- Дистилляция знаний для извлечения признаков в подводном VSLAM (arXiv)
Автор: Цзинхэ Ян, Мингминг Гонг, Гириш Наир, Чон Хун Ли, Джейсон Монти, Е Пу.
Аннотация: В последние годы обнаружение и сопоставление признаков на основе обучения превзошли методы, разработанные вручную, в случаях полета в воздухе. Однако изучить особенности подводного сценария сложно из-за отсутствия аннотированных наборов подводных данных. В этом документе предлагается кросс-модальная структура дистилляции знаний для обучения сети обнаружения и сопоставления подводных объектов (UFEN). В частности, мы используем данные RGBD в воздухе для создания синтетических подводных изображений на основе физической модели формации подводных изображений и используем их в качестве среды для извлечения знаний из модели учителя SuperPoint, предварительно обученной на изображениях в воздухе. Мы встраиваем UFEN в структуру ORB-SLAM3, чтобы заменить функцию ORB, введя дополнительный уровень бинаризации. Чтобы проверить эффективность нашего метода, мы создали новый набор подводных данных с наземными измерениями под названием EASI (https://github.com/Jinghe-mel/UFEN-SLAM), записанными в крытом резервуаре с водой для разных уровней мутности. Экспериментальные результаты на существующем наборе данных и нашем новом наборе данных демонстрируют эффективность нашего метода.
2. Сети вейвлетов спектрального графа с фильтрацией для многомасштабного извлечения признаков и интеллектуальной диагностики неисправностей (arXiv)
Автор: Тяньфу Ли, Чуан Сун, Ольга Финк, Юаньгуй Ян, Сюэфэн Чен, Жуцян Ян.
Аннотация: Интеллектуальная диагностика неисправностей постоянно совершенствуется с развитием подходов глубокого обучения (ГО). В последнее время новые графовые нейронные сети (GNN) также были внедрены в области диагностики неисправностей с целью более эффективного использования индуктивного смещения взаимозависимостей между измерениями различных датчиков. Однако у этих методов диагностики неисправностей на основе GNN есть некоторые ограничения. Во-первых, им не хватает возможности реализовать многомасштабное извлечение признаков из-за фиксированного рецептивного поля GNN. Во-вторых, они в конечном итоге сталкиваются с проблемой чрезмерного сглаживания при увеличении глубины модели. Наконец, извлеченные функции этих GNN трудно понять из-за их черного ящика. Для решения этих проблем в данной статье предлагается фильтрующая сеть вейвлетов спектрального графа (SGWN). В SGWN слой свертки вейвлета спектрального графа (SGWConv) устанавливается после вейвлет-преобразования спектрального графа, которое может разлагать сигнал графа на коэффициенты функции масштабирования и коэффициенты вейвлета спектрального графа. С помощью SGWConv SGWN может предотвратить проблему чрезмерного сглаживания, вызванную низкочастотной фильтрацией на большом расстоянии, путем одновременного извлечения низкочастотных и полосовых характеристик. Кроме того, чтобы ускорить вычисление SGWN, функция ядра масштабирования и функция ядра вейвлета графа в SGWConv аппроксимируются полиномами Чебышева. Эффективность предлагаемого SGWN оценивается по собранному набору данных электромагнитного клапана и набору данных межвального подшипника авиационного двигателя. Экспериментальные результаты показывают, что SGWN может превзойти сравнительные методы как по диагностической точности, так и по способности предотвращать чрезмерное сглаживание. Более того, его извлеченные функции также можно интерпретировать со знанием предметной области.
