個人的 SA/SU 和相關決策過程進行調查。

目標跟蹤是計算機視覺和自主系統的核心要素。因此，單個和多個目標跟蹤已被廣泛研究，特別是針對全運動視頻序列。從移動的機載平臺上獲取廣域運動圖像（WAMI）是最近的一項傳感器創新，它具有一系列國防和民用應用，提供了其他傳感器系統無法比擬的高密度空間和時間覆蓋的獨特組合。機載 WAMI 對目標跟蹤提出了一系列挑戰，包括大數據量、多相機陣列、圖像穩定、低分辨率目標、目標外觀變化和高背景雜波，尤其是在城市環境中。時間變化的低幀率大圖像給可靠的長期多目標跟蹤帶來了一系列困難。本論文的重點是特征概率跟蹤（LOFT）試驗臺系統，它是一種基于外觀（單實例）的目標跟蹤器，專為 WAMI 設計，采用先跟蹤后檢測的模式。在檢測前使用動態跟蹤的動機是為了在計算成本最低的環境中處理大規模數據。在城市場景中，由于存在許多相似的目標、雜波、高層建筑，因此在大畫面上到處搜索一個目標是不現實的，而且還會帶來計算成本大幅增加的額外負擔。LOFT 利用濾波和動態技術將搜索區域限制在大畫面中一個更現實的區域內，并利用多種特征來識別感興趣的目標，從而繞過了這一難題。感興趣的目標預計會以邊界框的形式輸入到算法中。這項工作的主要目標是提出一種符合 LOFT 先跟蹤后檢測模式的外觀更新建模策略，并展示整個系統與其他最先進的跟蹤算法相比的準確性，以及在使用和不使用該策略的情況下的準確性。在設計使用 Radon 變換的各種信息線索的更新策略時，我們考慮到了某些性能參數，例如計算成本的最小增加以及整個系統精確率和召回率的顯著提高。這一點已通過使用文獻中的標準評估技術來證明。作者認為，LOFT WAMI 追蹤器的擴展包括一個更詳細的外觀模型，其更新策略非常適合于持續目標追蹤，這一點非常新穎。在這項工作的幫助下，LOFT 的核心部分已作為多個政府研發項目的一部分進行了評估，其中包括美國空軍研究實驗室的 "指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）企業到邊緣（CETE）"、美國陸軍研究實驗室的 "高級視頻活動分析（AVAA）"以及一個用于邊緣處理的云上細粒度分布式計算架構。為跟蹤標準視頻中的目標開發了簡化版 LOFT，并參加了與主要計算機視覺會議同時舉行的視覺目標跟蹤（VOT）挑戰賽。在城市場景的航拍 WAMI 中，包含擬議外觀適應模塊的 LOFT 能產生明顯更好的跟蹤效果。

提綱

在這篇論文中，試圖通過提出一種跟蹤管道來應對其中的大部分挑戰，這種管道是為處理特定困難而量身定制的，例如通過使用拉東變換的新用法來處理方向變化問題，通過使用多尺度特征來處理低像素級分辨率問題，通過在外觀信息不可靠時切換到預測來處理遮擋問題，以及設計一個足夠靈活的平臺，以便我們為研究人員提供一種更加標準化的方法來利用和研究單個模塊對不同類型數據集的整體跟蹤質量的影響。論文的其余部分安排如下。

第 2 章簡要介紹了跟蹤方面的文獻。WAMI 追蹤文獻與標準圖像追蹤有很大不同。從這一文獻調查中可以清楚地看出，各種技術都偏向于某一方。

第 3 章提出了我們新穎的跟蹤管道。LOFT 作為一個特征融合和外觀建模系統，具有高度模塊化的特點。第一步，目標和搜索區域需要用一個強大的特征集來描述。隨后是匹配步驟，在我們的案例中，匹配步驟包括多個一對一的特征匹配，然后是融合過程，將匹配信息匯總，生成一個單一的概率圖。此外，還介紹了有助于自動終止和智能處理特殊情況（如數據缺失或損壞）的其他模塊。

第 4 章介紹了拉東變換以及特殊情況下的方程。這一章介紹了在方位估算中使用該技術的原因和動機。

第 5 章介紹了我們提出的 LOFT 管道，其中增加了由方向估計得出的外觀建模。該章詳細回顧了拉東變換的技術和用法，隨后介紹了如何將這些信息轉換為有助于外觀建模的描述符的算法。

第 6 章介紹了我們的算法工程實現及其模塊。此外，還詳細介紹了與不同程序下其他系統的集成工作。模塊架構與交互圖一起展示。本章還介紹了一種用于插入額外 3D 信息的新方法，該方法有可能在航空圖像中實現更好的跟蹤效果。

第 7 章展示了我們的實驗方法，并介紹了數據和最終結果。我們詳細解釋了性能數據，并展示了 LOFT 如何優于文獻中的各種跟蹤器，同時還提供了一份詳細的性能表，說明添加外觀建模技術后的改進量。

第8章展示了我們在云計算架構上運行LOFT的合作成果。該章主要關注在流式圖像管道中以網絡模式運行災難場景時對 LOFT 的評估。利用云計算環境進行資源分配，并運行像 LOFT 這樣數據輸入量大的算法，將是使追蹤更加普及的一個步驟。本章重點介紹了此類系統的工程設計方面，并通過實驗展示了可擴展追蹤的可行性。最后一章總結了所提出的工作，并討論了未來的發展方向。

圖 3.1： 特征概率跟蹤（LOFT）處理管道顯示的主要組件包括特征提取、結合模板進行特征似然圖估算、使用支持向量機（SVM）分類進行車輛檢測、融合模塊（也包含基于運動預測和基于運動背景減法的融合模塊），以產生用于目標定位的融合似然圖。軌跡管理包括終止模塊、多重假設跟蹤（MHT）或不多重假設跟蹤（MHT）預測以及用于自適應目標建模的目標外觀更新。

軍事行動需要具備對復雜的大城市環境進行態勢了解的能力。這通常是在情報、監視和偵察（ISR）任務中制定的。這些任務類型發生在戰斗的不同階段，包括戰斗行動和穩定與支持行動（SASO）。自主移動機器人小組可在已知的動態城市環境中執行巡邏和偵察任務，為士兵提供支持。

本文旨在開發一個名為 "風險地圖 "的概率框架。自主機器人將使用 "風險地圖 "規劃其行動，"風險地圖 "顯示了一個與戰術相關的位置，在該位置的暴露或環境可能使攻擊造成最大傷害（例如，可能的簡易爆炸裝置或狙擊手位置）。

“風險地圖”以決策過程為基礎，針對適應性對手事件分配機器人巡邏。這些技術將利用時間演化來防止對手不可避免地適應這些策略，因為這可能會使這些策略的效果大打折扣。

使用多機器人協調方法進行分散、信息量大且自適應的采樣應用不會出現單點故障。它允許隨時預測，任何機器人在任何時間點都能獲得環境的合理模型。此外，它還能將所需的通信量保持在最低水平。此外，適當的地理信息系統（GIS）技術為軍事指揮官提供了快速整合數據集、評估條件、規劃戰略和評估選項的手段。

圖：UGV和無人機之間的交互作用，進行源搜索和目視目標識別。

未來，人類將與人工智能系統密切合作。智能系統將成為團隊成員，并將起到擴展單個單元的覆蓋范圍和能力的作用，從而實現前所未有的能力。

自主機器人的智能探索和強大的協作監控將成為城市行動的關鍵，使其能夠預防未來的脆弱性和威脅風險。本論文探討了環境的先驗知識和類似場景中的行動歷史如何預測和預防未來的攻擊。在這篇論文中，我們提出了一個概率框架，在這個框架中，可以將一套領域專家規則與空間和語義知識結合起來，使自主智能體能夠收集信息。然后，自主智能體可以利用這個不斷演化的框架，針對不斷變化的信息環境規劃最佳行動，從而以最佳方式完成任務。我們的方法擴展了[Pit+08; ZST15]中描述的技術，用于本論文中介紹的 MAST/ARL 導航模塊所使用的基于信息的探索框架。Pita 等人創建了系統架構： ARMOR。該系統提供的月歷滿足了洛杉磯國際機場官員對檢查站和警犬在洛杉磯國際機場部署的所有關鍵要求。

多機器人團隊為部隊提供支持的一大挑戰是了解環境是如何動態變化的，以便為車隊選擇最明顯或最便捷路線的區域提供安全保障。為了應對這一挑戰，利用有關特定地點的地理信息系統數據和活動日志很有意義。實現這一目標的一種方法是使用基于信息的地圖（風險地圖），該地圖由一組模塊化組件組成，在評估風險的先驗概率時，這些組件代表了敵方戰略知識。此外，風險地圖還有一個時間組件，可逐漸回到先前的地圖狀態，代表戰爭迷霧。

我們考慮的現實場景是，由不同能力的機器人組成的團隊探索未知環境，每個機器人獲取并計算自己的地圖，并與團隊其他成員交換這些信息，同時考慮到通信限制，即機器人只能在特定距離內通信，信息量的交換受帶寬限制。此外，每個機器人都能從探索任務切換到尋找任務源，并能在需要時提供或請求援助。

論點陳述

利用自適應信息采樣的多機器人探索和導航協調策略，使機器人平臺能夠在未知環境中自主執行情報、監視和偵察（ISR）任務，從而防止未來的脆弱性和威脅風險。

貢獻

• 完整的分布式多機器人 SLAM 解決方案，可執行基于特征、基于目標以及基于姿態的圖形 SLAM，并具有概率數據關聯和閉環功能。
• 一種分布式算法，可根據相對姿態測量結果估算多個合作機器人或移動設備的 3D 軌跡。
• 提供高低威脅級別信息的系統框架，該信息將用作運動編隊和巡邏的行動計劃。
• 異構多機器人自適應信息采樣的新型協調策略，具有分散性和魯棒性。

本論文的所有貢獻都通過使用模擬和真實數據的實驗結果得到了驗證。

圖：模擬地圖，用于在舞臺模擬器內的各類環境中測試協調策略。機器人在其初始起始區域顯示為一排紅點，該區域代表一個突破口。導航關鍵點用紅色 "X "標記表示。

過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人系統新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本論文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使該目標在一段時間內被部分或完全隱藏。該系統分為兩個階段： 第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統：協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的目標跟蹤連續性。

在受到干擾器攻擊的戰術無線網絡中，頻譜感知是確保部署的軍事人員安全和高效的一個重要考慮因素。這些網絡的成員有必要了解頻譜中哪些信道受到破壞，哪些可安全用于數據傳輸。組成這些網絡的無線發射機可以通過感知不同信道的能量水平來確定這些信道上是否存在干擾器。然后，它們可以與同伴共享這一信息，以便協同識別和避開干擾器。目前有幾種基于強化學習的解決方案，允許無線發射機根據對干擾者活動的觀察制定傳輸策略，但當干擾者的行為是隨機的，從而使強化學習算法無法學習和預測其行為時，這些解決方案往往會失效。

在本論文中，首先討論協作頻譜感知以及認知無線電、干擾和反干擾背后的理論。接下來，詳細介紹了用于表示多智能體反干擾問題的系統模型。然后，介紹了一種協作式偽隨機信道選擇算法和一種基于超級決策向量的數據協作與融合方案，以提高對整個網絡頻譜利用率的認識。仿真結果表明，該方案可提高干擾器的檢測率，并增加未被干擾信道上的傳輸次數。

關鍵詞 協作頻譜感知、數據融合、干擾器檢測、戰術通信、Ad Hoc 網絡、無線通信

在許多淺水和沿海水域應用中，視覺制導水下機器人與人類潛水員一起執行合作勘探、檢查和監測任務。這類陪伴機器人最基本的能力是在水下任務的各個階段以視覺解讀周圍環境并協助潛水員。盡管近年來技術不斷進步，但現有的實時視覺感知系統和解決方案在很大程度上受到能見度低、光照變化和突出特征稀少等海洋因素的影響。而水下光傳播的脆弱性（如與波長相關的衰減、吸收和散射）所導致的一系列非線性圖像失真又加劇了這些困難。在本論文中，我們提出了一套新穎的改進型視覺感知解決方案，以應對這些挑戰，從而實現有效的水下人機合作。研究成果包括底層視覺和基于學習的算法的新穎設計和高效實施，以及廣泛的現場實驗驗證和單板部署的實時可行性分析。

論文分為三個部分。第一部分側重于為自動潛航器（AUV）開發實用的解決方案，以便在執行水下任務期間陪伴人類潛水員。其中包括基于視覺的強大模塊，使自動潛航器能夠理解人類的游泳動作、手勢和身體姿勢，以便在保持平穩的時空協調的同時跟隨人類并與之互動。一系列封閉水域和開放水域現場實驗證明了我們提出的感知算法在水下人機合作中的實用性和有效性。我們還確定并量化了這些算法在不利視覺條件下不同操作約束條件下的性能變化。論文的第二部分致力于設計高效的技術，通過恢復水下圖像的感知和統計質量來克服能見度低和光學失真的影響。我們進一步證明了這些技術作為視覺導航自動潛航器自主流水線預處理器的實際可行性。最后，本論文的第三部分開發了高層次決策方法，如為快速視覺搜索建立空間注意力模型，學習識別何時需要圖像增強和超分辨率模塊來實現詳細感知等。我們證明，這些方法可將機載視覺感知模塊的處理速度提高 45%，使自動潛航器能夠做出智能導航和操作決策，尤其是在自主探索任務中。

總之，本論文描述了我們為解決水下人機合作實時機器視覺所面臨的環境和操作挑戰而進行的嘗試。針對各種重要應用，我們開發了穩健、高效的模塊，讓自動潛航器在僅依靠嘈雜的視覺傳感的情況下，通過準確感知周圍環境來跟隨同伴潛水員并與之互動。此外，我們提出的感知解決方案能讓視覺引導機器人在嘈雜條件下看得更清楚，并在有限的計算資源和實時限制條件下做得更好。除了推動最先進技術的發展之外，我們提出的方法和系統還讓我們朝著縮小理論與實踐之間的差距、改善野外人機合作的方向邁進了一步。

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。