针对传统蚁群算法在机器人路径规划中路径不是最短距离、运行时间长以及收敛速度慢等问题,提出多邻域蚁群算法(multi-neighborhood ant colony algorithm,ACO-MN)。为了解决路径不是最短距离的问题,引入多邻域搜索,使得搜索邻域扩大,机器人的路径距离减小;为了解决运行时间长的问题,在快速判断的基础上运用象限概率和象限概率控制参数,使得算法运行加快;为了解决收敛速度慢的问题,结合步长和邻域夹角改进启发函数,使得算法在后期的收敛速度加快。最后,在不同大小、不同复杂程度的栅格地图下,将ACO-MN与传统蚁群算法和其他改进算法进行仿真对比实验。实验表明,在小规模简单环境下ACO-MN的收敛速度相比于传统蚁群算法加快了76.19%,在大规模复杂环境下ACO-MN的运行时间相比于其他改进算法缩短了49.84%,最短路径缩短了5.6%,验证了该算法的有效性和优越性。
为解决自然条件下人脸表情识别易受角度、光线、遮挡物的影响以及人脸表情数据集各类表情数量不均衡等问题,提出基于Res2Net的人脸表情识别方法。使用Res2Net50作为特征提取的主干网络,在预处理阶段对图像随机翻转、缩放、裁剪进行数据增强,提升模型的泛化性。引入广义平均池化(generalized mean pooling, GeM)方式,关注图像中比较显著的区域,增强模型的鲁棒性;选用Focal Loss损失函数,针对表情类别不平衡和错误分类问题,提高较难识别表情的识别率。该方法在FER2013数据集上准确率达到了70.41%,相较于原Res2Net50网络提高了1.53%。结果表明,在自然条件下对人脸表情识别具有更好的准确性。
