检索结果-南通市图书馆

结合MACH滤波最大池化及多类SVM的行为识别

在线全文

学校读者我要写书评

暂无评论

计算机工程与设计 2017年第12期38卷 3431-3435页

作者：何俊林赵晓亮孙连海甘胜江成都师范学院计算机科学学院四川成都611130 中原工学院信息商务学院信息技术系河南郑州450000

提出一种人体行为识别方法。构建MACH滤波器组,对视频片段的三维时空体进行滤波,得到时空相关体;采用三层最大池化方法提取时空相关体的特征向量,采用高斯隶属函数对池化特征向量进行扩展;构建多类SVM分类器并进行特征分类,识别行为类... 详细信息

提出一种人体行为识别方法。构建MACH滤波器组,对视频片段的三维时空体进行滤波,得到时空相关体;采用三层最大池化方法提取时空相关体的特征向量,采用高斯隶属函数对池化特征向量进行扩展;构建多类SVM分类器并进行特征分类,识别行为类别。在ADL和UCF Sports两个国际上通用的人体行为数据集上进行人体行为识别实验,实验结果表明,该方法的识别率高于现有的人体行为识别方法,对不同人体行为的区分能力更强。

关键词：行为识别 MACH滤波最大池化多类支持向量机高斯隶属函数

在线全文

学校读者我要写书评

暂无评论

基于最大池化的图双注意力网络研究及应用

基于最大池化的图双注意力网络研究及应用

作者：王静河北师范大学

学位级别：硕士

电信运营商拥有海量的呼叫详细记录数据,其中由于通话产生的网络反映出人与人之间的社会网络。在此网络中既包含用户的个人属性信息,又包含个人的网络特征信息。如何对如此复杂的网络数据进行处理和分析成为数据挖掘领域的重要研究内容... 详细信息

电信运营商拥有海量的呼叫详细记录数据,其中由于通话产生的网络反映出人与人之间的社会网络。在此网络中既包含用户的个人属性信息,又包含个人的网络特征信息。如何对如此复杂的网络数据进行处理和分析成为数据挖掘领域的重要研究内容。图(graph)是一种数据结构,是对一组实体和实体之间的关系进行建模。近年来由于图结构的强大表现力,用机器学习方法分析图的研究越来越受到重视。网络表示学习是处理网络或者图结构数据的方法。基于网络表示学习的图卷积神经网络(Graph Convolutional Network,GCN)的思想是聚合节点的本地邻域以及属性信息来生成节点嵌入。图卷积神经网络作为一种处理图结构数据的方法具有较好的性能,因此GCN成为广泛研究和应用的图分析方法。图注意力网络(Graph Attention Network,GAT)是在GCN的基础上增加注意力机制,使邻域节点对中心节点进行有效的信息贡献,在预测时将注意力放在周围最相关的节点上,忽略不必要的信息。本文围绕基于注意力机制的图卷积神经网络模型和通话数据中客户流失问题展开研究,主要研究内容有以下几个方面:(1)对通话详细记录数据进行相关分析和数据预处理工作,并利用通话详情数据构建通话社交网络。分析了客户流失前后网络特性的变化,并构建了属性网络模型,为开展图卷积神经网络在图节点分类问题上的研究奠定了基础。(2)针对图注意力网络不能很好的增强注意力信息导致训练过程中收敛速度慢并且精确度不高的问题,提出一种基于双注意力的图神经网络模型。即在原来图注意力网络(GAT)的基础上增加纵向注意力的方法,来“增强”注意力,强制节点学到不同节点对中间节点的特征贡献,使学到的模型精度更高,收敛速度更快。(3)针对已有的图神经网络泛化能力不足,本文基于图结构的特殊性提出图池化操作,该操作可以嵌入到任意图神经网络模型中,实验结果表明池化操作增强了模型的泛化能力,并从一定程度上改善了图卷积神经网络的过平滑问题,提高了模型的准确性。(4)将图神经网络模型应用到真实的社交网络中,用于电信客户流失预测。本文提出的模型与传统的随机森林、XGBoost以及GCN等深度学习方法比较在准确率和召回率等评价指标上都有显著提高。

关键词：通话数据网络表示学习图注意力模型最大池化

GPU上支持最大池化的安全神经网络研究与实现

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

GPU上支持最大池化的安全神经网络研究与实现

作者：郭家磊华中科技大学

学位级别：硕士

随着数据泄露事件的不断增多,安全神经网络逐渐成为机器学习领域研究热点,其中以秘密分享为主的安全多方计算成为学界重点研究的方向。然而现有以秘密分享为主的隐私保护机器学习框架大部分基于CPU实现,远慢于明文框架。最新的Crypt GP... 详细信息

随着数据泄露事件的不断增多,安全神经网络逐渐成为机器学习领域研究热点,其中以秘密分享为主的安全多方计算成为学界重点研究的方向。然而现有以秘密分享为主的隐私保护机器学习框架大部分基于CPU实现,远慢于明文框架。最新的Crypt GPU框架实现GPU上的ABY3方案,极大提升线性计算效率,但其非线性计算方案通信复杂,不能很好地发挥GPU性能。同时Crypt GPU不支持最大池化,仅支持降低部分模型性能的平均池化。对此提出GPU上效率更高且支持最大池化的神经网络分层设计方案。针对分层设计的底层,对比选择GPU上性能更优的理论方案,最终实现安全高效的乘法、衍生乘法与混合相乘等基础算子,合作实现无需布尔电路的基于GPU的符号位获取。基于基础算子设计并实现安全高效的线性层、激活函数、最大池化与损失函数的正向反向传播,其中首次提出GPU上的安全二维最大池化的分解实现,并设计通用的索引秘密使用方案以实现最大池化反向传播。基于链式传播法则灵活组装功能层实现不同神经网络模型,并提供低门槛的使用接口。最终支持在Image Net级别的大规模数据集上对拥有6千万个参数的卷积神经网络进行安全推理与训练。运行时间方面,使用平均池化,推理比Crypt GPU等主流方案平均快2.95到8.93倍,训练平均快1.59到36.66倍。使用最大池化,推理和训练比Crypt GPU方案平均快2.45和1.55倍。准确性方面,实现的安全最大池化能提升如Res Net等基于最大池化训练的模型的推理准确率,同时能加快部分模型的训练收敛速度并提高输出模型的推理准确率。

关键词：安全多方计算秘密分享神经网络最大池化

基于自适应图卷积和注意力池化的点云分类与分割

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机工程与科学 2024年第5期46卷 872-880页

作者：刘玉珍张冬霞陶志勇辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

针对现有点云分类与分割方法使用最大池化聚合局部邻域特征,导致最大值以外的重要信息丢失的缺陷,提出一种结合自适应图卷积AdaptConv和注意力池化AP的点云分类与分割网络。首先,采用K近邻算法构建点云局部图结构,根据点的特征生成自适... 详细信息

针对现有点云分类与分割方法使用最大池化聚合局部邻域特征,导致最大值以外的重要信息丢失的缺陷,提出一种结合自适应图卷积AdaptConv和注意力池化AP的点云分类与分割网络。首先,采用K近邻算法构建点云局部图结构,根据点的特征生成自适应卷积核,灵活精确地捕获点云的局部邻域特征;其次,为有效提高特征聚合能力,采用注意力池化定义能量函数得到权重值,加权并聚合出更具代表性的点云局部特征;最后,堆叠自适应图卷积和注意力池化逐层提取全局特征,提高网络的分类和分割精度。实验结果表明,相较基准方法,点云分类的平均类别精度提升0.9%,部件分割和语义分割的平均交并比分别提升0.8%和0.3%,证明所提方法可有效提升点云分类与分割的准确率,具有较高的鲁棒性。

关键词：自适应图卷积注意力池化能量函数最大池化

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于分形和分理论的分形池化算法

微电子学与计算机 2024年第7期41卷 1-7页

作者：肖莎莎高哲贾凯焦芷媛柴浩宇辽宁大学数学与统计学院辽宁沈阳110036 辽宁大学轻型产业学院辽宁沈阳110036

传统池化操作既不能客观地评价池化区域中数据之间的差异性,也不能有效地保留池化区域中鉴别性特征。为解决这类问题,提出了一种基于分形和分理论,且能够根据每个特征图各通道中数据间的差异性,自行地选择最优池化策略的分形池化算法。... 详细信息

传统池化操作既不能客观地评价池化区域中数据之间的差异性,也不能有效地保留池化区域中鉴别性特征。为解决这类问题,提出了一种基于分形和分理论,且能够根据每个特征图各通道中数据间的差异性,自行地选择最优池化策略的分形池化算法。首先,引入分形和分的定义,构造分形池化算子和训练误差的反向传播算法。该算子不仅包括最大池化、平均池化,还能够降低训练误差。然后,在算法实现的过程中,根据每个特征图各通道中数据间的差异性自适应地整定阶次,以确定池化区域中每个数据的训练权重。最后,在不同数据集和不同架构上进行了大量分类性能实验,验证了所提出的方法比传统池化方法和混合池化都取得了更好的分类效果。

关键词：分形和分最大池化平均池化分形池化分类

结合Segformer与增强特征金字塔的文本检测方法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2024年

作者：张铭泉张泽恩曹锦纲邵绪强华北电力大学控制与计算机工程学院华北电力大学复杂能源系统智能计算教育部工程研究中心

针对自然场景文本检测算法中的小尺度文本漏检、类文本像素误检以及边缘定位不准确的问题，提出一种基于Segformer和增强特征金字塔的文本检测模型。该模型首先采用基于混合Transformer(mix Transformer， MiT)的编码器生成多尺度特征... 详细信息

针对自然场景文本检测算法中的小尺度文本漏检、类文本像素误检以及边缘定位不准确的问题，提出一种基于Segformer和增强特征金字塔的文本检测模型。该模型首先采用基于混合Transformer(mix Transformer， MiT)的编码器生成多尺度特征图；然后，在具有特征金字塔结构解码器的上采样部分，提出级联融合注意力模块，通过全局平均池化、全局最大池化和Ghost模块获取全局通道信息并保留文本特征；接着，在解码器的特征融合部分提出两级正交融合注意力模块，利用非对称卷积分别从水平和垂直方向进行信息增强；最后，利用可微分二值化对结果进行后处理。将本文方法在ICDAR2015、ShopSign1265和MTWI 3个数据集上进行实验，相比于其他8种方法，本文方法的F值均为最优，分别达到了87.8%、59.1%和74.8%。结果表明，本文方法有效提高了文本检测的准确率。

关键词：文本检测特征金字塔注意力机制 Segformer Ghost模块多尺度特征融合平均池化最大池化

一种融合多尺度技术和并行网络的DR检测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

哈尔滨理工大学学报 2024年第1期29卷 87-95页

作者：陈宇徐仕豹东北林业大学信息与计算机工程学院哈尔滨150040

针对糖尿病视网膜病变(DR)检测模型在下采样过程中关键信息丢失和模型鲁棒性差的问题,构建一个PM-Net模型(Parallel Multi-scale Network)。在下采样过程中,利用信息增强的方式设计了多尺度最大池化和多尺度卷积模块并对ResNet-50改进... 详细信息

针对糖尿病视网膜病变(DR)检测模型在下采样过程中关键信息丢失和模型鲁棒性差的问题,构建一个PM-Net模型(Parallel Multi-scale Network)。在下采样过程中,利用信息增强的方式设计了多尺度最大池化和多尺度卷积模块并对ResNet-50改进。进一步,为了提高模型的鲁棒性,使用双分支的架构对模型进行扩展。提出的多尺度模块使得模型在下采样的过程中获得了更加丰富的视网膜眼底图像特征,从而提高了DR检测的性能,同时提出的双分支模型在DR检测过程中用局部信息辅助全局信息保证了模型的鲁棒性。模型在EyePACS、DDR和私有数据集进行了实验验证。实验结果表明:与主流的模型相比,本模型在EyePACS数据集上的准确率和二次加权Kappa分数分别提高了2.58%和1.31%。

关键词：糖尿病视网膜病变多尺度并行网络最大池化 ResNet-50

融合注意力机制和二次特征提取的ResNet小样本农作物病虫害识别

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机系统应用 2024年第9期33卷 208-215页

作者：汪志立王定成曹蓉郑梦丽刘亚鹏卓欣南京信息工程大学软件学院南京210044 南京信息工程大学计算机学院、网络空间安全学院南京210044 南京信息工程大学数字取证教育部工程研究中心南京210044

针对传统机器学习方法对于小样本和多类别的农作物叶片病虫害识别效果和时间不理想的问题,本文利用改进的ResNet模型来实现农作物病害识别.通过加入dropout层、激活函数、最大池化层和注意力机制来提高模型的鲁棒性、特征捕捉能力、实... 详细信息

针对传统机器学习方法对于小样本和多类别的农作物叶片病虫害识别效果和时间不理想的问题,本文利用改进的ResNet模型来实现农作物病害识别.通过加入dropout层、激活函数、最大池化层和注意力机制来提高模型的鲁棒性、特征捕捉能力、实现了用较低的模型参数量来提高病虫害识别的准确率.首先对从公共数据集Plant Village获取的图像进行预处理和增强,将ReLU激活函数替换为PReLU,解决ReLU函数在小于0部分神经元坏死的问题;然后在全局平均池化层之前加入dropout层,设置合理的阈值,有效避免过拟合现象的发生,增强模型的鲁棒性;此外,在dropout与全局平均池化层之间加入最大池化层,不仅能扩大神经元的感受野,还能帮助模型获取局部病虫害的最显著特征,减小图片背景的噪声影响,实现二次特征提取;最后嵌入CBAM注意力机制,使模型自动学习输入特征图中最重要的通道信息,并对其进行通道与空间之间加权,从而更好地捕捉图像中的语义信息.实验结果表明,改进后的模型对测试集识别准确度达99.15%,模型参数量仅为9.13M,与Xception、InceptionV3、原ResNet等模型相比,准确率分别超过了1.01,0.68,0.59个百分点,降低了模型参数量,为农作物病虫害识别提供了一种先进的深度学习方法.

关键词：病虫害识别注意力机制迁移学习最大池化激活函数PReLU

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于Sobel算子的池化算法设计

科学技术与工程 2023年第3期23卷 1145-1151页

作者：冯松松王斌君中国人民公安大学信息网络安全学院北京100038

池化算法是卷积神经网络中用于特征降维、参数压缩、扩大感受野的重要一层。针对现有的池化方法没有充分考虑到池化前特征图的整体内容及风格特征分布问题,提出了一种通过Sobel算子对卷积后的特征图计算每个特征点的梯度值,并根据梯度... 详细信息

池化算法是卷积神经网络中用于特征降维、参数压缩、扩大感受野的重要一层。针对现有的池化方法没有充分考虑到池化前特征图的整体内容及风格特征分布问题,提出了一种通过Sobel算子对卷积后的特征图计算每个特征点的梯度值,并根据梯度值分布确定每个池化窗口取最大值、均值或者最小值的池化算法。该算法充分考虑了特征图池化前后的整体内容及风格特征分布,保持了特征图的整体不变性。实验表明,该池化算法在VGG、ResNet等经典网络架构上取得了优异性能,具有普适性,可用来替代常用的最大池化、平均池化。

关键词：卷积神经网络最大池化平均池化最小池化 Sobel算子