nuc.edu.cn

이 이메일 도메인이 관측된 논문 2건

arXiv:2608.24471v2cs.AI

민첩 관측 위성을 활용한 해상 이동 표적 관측 스케줄링을 위한 암묵적 Q-러닝 기반 개미 군집 최적화

Implicit Q-learning-bootstrapped ant colony optimization for maritime moving-target observation scheduling with agile satellites

민첩 지구 관측 위성을 활용한 해상 이동 표적 관측 스케줄링은 동적이고 순서 의존적인 조합 최적화(combinatorial optimization) 문제입니다. 해수면 표적은 지속적으로 이동하므로, 표적의 움직임과 위성 궤도 기하 구조에 따라 관측 가능 윈도우가 가변적으로 변합니다. 따라서 스케줄러는 시간 윈도우, 자세 기동 및 탑재 자원 제약 조건 하에서 작업 선택, 위성 할당, 관측 윈도우 선택, 관측 순서를 공동으로 결정해야 합니다. 본 논문에서는 다중 위성 해상 이동 표적 관측 스케줄링을 위해 암묵적 Q-러닝(implicit Q-learning)을 부트스트랩한 개미 군집 최적화(ant colony optimization) 방법인 IQACO를 제안합니다. IQACO는 작업 선택 정책을 직접 학습하는 대신, 오프라인 암묵적 Q-러닝 모듈을 구성적 개미 군집 최적화에 임베딩하여 페로몬 요인, 휴리스틱 요인 및 증발률을 적응적으로 조절합니다. 압축된 탐색 상태 표현은 페로몬 분포, 현재 및 역대 최고 해의 품질, 반복(iteration) 진행 상황을 포착합니다. 온라인 스케줄링 중에는 개미 군집 최적화가 실행 가능한 관측 시퀀스를 구성하는 동시에, 학습된 정책이 현재 탐색 상태에 맞춰 탐색 동작을 조정합니다. 다양한 규모와 위성 구성을 가진 14개 시나리오에서의 실험 결과, IQACO는 비교 알고리즘들보다 지속적으로 우수한 성능을 보였으며 기존 개미 군집 최적화 대비 평균 목적 함수 값을 2.86%~9.41% 향상시켰습니다. 추가 비교 및 보완 실험은 다양한 스케줄링 조건과 문제 설정 전반에서 본 방법의 효과성과 강건성을 입증합니다. 이러한 결과는 오프라인 가치 학습이 제약이 있는 해상 이동 표적 관측 스케줄링을 위한 효과적인 적응형 탐색 제어 메커니즘을 제공함을 보여줍니다.

arXiv:2609.12787v2cs.CV

LG-PF: 경량 신뢰도 기반 편광 이미지 융합

LG-PF: Lightweight Confidence-Guided Polarization Image Fusion

편광 이미지 융합은 전체 강도(total-intensity) 이미지 S0의 안정적인 휘도와 구조 정보와 선형 편광도(degree of linear polarization, DoLP) 이미지의 재질 민감 세부 정보를 결합한다. 그러나 DoLP의 신뢰도는 공간적으로 달라지며, 무분별한 편광 전이는 불안정한 반응을 증폭하거나 S0에 기반한 구조적 외관을 훼손할 수 있다. 이에 따라 우리는 편광 융합을 선택적 잔차 전이 과정으로 공식화하는 경량 신뢰도 기반 프레임워크인 LG-PF를 제안한다. Polarization Confidence Prior는 공간적으로 신뢰할 수 있는 편광 반응을 추정하고, Mask-guided Multi-scale Fusion 모듈은 세 가지 특징 스케일에 걸쳐 그 전이를 조절하며, Lightweight Context-aware Bounded Correction Head는 국소 광도측정(photometric) 및 구조적 전이를 안정화한다. 신뢰도 안내는 또한 최적화 목표에 통합되어 신뢰할 수 있는 편광 세부 정보를 보존하면서 근거 없는 반응을 억제한다. 또한 실내 및 실외 17개 장면 카테고리에서 1000개의 픽셀 정렬 이미지 쌍을 포함하는 다중 장면 편광 융합 데이터셋 MSP를 구축한다. LG-PF는 MSP에서 평가된 6개 지표 모두에서 최고 성능을 달성하며, PIF와 GAND에 대한 부분집합 기반 평가는 미세조정 없이 유망한 전이 가능성을 보여준다. 파라미터 0.2936 M, 이미지당 추론 시간 21.712 ms만으로 LG-PF는 낮은 연산 비용으로 경쟁력 있는 융합 품질을 달성한다. 소스 코드는 https://github.com/1hzf/LG-PF 에서 제공될 예정이다.