面向多区域高效搜索的UUV集群任务分配

UUV 集群在执行大范围搜索任务时分配方案的优劣对于提高任务执行效率至关重要。研究解决 UUV 集群同时进行多区域搜索中的任务分配问题,使得全部区域搜索完成时长最小。针对传统匈牙利算法无法高效解决不平衡任务分配的问题,提出一种改进匈牙利多轮分配算法。该算法通过多轮任务分配,实现空闲 UUV 高效利用和目标区域合理分配,通过在代价函数中引入边际代价和保守估计时长,大大减小了全部区域搜索完成时长。仿真实验结果表明：提出的算法相比传统匈牙利算法能够合理分配空闲 UUV,提高分配效率。此外,相较于仅采用搜索时长为代价函数,在代价函数中引入边际代价和保守估计时长能够针对耗时长的区域最大限度缩短搜索时长,保证随着 UUV 数量的增加,全部区域搜索完成时长单调递减。     

基于联合生成–去除的水下图像增强方法

现有的基于深度学习的水下图像增强方法在仿真的水下图像上取得了良好的效果。但是,由于简化的仿真图像与复杂的真实图像之间存在较大差距,此类方法在处理真实水下图像时性能明显下降。为了解决真实水下图像增强问题,提出了一种联合生成–去除水下图像增强方法。该方法采用分解思路,将水下图像分解为干净的背景层和退化层,通过循环一致性损失和对抗性损失来更好地保留背景,进而实现真实图像和仿真图像之间的转换,既校正了图像颜色,又提升了图像对比度,实现良好的增强效果。实验结果表明, 本方法在真实水下图像数据集上处理的结果,在色彩、纹理细节和清晰程度方面均优于现有的对比方法。