现有大多遥感图像超分辨率方法,无法充分挖掘图像中混合尺度的自相似性信息和跨尺度区域间的关联信息,且忽略了频率域对感知图像高频信息的能力。针对这一问题,本文提出了一种空间自适应及频率融合网络(Spatial Adaptation and Frequenc...现有大多遥感图像超分辨率方法,无法充分挖掘图像中混合尺度的自相似性信息和跨尺度区域间的关联信息,且忽略了频率域对感知图像高频信息的能力。针对这一问题,本文提出了一种空间自适应及频率融合网络(Spatial Adaptation and Frequency Fusion Network,SAF2Net)。SAF2Net首先引入一种混合尺度空间自适应特征调制模块,采用类似于特征金字塔的方式获取不同尺度下的判别特征,丰富多尺度特征的表达能力。随后,设计了一个全局多尺度感受野选择块,挖掘跨尺度区域间的关联特征。在此基础上,引入空间自适应选择块和频率分离选择块,融合空间-频率互补信息以增强局部特征,提高模型对图像高频内容的建模能力。在两个公开遥感图像数据集上进行多组实验,SAF2Net获得的定量评价指标结果均优于其他对比方法。以UCMerced数据集3倍超分辨率为例,本文方法相较于次优方法HAUNet,PSNR和SSIM分别提升了0.11 dB和0.0033;在主观视觉质量方面,SAF2Net能够恢复出更多清晰的纹理细节。实验结果表明,本文所提出的SAF2Net能够从两个不同的角度挖掘混合尺度全局信息,并有效融合空间-频率互补特征,在遥感图像超分辨率任务中表现出具有竞争力的重建性能。展开更多
锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种...锂离子电池健康状态(state of health,SOH)估计对确保能量存储系统的可靠性和安全性至关重要。然而,现有SOH估计方法在单一特征提取和固定充放电条件依赖方面存在局限性,难以适应多变的实际工作环境。为解决这一问题,本工作提出了一种基于弛豫电压的并行多尺度特征融合卷积模型(multi-scale feature fusion convolution model,MSFFCM)结合极端梯度提升树(XGBoost)的SOH估计方法。MSFFCM通过多层堆叠卷积模块提取弛豫电压数据的深层特征,同时利用并行多尺度注意力机制增强了多尺度特征的捕捉能力,并将这些特征与统计特征进行融合,以提升模型的特征提取和融合能力。针对XGBoost模型,本工作应用贝叶斯优化算法进行参数调优,从而在多源融合特征基础上实现高精度SOH估计。实验验证基于两种商用18650型号电池的多温度和多充放电策略数据集,结果表明该方法的均方根误差(RMSE)和平均绝对误差(MAE)均小于0.5%,明显优于传统方法。本工作为锂电池健康管理提供了一种不依赖特定充放电条件的有效估计工具,有望在复杂的实际应用中发挥重要作用。展开更多
文摘现有大多遥感图像超分辨率方法,无法充分挖掘图像中混合尺度的自相似性信息和跨尺度区域间的关联信息,且忽略了频率域对感知图像高频信息的能力。针对这一问题,本文提出了一种空间自适应及频率融合网络(Spatial Adaptation and Frequency Fusion Network,SAF2Net)。SAF2Net首先引入一种混合尺度空间自适应特征调制模块,采用类似于特征金字塔的方式获取不同尺度下的判别特征,丰富多尺度特征的表达能力。随后,设计了一个全局多尺度感受野选择块,挖掘跨尺度区域间的关联特征。在此基础上,引入空间自适应选择块和频率分离选择块,融合空间-频率互补信息以增强局部特征,提高模型对图像高频内容的建模能力。在两个公开遥感图像数据集上进行多组实验,SAF2Net获得的定量评价指标结果均优于其他对比方法。以UCMerced数据集3倍超分辨率为例,本文方法相较于次优方法HAUNet,PSNR和SSIM分别提升了0.11 dB和0.0033;在主观视觉质量方面,SAF2Net能够恢复出更多清晰的纹理细节。实验结果表明,本文所提出的SAF2Net能够从两个不同的角度挖掘混合尺度全局信息,并有效融合空间-频率互补特征,在遥感图像超分辨率任务中表现出具有竞争力的重建性能。
