检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于混合卷积的有限角度发射光谱层析重建

光学学报 2022年第13期42卷 106-119页

作者：朱孙泳金莹吴泉英刘海山司徒国海苏州科技大学物理科学与技术学院江苏苏州215009 中国科学院上海光学精密机械研究所信息光学与光电技术实验室上海201800

为了解决传统迭代类重建算法在光学窗口有限和采样角度受限情况下火焰三维重建精度低的问题,提出了一种基于三维-二维卷积串联的混合卷积神经网络模型,作为空间特征提取器。该模型利用三维卷积同步提取多视角投影图的空间特征,并采用二... 详细信息

为了解决传统迭代类重建算法在光学窗口有限和采样角度受限情况下火焰三维重建精度低的问题,提出了一种基于三维-二维卷积串联的混合卷积神经网络模型,作为空间特征提取器。该模型利用三维卷积同步提取多视角投影图的空间特征,并采用二维卷积进一步加快训练速度,减少计算损耗。与传统的迭代类重建算法和基于残差网络的重建算法相比,该网络模型具有重建精度高、时间成本低等特点,有望用于实际工况中火焰场的在线监控和快速重建。

关键词：机器视觉发射光谱层析重建算法混合卷积有限角度

在线全文

学校读者我要写书评

暂无评论

基于三维注意力与混合卷积的高光谱图像分类

系统工程与电子技术 2023年第9期45卷 2673-2680页

作者：赵晓枫牛家辉刘春桐夏玉婷火箭军工程大学导弹工程学院陕西西安710025 兵器发射理论与技术国家重点学科实验室陕西西安710025

针对现有高光谱图像分类模型在特征提取的过程中有效特征关注缺乏的问题,提出了一种基于三维卷积注意力与混合卷积的高光谱图像分类方法。该方法使用三维卷积和二维卷积串联完成对高光谱图像空谱特征的提取,并在三维卷积阶段引入注意力... 详细信息

针对现有高光谱图像分类模型在特征提取的过程中有效特征关注缺乏的问题,提出了一种基于三维卷积注意力与混合卷积的高光谱图像分类方法。该方法使用三维卷积和二维卷积串联完成对高光谱图像空谱特征的提取,并在三维卷积阶段引入注意力机制,使得模型在提取底层空谱特征的同时实现对有效特征的关注和激活。相对于传统三维卷积模型,提出的分类模型减小了运算复杂度,提升了模型噪声抑制能力,提高了分类效果。针对该方法的消融实验证明了提出的三维卷积注意力机制的有效性,在印第安松树林和帕维亚大学两个公开数据集上与其他5种分类模型的对比实验中取得了最优的分类精度。

关键词：高光谱图像分类三维注意力机制混合卷积空谱特征提取

结合混合卷积和多尺度注意力的视频异常检测算法

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

液晶与显示 2024年第8期39卷 1128-1137页

作者：杨大为刘志权王红霞沈阳理工大学信息科学与工程学院辽宁沈阳110159

基于U-net风格的无监督视频异常检测模型有着较好的检测效果,但由于普通卷积运算使用固有的局部特性,使U-Net风格的编码器无法有效地提取全局上下文信息,并且使用简单的跳跃连接无法获得有效的特征信息,使用的L2损失函数是仅考虑了像素... 详细信息

基于U-net风格的无监督视频异常检测模型有着较好的检测效果,但由于普通卷积运算使用固有的局部特性,使U-Net风格的编码器无法有效地提取全局上下文信息,并且使用简单的跳跃连接无法获得有效的特征信息,使用的L2损失函数是仅考虑了像素级别的差异而无法捕捉图像的结构特征。对此提出了结合混合卷积和多尺度注意力的视频异常检测算法,并加入结构相似性损失函数(SSIM)优化模型。具体来说,在编码器最后一层添加混合卷积模块,混合空间和位置的特征来提取全局上下文信息。在编码器和解码器之间的跳跃连接中添加多尺度注意力模块,使模型能提取更有价值的特征,实现有效的跳跃连接。使用参数约束结构相似性损失函数与L2损失函数的权重,从而更准确地优化模型。实验结果表明,所提算法在UCSD-Ped2和CUHK Avenue公开数据集上的AUC指标达到96.7%和86.1%,与改进前的模型相比提高了1.6%和1.4%,证明了所提模型的有效性。

关键词：上下文信息跳跃连接混合卷积多尺度注意力结构相似性

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

联合注意力与混合卷积的高光谱地物识别研究

云南大学学报（自然科学版） 2024年第4期46卷 654-664页

作者：郭国璐范玉刚昆明理工大学信息工程与自动化学院云南昆明650500 云南省人工智能重点实验室云南昆明650500

针对高光谱地物识别模型在提取空谱联合特征时,缺乏对空间特征有效关注的问题,提出了一种基于注意力机制和混合卷积神经网络的高光谱地物识别方法.该方法用三维CNN(3DCNN)以及二维CNN(2DCNN)对高光谱图像的空谱联合特征进行提取,并在二... 详细信息

针对高光谱地物识别模型在提取空谱联合特征时,缺乏对空间特征有效关注的问题,提出了一种基于注意力机制和混合卷积神经网络的高光谱地物识别方法.该方法用三维CNN(3DCNN)以及二维CNN(2DCNN)对高光谱图像的空谱联合特征进行提取,并在二维卷积阶段引入了注意力机制,构建AFCNet地物识别模型,使得其在提取空谱联合特征的同时,实现对空间特征的有效关注和激活.所提模型使用带批归一化层(batch normalization,BN)的3D卷积核和2D卷积核,加快了模型的收敛速度,防止了过拟合现象的发生.相对于传统的卷积网络模型,所提模型提高了噪声抑制能力,得到了较好的地物识别效果,在Salinas和Pavia University&Center数据集上,取得了99.96%和99.87%的地物识别精度,验证了所提方法的有效性.

关键词：高光谱图像分类混合卷积注意力机制空谱联合特征

基于多尺度特征融合和混合卷积自注意力的目标跟踪

在线全文

学校读者我要写书评

暂无评论

基于多尺度特征融合和混合卷积自注意力的目标跟踪

作者：尹鹏南昌工程学院

学位级别：硕士

目标跟踪是计算机视觉领域中的重要研究课题之一,其目的是在连续的图像序列或视频帧中跟踪特定的目标,对目标的状态进行估计并预测目标在每帧中的准确位置。近年来,目标跟踪在精度和速度方面取得了重大进展。由于受到快速运动、低分辨... 详细信息

目标跟踪是计算机视觉领域中的重要研究课题之一,其目的是在连续的图像序列或视频帧中跟踪特定的目标,对目标的状态进行估计并预测目标在每帧中的准确位置。近年来,目标跟踪在精度和速度方面取得了重大进展。由于受到快速运动、低分辨率等因素的影响,建立有效的特征提取模型、构建鲁棒的特征融合网络模型以及设计一个高效且稳定的跟踪器仍然是一个具体挑战性的任务。在研究现有跟踪算法的基础上,结合深度学习、混合卷积以及自注意力等理论和方法,对特征提取网络和特征融合模型进行研究分析与改进。本文主要研究内容和成果如下:(1)提出一种基于多尺度层次化特征表示的目标跟踪算法。首先,在孪生神经网络框架中,通过将特征识别器分别嵌入在前三个卷积块之后,构建层次化特征提取网络模型。特征识别器生成三维注意图,对重要特征信息进行聚焦,以关注重要元素的位置和内容;并通过动态调整目标特征的权重,以获得强大的目标的特征,可以更好地处理快速运动、低分辨率以及尺度变化等问题,进一步提高了特征提取网络模型的表示能力。然后,构建双分支多尺度特征融合网络模型,在模板分支中,该模型将模板的特征集与编码特征作为输入。其中编码特征作为查询,与对应的模板特征集进行融合;在搜索分支,将搜索区域的目标特征与编码特征输入译码器,产生更加鲁棒的图像特征,使得跟踪器可以捕获模板与搜索分支之间复杂的非线性交互,进一步建立不同尺度特征之间的关联。最后,通过消融实验以及在多个测试基准上进行了充分评估,实验评估表明,该算法与最先进的算法相比具有优越的跟踪性能。(2)提出一种基于混合卷积与自注意力聚合网络的目标跟踪算法。设计一个新的带有混合卷积和自注意力聚合模块的特征提取网络用于目标跟踪。首先,选择深度卷积和逐点卷积构建混合卷积,有效地将图像特征的空间混合与信道混合分离。自注意力使用相似度函数对输入特征进行动态计算,可以自适应聚焦于不同的区域,捕获更多的特征信息;通过自注意力来提高跟踪器的全局建模能力,以此构造一个基于混合卷积与自注意力的特征聚合模块,以增强特征的表示能力。该聚合模块能够有效地从相关特征图中提取局部与全局特征。然后,在聚合模块尾部添加一个随机失活层,用于缓解跟踪模型在训练过程中的过拟合现象,提升跟踪器的泛化能力。该算法充分利用了混合卷积与自注意力的优势,使得跟踪器更好地处理目标遮挡、运动模糊以及相似目标等因素对跟踪产生的影响,实现更精确的跟踪。实验结果表明,该算法在十个具有挑战性的测试基准上与最先进的跟踪算法相比,取得了优异的跟踪性能。

关键词：目标跟踪特征提取多尺度特征融合混合卷积自注意力

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

基于混合卷积的大规模人脸聚类算法研究

基于混合卷积的大规模人脸聚类算法研究

作者：黄志忠安徽大学

学位级别：硕士

本文主要针对大规模的人脸聚类算法展开研究。人脸聚类是挖掘未标记人脸数据必不可少的工具,并且在现实世界中有着非常广泛的应用。例如,人脸图像标注、人脸检索、人脸识别等。近些年来,深度学习由于其高性能成为了热点的研究方向,利用... 详细信息

本文主要针对大规模的人脸聚类算法展开研究。人脸聚类是挖掘未标记人脸数据必不可少的工具,并且在现实世界中有着非常广泛的应用。例如,人脸图像标注、人脸检索、人脸识别等。近些年来,深度学习由于其高性能成为了热点的研究方向,利用图神经网络处理非欧式空间数据的特点在人脸聚类上经常出现并且逐渐成为了现在主流的方法。通过这种方法在人脸聚类上获得了极大的聚类性能提升。值得注意的是,常用的人脸聚类方法一般要将大规模人脸数据构造成图结构,并将其输入到GCN中。由于人脸数据规模越来越大,大规模人脸数据构建的大图直接输入到GCN里很容易超出内存并且模型很难得到训练,此外,GCN多次堆叠很容易导致过平滑,因此很难获取高阶深度的图结构数据。本文总结之前的研究方法并且着眼于目前的一些新的研究方法,开展相关的研究,主要内容如下:(1)针对GCN不能很好的获取深度的图结构数据,我们引入超图卷积。具体来说,首先我们用CNN提取人脸图像特征,通过用人脸特征KNN来构造大图,然后用METIS随机的将大图划分为完全不重叠的子图,最后引入了超图卷积来学习更深层次的高阶图结构数据。在三个公共的数据集MS-Celeb-1M、Deep Fashion、CASIA上验证了模型的有效性。(2)针对METIS随机划分的子图缺乏图结构信息,因此,我们提出了一个新的局部性方法,称之为结构性游走采样。这种采样方法可以去除大量重叠的子图,并且采样的子图具有随机性和连通性。此外,虽然HGCN能够获取深度的高阶图结构信息,但很有可能会忽略图邻居信息,因此,我们还设计了一种超图卷积模块与图卷积模块相结合的方法。称为混合卷积(Hybrid-GCN),进一步提高了特征表示能力。最终,为了验证提出的方法的有效性,在三个广泛使用的数据集上MS-Celeb-1M、Deep Fashion、CASIA进行了大量的实验。

关键词：人脸聚类大图图卷积超图卷积图采样混合卷积

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

基于混合卷积的学生专注度自动识别方法研究

基于混合卷积的学生专注度自动识别方法研究

作者：肖小范华中师范大学

学位级别：硕士

互联网的发展深刻地改变了我们的生活的各个方面,也改变了我们的学习方式。我们的学习不仅仅受限于书本、教室和老师。我们既可以在教室学习也可以在线上学习。然而网上学习平台的辍学率却非常高,传统大教室的教学效果也并没有小班教学... 详细信息

互联网的发展深刻地改变了我们的生活的各个方面,也改变了我们的学习方式。我们的学习不仅仅受限于书本、教室和老师。我们既可以在教室学习也可以在线上学习。然而网上学习平台的辍学率却非常高,传统大教室的教学效果也并没有小班教学或者一对一效果显著。究其原因是由于在这些学习环境中,教师与学生之间的良好交流状态被切断,学生学习时的参与情况和专注情况并不能及时地反馈给老师。因此,我们发现识别课堂学生专注度无论对于传统的教室教学还是线上课程的学习都具有十分重要的意义。学生专注度反映了学生上课时的专注程度,对所学知识点的接受程度和感兴趣程度。他与学生的学业表现息息相关,对于减少网上教学平台的辍学率、个性化设置在线课程等具有十分重要的意义。现有的学生专注度的识别有基于问卷的方法、基于传感器设备的方法、基于点击流的方法和基于视频数据的方法。然而基于问卷的方法和基于传感器的方法虽然简单直观,但是并不能推广到大规模的在线课堂。基于点击流的方法关注的是学生在线课程中是否辍学或者完成学业这个结果,忽略了学习的中间过程,而且也不能应用到传统的教学环境中。基于视频的学生专注度识别是近年来学生专注度识别领域的新趋势。基于视频的学生专注度识别方法利用机器学习和深度学习等方法对学生的学习过程进行分析。现有的基于视频的学生专注度识别方法主要分为基于二维卷积的方法和基于三维卷积的方法。二维卷积虽然在图片分类上已经取得了登峰造极的效果,然而其天然结构上的缺失使得其难以对三维的视频数据的时序进行建模分析。三维卷积依靠结构上的优势虽然可以同时对学生专注度的视频进行时空信息的建模,但是也因此三维卷积的体量却变得异常庞大,相对于拥有相同层数的二维卷积,三维卷积有更多的参数需要训练。基于这样的背景,本文探讨一种基于混合卷积模式的学生专注度识别方法。所谓混合卷积就是在同一个卷积网络中同时使用二维卷积和三维卷积。混合卷积克服了纯二维卷积模型难以对时序建模的弱点,同时也避开了纯三维卷积模型参数数量庞大难以训练的缺点。结合学生专注度领域存在的问题:如数据集规模小、数据不均衡、光流信息弱、专注度持续时间短、视频光线照明变化大,本文提出基于混合卷积的学生专注度自动识别模型(HDC-ASER),主要完成的工作如下:1.提出基于混合卷积网络的学生专注度自动识别模型,该模型克服纯二维卷积网络和三维卷积的缺点。并在学生专注度识别领域的数据集取得了高于benchmark的成绩。其中四分类结果为60.2%,二分类结果为97.6%。2.考虑到专注度领域数据光流信息弱,帧与帧之间存在大量的数据冗余,本文经过合理的帧采样频率设置和三维卷积核大小设计。得到了针对学生专注度识别数据集的最佳采样频率和最合适的混合卷积结构。3.考虑到学生专注度领域数据存在严重的数据不均衡,本文将针对于二分类数据不均衡的focal loss推广到多分类,引入多分类的focal loss损失,解决了学生专注度领域数据集严重数据不均衡的情况。4.针对于学生专注度视频中学生学习时的背景环境变化大,如照明条件跨度大,背景多而且杂。本文通过了数据增强等手段克服了上述问题。使得预处理之后的数据能直接放入模型中进行学习。5.为了证明本文提出的模型具有可拓展性和实用性。本文也将HDC-ASER模型在情绪分类数据集AFEW视频数据集上进行训练和验证,并得到了高于benchmark 的结果。

关键词：学生专注度混合卷积多分类focal loss 情感识别

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

一种用于医学图像分割的混合卷积网络

现代计算机 2024年第8期30卷 50-55页

作者：张眉芳李其铿谢隆腾福建卫生职业技术学院公共卫生与健康管理学院福州350101

从医学图像中鲁棒性地分割器官是医学图像分析用于疾病诊断的关键技术之一。U⁃Net是一种用于医学图像分割的鲁棒结构。然而,U⁃Net采用连续的下采样编码器来捕捉多尺度特征,高层语义特征恢复不足,从而导致上下文信息丢失,无法充分恢复待... 详细信息

从医学图像中鲁棒性地分割器官是医学图像分析用于疾病诊断的关键技术之一。U⁃Net是一种用于医学图像分割的鲁棒结构。然而,U⁃Net采用连续的下采样编码器来捕捉多尺度特征,高层语义特征恢复不足,从而导致上下文信息丢失,无法充分恢复待分割器官特征。对编码器难以捕捉多尺度特征、高层语义特征恢复不足导致上下文信息丢失进行研究,提出了一种新的混合卷积网络来捕捉更多的上下文信息和高级语义特征。混合卷积网络的主要思想是利用提出的混合卷积连接模块从特征编码器提取更多的上下文信息和高级语义特征。多尺度特征提取模块用于连接编码器和解码器子网络,以获得更丰富的多尺度特征图。将提出的方法与最先进的方法在CHASEDB数据集和FRSA数据集上进行了比较。实验结果表明,提出方法的分割效果优于其他分割方法。

关键词：医学图像分割混合卷积多尺度特征上下文信息

基于卷积神经网络的欠采样脑部核磁共振图像重建方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2020年第10期40卷 3060-3065页

作者：杜年茂徐佳陈肖志勇江南大学人工智能与计算机学院江苏无锡214122

针对目前基于深度学习的欠采样磁共振(MR)图像重建方法都是基于单个切片的重建而忽略相邻切片间的数据冗余的问题,提出一种用于欠采样的多切片脑部MR图像重建的混合级联卷积神经网络(HC-CNN)。首先,将传统的重建方法拓展为基于深度学习... 详细信息

针对目前基于深度学习的欠采样磁共振(MR)图像重建方法都是基于单个切片的重建而忽略相邻切片间的数据冗余的问题,提出一种用于欠采样的多切片脑部MR图像重建的混合级联卷积神经网络(HC-CNN)。首先,将传统的重建方法拓展为基于深度学习的重建模型,并使用级联卷积神经网络来代替传统的迭代重建框架。然后,在每次迭代重建中,分别使用3D卷积模块和2D卷积模块来学习脑部MR图像序列中存在的相邻切片间与单幅切片内部的数据冗余。最后,在每次迭代中使用数据一致性(DC)模块来保持重建图像在k-空间的数据保真度。在单线圈脑部MR图像数据集上的仿真实验结果显示,相较于基于单幅MR图像的重建方法,所提方法在4倍加速因子下的峰值信噪比(PSNR)值平均提升了1.75 dB,在6倍降采样因子下的PSNR值平均提升了2.57 dB,而且该方法的单张图像重建平均用时为15.4 ms。实验结果表明:所提方法不仅能够有效利用切片间的数据冗余并重建出更高质量的图像,而且具有较高的实时性。

关键词：图像重建脑部核磁共振成像深度学习卷积神经网络混合卷积