检索结果-南通市图书馆

计算机辅助设计与图形学学报 2022年第2期34卷 208-216页

作者：柏正尧陶劲宇云南大学信息学院昆明650500

针对现有深度学习医学图像超分辨率重建算法因网络参数量大导致计算复杂度过高、网络难以训练的问题,提出一种采用伪3d卷积的轻量级密集残差连接3d卷积神经网络(P3dSRNet)模型.首先利用密集残差块拓宽残差块中卷积层的通道,将更多的特... 详细信息

针对现有深度学习医学图像超分辨率重建算法因网络参数量大导致计算复杂度过高、网络难以训练的问题,提出一种采用伪3d卷积的轻量级密集残差连接3d卷积神经网络(P3dSRNet)模型.首先利用密集残差块拓宽残差块中卷积层的通道,将更多的特征信息传送到激活函数,使网络中浅层图像特征更容易地传播到高层,增强医学图像超分辨率的表达能力;然后采用伪3d可分离卷积策略训练网络,将标准3d卷积核分离成多个卷积核,分阶段进行训练,使网络训练收敛速度更快,解决标准3d卷积拓宽维数导致网络训练难度加大时参数急剧增加的问题.实验结果表明,对比传统的插值超分辨率算法和LRTV超分辨率算法,采用P3dSRNet模型重建的医学图像纹理细节更丰富,视觉效果更逼真,与采用卷积神经网络的超分辨率算法SRCNN3d和ReCNN相比, P3dSRNet模型网络参数大大减少,峰值信噪比分别提升了1.88 dB和0.30 dB,结构相似度分别提升了0.009 6和0.001 1, P3dSRNet模型不仅大大降低了参数量和计算复杂度,而且提高了医学图像的超分辨性能.

关键词：超分辨率磁共振成像伪3d卷积残差学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

伪3d卷积神经网络与注意力机制结合的疲劳驾驶检测

引用

中国图象图形学报 2021年第1期26卷 143-153页

作者：庄员戚湧南京理工大学计算机科学与工程学院南京210094

目的复杂环境下的疲劳驾驶检测是一个具有挑战性的技术问题。为了充分利用驾驶员面部特征信息与时间特征,提出一种基于伪3d(Pseudo-3d,P3d)卷积神经网络(convolutional neural network,CNN)与注意力机制的驾驶疲劳检测方法。方法采用伪3... 详细信息

目的复杂环境下的疲劳驾驶检测是一个具有挑战性的技术问题。为了充分利用驾驶员面部特征信息与时间特征,提出一种基于伪3d(Pseudo-3d,P3d)卷积神经网络(convolutional neural network,CNN)与注意力机制的驾驶疲劳检测方法。方法采用伪3d卷积模块进行时空特征学习;提出P3d-Attention模块,利用P3d的结构融合双通道注意力模块和适应的空间注意力模块,提高对重要通道特征的相关度,增加特征图的全局相关性,将多层深度卷积特征进行融合。利用双通道注意力模块分别在视频帧之间和每一帧的通道上施加关注,去除背景和噪声对识别的干扰,使用自适应空间注意模块使模型训练更快、收敛更好;使用2d全局平均池化层替代3d全局平均池化层获得更具表达能力的特征,进而提高网络收敛速度;运用softmax分类层进行分类。结果在公共数据集Yawdd(a yawning detection dataset)上开展对比实验,本文方法在测试集上的F1-score检测准确率达到99.89%,在打哈欠类别上召回率达到100%;在数据集UTA-RLdd(University of Texas at Arlington real-life drowsiness dataset)上,本文方法在测试集上的F1-score检测准确率达到99.64%,在困倦类别上召回率达到100%;与Inception-V3融合LSTM(long short-term memory)的方法相比,本文方法模型大小为42.5 MB,是其模型大小的1/9,本文方法预测时间约660 ms,是其11%左右。结论提出一种基于伪3d卷积神经网络与注意力机制的驾驶疲劳检测方法,利用注意力机制进一步分析哈欠、眨眼和头部特征运动,将哈欠行为与说话行为动作很好地区分开来。

关键词： 3d卷积神经网络伪3d卷积全局平均池化注意力机制疲劳驾驶

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的行为识别方法

基于注意力机制的行为识别方法

引用

作者：陈建宇西安电子科技大学

学位级别：硕士

随着信息时代的发展,视频数据在日常生活和工作中大量涌现,视频中的人体行为识别也具有巨大的应用价值,涉及智能监控、人机交互和自动驾驶等多个领域,是智能化产业发展的重要任务之一。视频中的人体行为是时间和空间上的动态变化,有效... 详细信息

随着信息时代的发展,视频数据在日常生活和工作中大量涌现,视频中的人体行为识别也具有巨大的应用价值,涉及智能监控、人机交互和自动驾驶等多个领域,是智能化产业发展的重要任务之一。视频中的人体行为是时间和空间上的动态变化,有效提取行为的时空特征是解决问题的关键。近年来,基于深度学习的行为识别研究发展迅猛,网络结构不断革新,数据形式也涉及骨架、RGB和深度图等多种模态,取得了卓越的成就。目前的行为识别方法大多依靠大数据和高性能计算技术,而复杂场景下识别性能的进一步提升离不开人类思维的指导,其中视觉注意力是适合网络应用的机制之一,注意力机制可以帮助网络高效地提取数据中关键信息。此外,针对不同的数据和任务,应设计相契合的注意力机制,帮助提升网络性能。因此本文在骨架数据和RGB数据上,结合相应的任务,分别设计基于注意力机制的行为识别方法,增强关键信息学习,达到了较高的识别准确率。本文的主要工作包括以下两点:首先,在骨架数据模态下,本文提出一种基于引导注意力的双人交互行为识别方法。骨架数据具有轻量、干扰少的特点,被广泛用于行为识别任务中,但是处理双人交互行为时,仍然存在较多冗余信息,现有方法大多不能有效提取交互特征。针对这一问题,本文提出一种引导注意力下的图卷积网络,用于骨架双人交互识别。该网络以人类的观察经验作为先验知识,设计交互行为的骨架图结构,建立可能产生交互的部位连接关系。以这种预设的双人关系作为注意力,约束图卷积的学习,实现知识引导下的特征提取。实验表明本文提出的方法极大提升了双人交互行为的识别准确率。其次,在RGB视频模态下,本文提出一种基于时空注意力的行为识别方法。RGB视频是广泛存在的数据形式,但其在空间和时间上均存在大量的背景信息,人体行为一般只发生于空间中的局部区域,并且时间上也具备不同的重要性。针对这一问题,本文提出了一种基于时空注意力的行为识别网络,通过设计伪3d卷积中的注意力机制,实现对时空重要信息的增强。在空间维度上,该网络自动定位判别性区域,从中学习行为的关键信息,并综合全局区域的信息进行判断。在时间维度上,设计时间注意力模块自适应计算特征重要性,对重要时刻的特征进行增强。空间注意力和时间注意力在网络中统一搭建,协同增强时空关键信息,可以大幅提升行为识别效果。综上所述,本文主要研究基于注意力机制的行为识别方法,针对不同的数据和任务特点,结合人类视觉的行为分析方式,设计相应的注意力网络,提升特征学习能力,在骨架数据和RGB数据任务上均取得了很好的识别结果。

关键词：行为识别注意力机制图卷积伪3d卷积特征增强

来源：

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

视频分类与检索的关键技术研究

视频分类与检索的关键技术研究

引用

作者：李松北京邮电大学

学位级别：硕士

视频由于内容上的生动、直观和多样性,逐渐成为娱乐和社交活动的重要组成部分,但也导致了视频规模的急剧增加。如何有效地对海量视频数据进行分类和检索成为了当前计算机视觉和信息检索领域的研究热点之一。由于视频内容和结构的复杂性... 详细信息

视频由于内容上的生动、直观和多样性,逐渐成为娱乐和社交活动的重要组成部分,但也导致了视频规模的急剧增加。如何有效地对海量视频数据进行分类和检索成为了当前计算机视觉和信息检索领域的研究热点之一。由于视频内容和结构的复杂性,使得视频时空特征表示的有效性成为了一个难点,本文对视频分类和视频检索关键技术进行了较为深入的研究,主要工作如下:1.设计并实现了一种基于多级池化的伪3d卷积神经网络的视频表示算法。视频先通过利用多级池化的伪3d卷积神经网络提取视频时空特征;之后,将均匀池化后的特征送入由全连接层和Softmax组成的全连接模块,而经最大值池化后的特征则通过由PCA降维、聚合局部描述子向量(Vector of Aggregate Locally descriptor,VLAd)和支持向量机(Support Vector Machine,SVM)构成的编码模块。2.提出了一种融合伪3d卷积神经网络与2d卷积神经网络的特征表示算法,通过运动矢量弥补了图像帧在视频表示上的不足,在多个数据集上的实验结果验证了算法的有效性;3.提出了一种有效的多流信息复用算法,提高了视频分类算法的鲁棒性。4.本文采用了伪3d卷积神经网络、特征降维和Kd-Tree检索相结合的结构,有效的降低了检索算法的复杂度,提升了检索算法的效率。并且,实验结果也表明其性能优于目前主流的基于哈希编码的检索结构。5.搭建了基于Web的视频检索系统。

关键词：视频分类伪3d卷积累加运动矢量视频检索特征降维

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：