为了解决飞机目标机动数据集缺失的问题,文章利用运动学建模生成了丰富的轨迹数据集,为网络训练提供了必要的数据支持。针对现阶段轨迹预测运动学模型建立困难及时序预测方法难以提取时空特征的问题,提出了一种结合Transformer编码器和...为了解决飞机目标机动数据集缺失的问题,文章利用运动学建模生成了丰富的轨迹数据集,为网络训练提供了必要的数据支持。针对现阶段轨迹预测运动学模型建立困难及时序预测方法难以提取时空特征的问题,提出了一种结合Transformer编码器和长短期记忆网络(Long Short Term Memory,LSTM)的飞机目标轨迹预测方法,即Transformer-Encoder-LSTM模型。新模型可同时提供LSTM和Transformer编码器模块的补充历史信息和基于注意力的信息表示,提高了模型能力。通过与一些经典神经网络模型进行对比分析,发现在数据集上,新方法的平均位移误差减小到0.22,显著优于CNN-LSTMAttention模型的0.35。相比其他网络,该算法能够提取复杂轨迹中的隐藏特征,在面对飞机连续转弯、大机动转弯的复杂轨迹时,能够保证模型的鲁棒性,提升了对于复杂轨迹预测的准确性。展开更多
多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无...多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无法充分利用所提供的丰富多样的信息,从而影响最终变化检测结果的准确性和精度。针对这些问题,提出一种交互式多编码器和多解码器网络,该网络利用交互式编码器来提取局部和全局特征,交互式编码器由卷积神经网络(convolutional neural network,CNN)和Transformer组成,并通过特征通信模块增强它们的交互。全局和局部差异解码器分别处理来自双时相图像的局部和全局特征,专注于特定类型的差异特征。最后,设计了空间-通道差异融合模块在空间和通道维度上自适应地融合局部和全局解码器获取的差异特征,以增强相关变化。与现有基于MESD网络的先进方法(ChangeForm)相比,该文所提算法在LEVIR-CD、WHU-CD和DESIF-CD数据集上分别获得了1.14%、5.68%和6.5%的F1分数提升。展开更多
文摘为了解决飞机目标机动数据集缺失的问题,文章利用运动学建模生成了丰富的轨迹数据集,为网络训练提供了必要的数据支持。针对现阶段轨迹预测运动学模型建立困难及时序预测方法难以提取时空特征的问题,提出了一种结合Transformer编码器和长短期记忆网络(Long Short Term Memory,LSTM)的飞机目标轨迹预测方法,即Transformer-Encoder-LSTM模型。新模型可同时提供LSTM和Transformer编码器模块的补充历史信息和基于注意力的信息表示,提高了模型能力。通过与一些经典神经网络模型进行对比分析,发现在数据集上,新方法的平均位移误差减小到0.22,显著优于CNN-LSTMAttention模型的0.35。相比其他网络,该算法能够提取复杂轨迹中的隐藏特征,在面对飞机连续转弯、大机动转弯的复杂轨迹时,能够保证模型的鲁棒性,提升了对于复杂轨迹预测的准确性。
文摘多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无法充分利用所提供的丰富多样的信息,从而影响最终变化检测结果的准确性和精度。针对这些问题,提出一种交互式多编码器和多解码器网络,该网络利用交互式编码器来提取局部和全局特征,交互式编码器由卷积神经网络(convolutional neural network,CNN)和Transformer组成,并通过特征通信模块增强它们的交互。全局和局部差异解码器分别处理来自双时相图像的局部和全局特征,专注于特定类型的差异特征。最后,设计了空间-通道差异融合模块在空间和通道维度上自适应地融合局部和全局解码器获取的差异特征,以增强相关变化。与现有基于MESD网络的先进方法(ChangeForm)相比,该文所提算法在LEVIR-CD、WHU-CD和DESIF-CD数据集上分别获得了1.14%、5.68%和6.5%的F1分数提升。
