检索结果-南通市图书馆

同方期刊数据库

基于集成时频通道注意力的倒残差神经网络干扰识别

在线全文

学校读者我要写书评

暂无评论

信号处理 2023年第2期39卷 343-355页

作者：靳增源张晓瀛谭思源张学庆魏急波国防科技大学电子科学学院湖南长沙410073 西安电子工程研究所陕西西安710100 国防科技大学信息通信学院湖北武汉430010

准确识别干扰类型是实施高效抗干扰举措的先决条件。针对低干噪比(Jamming-to-Noise Ratio,JNR)的条件下干扰识别准确率低的问题,本文将信号短时傅里叶变换(Short Time Fourier Transform,STFT)后的时频图像作为卷积神经网络训练输入,... 详细信息

准确识别干扰类型是实施高效抗干扰举措的先决条件。针对低干噪比(Jamming-to-Noise Ratio,JNR)的条件下干扰识别准确率低的问题,本文将信号短时傅里叶变换(Short Time Fourier Transform,STFT)后的时频图像作为卷积神经网络训练输入,提出一种以倒残差结构为主体的神经网络架构,并引入联合时频通道注意力机制模块,同时从时频图像提取时频域和通道域的综合干扰特征,充分利用多维度的干扰特征信息来准确识别干扰类型。仿真结果表明,在JNR=-8 dB时,本文所提算法能够实现对8种类型干扰100%的准确识别,在JNR=-10 dB时所有类型的干扰信号识别准确率都能达到98.3%以上,在JNR=-14 dB准确率也依然可以达到90%以上。同时分析了所提算法的网络复杂度,结果表明所提方案在时间和空间复杂度上得到了较好的折中,验证了模型的性能优越性。

关键词：干扰识别深度神经网络倒残差结构注意力机制

结合CWT和LightweightNet的滚动轴承实时故障诊断方法

在线全文

学校读者我要写书评

暂无评论

智能系统学报 2023年第3期18卷 496-505页

作者：李飞龙和伟辉刘立芳齐小刚西安电子科技大学计算机学院陕西西安710071 西安卫星测控中心陕西西安710049 西安电子科技大学数学与统计学院陕西西安710071

针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征... 详细信息

针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征并将一维信号转换成二维图片;然后,结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类,LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明,本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度,基本可以实现滚动轴承的实时故障诊断,且在内存消耗与模型存储占用空间方面远小于其他同类方法。

关键词：滚动轴承故障诊断连续小波变换时频域特征轻量级神经网络分组卷积通道混洗倒残差结构

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

一种端到端的人脸对齐方法

计算机工程 2021年第10期47卷 207-213页

作者：康智慧王全玉王战军北京理工大学计算机科学与技术学院北京100081 北京理工大学人文与社会科学学院北京100081

现有的人脸对齐方法多数是非端到端的,中间过程需要大量的人工干预,导致人脸关键点检测的稳定性较差。为此,提出一种端到端的基于深度学习的人脸对齐方法。基于MobileNets系列网络的子模块,使用类VGG结构的方式进行搭建,将整张图片作为... 详细信息

现有的人脸对齐方法多数是非端到端的,中间过程需要大量的人工干预,导致人脸关键点检测的稳定性较差。为此,提出一种端到端的基于深度学习的人脸对齐方法。基于MobileNets系列网络的子模块,使用类VGG结构的方式进行搭建,将整张图片作为输入,采用基于深度可分离卷积模块进行特征提取,并运用改进的倒残差结构避免网络训练过程的梯度消失,减少特征损失。在此基础上将眼间距离作为正规化方法,在300W人脸数据集上进行测试,结果表明,与CDM、DRMF等方法相比,该方法在保证较优精度的同时,具有良好的实时性。

关键词：人脸对齐人脸特征点特征提取深度可分离卷积倒残差结构

在线全文

学校读者我要写书评

暂无评论

多尺度特征融合的头影标志点检测

计算机工程 2023年第3期49卷 271-279页

作者：任家豪张光华乔钢柱武秀萍中北大学大数据学院太原030051 太原学院智能与自动化系太原030032 山西医科大学口腔医学院太原030001

头影标志点检测对于临床诊断、治疗计划和研究至关重要。为提高自动检测的准确性,提出一种改进的多尺度特征融合检测模型AIW-Net。采用经过预训练的轻量型网络MobileNetV2作为主干网络进行特征提取,使用上、下采样路径构成中间模块,利... 详细信息

头影标志点检测对于临床诊断、治疗计划和研究至关重要。为提高自动检测的准确性,提出一种改进的多尺度特征融合检测模型AIW-Net。采用经过预训练的轻量型网络MobileNetV2作为主干网络进行特征提取,使用上、下采样路径构成中间模块,利用改进的倒残差模块减少下采样过程中的特征损失。在解码器模块中引入从粗到细的中间监督,将得到的多个尺度热图与特征图进行融合,并在跳跃连接中使用注意力门,有效抑制特征图中的背景区域响应。在ISBI 2015 Grand Challenge提供的基准数据集Test 1上进行实验,结果表明,该模型的平均径向误差为1.14 mm,在临床可接受的误差范围2 mm与2.5 mm内的成功检测率分别为86.38%与92.10%,性能优于W-Net、IW-Net等模型。

关键词：标志点检测多尺度特征融合倒残差结构注意力门热图回归

在线全文

学校读者我要写书评

暂无评论

基于轻量级网络的飞机蜂窝结构积水缺陷检测

计算机测量与控制 2023年第8期31卷 64-69,97页

作者：徐方刘文波汪荣华滕子煜南京航空航天大学自动化学院南京211106 高速载运设施的无损检测监控技术工业和信息化部重点实验室南京211106 国营芜湖机械厂安徽芜湖241000

复合材料蜂窝结构在飞机服役过程中产生的积水缺陷在日常维护和检修过程中依赖人工、检测效率低、自动化程度低,若未能及时发现将严重威胁飞行安全;针对该问题,结合实际检修场景中使用的移动或嵌入式设备算力有限的情况,设计了一种融合... 详细信息

复合材料蜂窝结构在飞机服役过程中产生的积水缺陷在日常维护和检修过程中依赖人工、检测效率低、自动化程度低,若未能及时发现将严重威胁飞行安全;针对该问题,结合实际检修场景中使用的移动或嵌入式设备算力有限的情况,设计了一种融合通道注意力和倒残差算法的模块SE-IR,进一步搭建了基于SE-IR模块的轻量级网络SE-IR LCNN,尽可能地在保证网络检测准确率的同时减小网络的参数量;为了验证所提轻量级网络的有效性、使用数字X射线摄影设备获取蜂窝结构及其积水缺陷数字化图像并制成数据集;在该数据集上的实验结果表明,所提轻量级网络的分类准确率为99.20%,可有效筛选出飞机蜂窝结构的积水缺陷;相较于经典网络ResNet-50和VGG-16,所提网络的准确率分别提升了9.6%和3.66%、参数量仅为ResNet-50参数量的1/10、VGG-16参数量的1/50。

关键词：航空复合材料蜂窝结构积水无损缺陷检测倒残差结构通道注意力机制

基于有效感受野和注意力融合机制的脑肿瘤全自动分割

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

中国医学物理学杂志 2024年第5期41卷 563-570页

作者：邹祥王瑜肖洪兵杨迪北京工商大学计算机与人工智能学院北京100048 中工国际工程股份有限公司北京100048

深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net)。EAU-Net采用有效感受野拓展模块和注意力融... 详细信息

深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net)。EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量。在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性。

关键词：脑肿瘤分割 EAU-Net 有效感受野拓展模块注意力融合模块倒残差结构

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

一种轻量级CNN玉米病害图像识别方法

江苏农业科学 2024年第5期52卷 201-207页

作者：史宝明贺元香赵霞兰州文理学院数字媒体学院甘肃兰州730010 甘肃农业大学信息科学技术学院甘肃兰州730070

针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,... 详细信息

针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,用线性瓶颈的倒残差深度可分离卷积代替标准卷积,用卷积层来代替全连接层,大幅度降低了模型的参数量和运算量。在深度卷积和点卷积之间加入改进的squeeze and excitation通道注意力模块,来增强模型精度。注意力模块的第2个全连接层的激活函数使用hard-swish代替sigmoid,可以大幅度提高运算速度。试验样本数据为PlantVillage数据集的玉米病害子数据集,由于样本数据集偏小,通过随机旋转、随机缩放大小、随机宽度高度偏移、水平翻转、垂直翻转、随机错切变换、随机亮度变化、样本零均值化等方式对样本数据进行了增强和扩充,扩充后的数据集在改进模型上进行试验。试验结果表明,和VGG16对比,改进模型的准确率提高了1.48百分点,参数量是原模型的1/5,运算量是原模型的1/15;在不降低准确率的前提下,模型的参数量和运算量大幅度降低,实现了模型的轻量化。改进模型可以部署在移动终端等手持设备上,为农业病害识别提供指导和参考。

关键词：玉米病害轻量级卷积神经网络倒残差结构深度可分离卷积 VGG 病害图像识别

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

基于深度学习的汽车保险丝盒检测算法

基于深度学习的汽车保险丝盒检测算法

作者：陈宇南昌大学

学位级别：硕士

随着计算机视觉的不断发展,图像处理的重要性越来越明显。如何充分利用图像信息显得愈发重要。现如今,计算机视觉领域的发展成果正逐渐应用在人们的日常生活中。在安防领域,安保系统减轻了安保工作人员的巡逻负担;在医疗领域,优良的医... 详细信息

随着计算机视觉的不断发展,图像处理的重要性越来越明显。如何充分利用图像信息显得愈发重要。现如今,计算机视觉领域的发展成果正逐渐应用在人们的日常生活中。在安防领域,安保系统减轻了安保工作人员的巡逻负担;在医疗领域,优良的医学图像处理可以帮助医生更加清楚病人的病因所在;在交通领域,对交通状况的实时监控与分析有效减少了交通事故的发生。保险丝盒作为汽车零件的重要组成部分之一,其中保险丝以及继电器的正确安装对于行车安全的重要性不容忽视,因此在对其进行检测时需要保证高精度。然而传统人工检测方式存在检测效率低以及错检漏检等诸多问题,不能满足高质量发展理念。在目标检测领域,利用卷积神经网络提取图片特征从而进行后续的检测已经成为主流。将深度学习利用到汽车保险丝检测中可以大大加快检测速度,提高检测精度,并且可以对保险丝盒中保险丝的缺陷检测提供帮助。因此本文就对汽车保险丝盒中保险丝以及继电器的检测算法进行研究,主要研究工作有以下三个方面:(1)本文以少量保险盒图片作为初始数据集,对初始数据集中的样本设置浮动窗口进行裁剪采样,使用LabelImg进行人工标注。最后通过数据增广得到包含5000个样本的数据集,用以提高模型训练时泛化能力。(2)对比传统网络SSD、Faster R-CNN在保险丝盒数据集上的检测效果,选择将Faster R-CNN网络作为本文的基础网络。在其基础上,针对保险丝盒中存在不同尺度的目标,本文提出了F-Faster R-CNN网络。该网络引入了特征金字塔网络结构,利用不同尺度的感受野,实现多尺度的特征提取。(3)针对F-Faster R-CNN网络模型存在的模型参数量大和预测时间长等问题,引入了可分离卷积和倒残差结构,同时研究了不同输入层结合特征金字塔网络得到的MF-Faster R-CNN网络的检测精度,实现在检测精度达到一定水平的基础上显著的提升了检测的速度。

关键词：汽车保险丝盒目标检测可分离卷积倒残差结构

基于倒残差和Transformer的单目标视觉跟踪算法研究

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

基于倒残差和Transformer的单目标视觉跟踪算法研究

作者：张峰南京航空航天大学

学位级别：硕士

单目标视觉跟踪是计算机视觉领域的一个研究热点,在自动驾驶、智能视频监控等领域有诸多应用。目前基于深度学习的目标跟踪方法表现优异,但仍存在形变、遮挡、尺度变化大和快速运动等挑战。本文针对这些问题,从特征提取的主干网络、模... 详细信息

单目标视觉跟踪是计算机视觉领域的一个研究热点,在自动驾驶、智能视频监控等领域有诸多应用。目前基于深度学习的目标跟踪方法表现优异,但仍存在形变、遮挡、尺度变化大和快速运动等挑战。本文针对这些问题,从特征提取的主干网络、模板和搜索区域的特征融合策略以及回归模型等方面对现有目标跟踪算法进行研究,引入倒残差结构和重参数化模型增强骨干网络特征表达能力,借鉴特征金字塔网络和Transformer的注意力机制完成多级特征的自融合和交叉融合。主要工作如下:(1)提出了一种基于倒残差结构的特征交叉融合跟踪算法。使用倒残差结构构建用于特征提取骨干网络,设计了特征交叉融合网络对骨干网络提取的不同层级特征进行融合,增强深层特征和浅层特征图的互补性。实验证明在UAV123上成功率得分为0.591,相比Siam RPN提高了11.7%。(2)提出了一种基于重参数化网络的Transformer跟踪算法。引入重参数化模型构建训练阶段和推理阶段的深度特征提取网络,同时基于Transformer模型,设计了目标模板和搜索区域的自注意力和交叉注意力模型。整体选择Anchor-free架构有更少的超参数和更强的泛化能力。实验证明在GOT-10k上AO得分为0.606,相比于Siam FC++AO得分领先1.1%。(3)提出了一种基于多层深度特征的Transformer视频目标跟踪算法。在之前的研究基础上将骨干网络提取的两层特征图送入到SCA-CAF模块进行特征融合,并使用CIo U-Loss作为回归分支的损失函数。实验证明在GOT-10k上AO得分为0.644,相比于Ocean提高了5.4%。

关键词：目标跟踪孪生网络倒残差结构重参数网络 Transformer CIoU-Loss