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

基于多尺度特征引导的细粒度野生菌图像识别

激光与光电子学进展 2022年第12期59卷 182-191页

作者：张志刚余鹏飞李海燕李红松云南大学信息学院云南昆明650500

鉴于国内野生菌中毒事件频发,拟采用深度学习技术来解决这一社会问题。但由于野生菌图像的类间差异较小,图像背景复杂,细粒度识别精度较低。针对这一问题,提出了一种改进的ResNeXt50网络。首先设计了一种多尺度特征引导(MSFG)模块,通过... 详细信息

鉴于国内野生菌中毒事件频发,拟采用深度学习技术来解决这一社会问题。但由于野生菌图像的类间差异较小,图像背景复杂,细粒度识别精度较低。针对这一问题,提出了一种改进的ResNeXt50网络。首先设计了一种多尺度特征引导(MSFG)模块,通过短连接引导网络充分学习和利用低级特征与高级特征;接着采用改进的注意力机制模块来减少网络对复杂背景的学习;最后对模型中的不同层级特征进行融合,利用得到的联合特征进行识别。实验结果表明,所提改进模型在测试集上的准确率可以达到96.47%,较未改进的ResNeXt50网络,在准确率上提升了2.64个百分点。对比结果显示,相较VGG19、DenseNet121、Inception_v3、ResNet50、ShuffleNet_v2这5个网络模型,所提改进模型在准确率上分别提升了8.10个百分点、5.13个百分点、3.24个百分点、3.30个百分点、4.25个百分点。

关键词：图像识别细粒度多尺度特征引导注意力机制联合特征

基于深度质量感知和分层特征引导的RGB⁃D显著性检测

在线全文

学校读者我要写书评

暂无评论

计算机工程 2023年第5期49卷 255-261,268页

作者：宋梦柯郑元超陈程立诏青岛大学计算机科学技术学院山东青岛266071

现有基于融合的RGB-D显著性物体检测方法在对跨模态特征进行融合时忽视了RGB和深度图两模态特征的差异性,跨模态特征融合不均衡的问题使得模型不能充分利用跨模态互补特征,而低质量深度图也会对模型性能带来损害。提出一种基于深度质量... 详细信息

现有基于融合的RGB-D显著性物体检测方法在对跨模态特征进行融合时忽视了RGB和深度图两模态特征的差异性,跨模态特征融合不均衡的问题使得模型不能充分利用跨模态互补特征,而低质量深度图也会对模型性能带来损害。提出一种基于深度质量感知和分层特征引导的RGB-D显著性物体检测算法。算法分为两个阶段:深度质量感知阶段和分层特征引导阶段。在第一阶段,利用深度质量感知从现有的主流RGB-D显著性物体检测训练数据集中挖掘高质量深度图,对训练集进行增强,提升低质量深度图的质量,减少噪声数据对模型性能的损害;在第二阶段,利用特征引导网络对RGB图和深度图进行分层自适应权重动态融合,在有效增加融合效率的同时增强跨模态融合的感知能力。在基准数据集NJUD、NLPR、SSD、STEREO和SIP上的实验结果表明,相比于SSF、CDNet、D3Net、DASNet等方法,该算法能够大幅提升深度图质量,其中在NLPR数据集上F-Measure值为0.934,MAE仅为0.020,综合性能优于其他相关SOTA方法,证明了先挖掘高质量深度图再进行跨模态自适应动态融合算法的有效性。

关键词：深度质量感知特征引导跨模态融合分层融合 RGB-D显著性检测

在线全文

学校读者我要写书评

暂无评论

特征引导的序列预测网络设计及应用

特征引导的序列预测网络设计及应用

作者：陈豪电子科技大学

学位级别：硕士

序列预测在交通预测、经济统计、天气预测、粮食产量及能源消耗等领域得到了广泛的应用。在油气勘探中,利用地震数据预测井数据可以视为序列预测问题,利用序列预测算法提取地震数据和井数据之间的关联关系,构建准确的岩性模型对于油气... 详细信息

序列预测在交通预测、经济统计、天气预测、粮食产量及能源消耗等领域得到了广泛的应用。在油气勘探中,利用地震数据预测井数据可以视为序列预测问题,利用序列预测算法提取地震数据和井数据之间的关联关系,构建准确的岩性模型对于油气勘探和开发具有指导意义。随着人工智能的发展,越来越多机器学习算法被应用于序列预测中。传统的机器学习算法可以挖掘序列中的非线性关系,但是在复杂的大规模数据中,特征难以准确提取,导致序列预测的结果并不理想;基于深度学习的算法可以有效提取海量数据中无法用数学公式表达的关系,但是当样本不充足或者存在样本冲突问题时,预测结果不可靠。地震数据和井数据之间的关联关系复杂,且标签样本少。针对这一特点,本文以地震数据和测井数据为例,基于特征先分类后回归的思想,构建了特征引导的序列预测模型,并应用于实际工区的勘探数据,构建出了目标工区的波阻抗模型。本文的主要研究工作如下:（1）提出基于周期特征引导的序列预测网络模型。针对时间序列数据,现有方法对时间序列数据进行预测时无法有效提取数据中包含的特有的时间特征。本文以波阻抗序列和对应的井旁道序列为例,提出了周期特征引导的时间序列预测网络模型,其主要思想是先利用一维卷积提取序列中的长短周期特征,针对提取的长短周期特征,采用LSTM进行特征选择,最后进行特征融合,进行关联关系的提取,完成工区的地震序列对应波阻抗序列的预测,构建波阻抗模型。通过实验数据证明,利用周期特征引导的网络在提取井震关系时,网络的收敛速度加快,拟合能力加强,预测的结果更加准确,构建的波阻抗模型与实际地震数据更接近。（2）提出基于时空特征引导的序列预测网络模型。针对时空数据,现有的方法对于复杂时空数据中的时空特征提取有限。本文以三维地震数据为例,提出了基于时空特征引导的序列预测网络模型,其主要思想是利用空洞卷积提取三维地震数据中的空间特征,进一步使用三维卷积提取地震数据中的时空特征,然后利用LSTM进行时空特征的选择,进行特征融合,完成关联关系的提取,并对三维地震序列对应的波阻抗序列进行预测,构建可靠的岩性模型。通过实验数据表明,该网络不仅保持了盲井预测的准确性,在横向上具有很好的连续性,水平切片与地震数据具有高度的吻合性。

关键词：深度学习特征引导序列预测岩性模型

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

特征引导的深度学习遥感图像云检测算法研究

特征引导的深度学习遥感图像云检测算法研究

作者：吴俊西安电子科技大学

学位级别：硕士

遥感图像中的云遮挡是长期存在且不可避免的问题,造成了地表观测信息的模糊和缺失,影响了对地观测相关任务的执行。因此,云检测作为遥感图像预处理的环节,在遥感图像的处理和应用中起着十分重要的作用。由于云的多样性和遥感图像下垫面... 详细信息

遥感图像中的云遮挡是长期存在且不可避免的问题,造成了地表观测信息的模糊和缺失,影响了对地观测相关任务的执行。因此,云检测作为遥感图像预处理的环节,在遥感图像的处理和应用中起着十分重要的作用。由于云的多样性和遥感图像下垫面的复杂性,当前的遥感图像云检测任务还存在诸多的挑战,尤其是对于薄云区域的漏检以及将云和冰雪等高亮区域混淆造成的误检。本文依托深度学习展开云检测算法的研究,利用神经网络强大的表征能力来设计云检测算法,同时通过传统特征的设计和提取,引导神经网络的特征学习,让网络更关注有利于云检测任务的特征。本文基于高分一号卫星数据和Sentinel-2A卫星数据,分别设计了空间特征引导和光谱特征引导的云检测网络,利用传统特征的引导有效改善了网络的特征学习能力,提高了云检测的性能。本文的主要工作内容和创新如下:(1)针对在薄云和云边界区域的漏检,造成边缘分割不够精细的问题,提出基于编解码结构和传统特征增强的云检测网络;提出级联特征注意力模块,使用暗通道先验特征设计了颜色特征注意力模块,使用纹理特征设计了纹理特征注意力模块,利用注意力机制将颜色和纹理特征融入编解码网络的编码器中,引导网络加强对颜色和纹理特征的学习;同时使用通道注意力模块增强那些能够凸显云区域特征的特征图通道;为了增强边界和薄云区域的云检测效果,设计了四叉树分类损失,使用四叉树分割的结果指导损失函数计算,降低简单样本在损失函数中的占比,提升对难检测区域的关注;通过传统特征的引导和损失函数的设计,有效改善了薄云和云边界的检测效果。(2)针对将云和冰雪等高亮区域混淆,造成大量误检的问题,提出基于光谱特征增强和空谱特征融合的云检测网络;根据云和地物在不同的光谱波段的大气表观反射率的差异,提出短波红外云检指数,并设计了引导模块,将这一光谱特性融入网络,对网络的训练进行引导,提升对冰雪和云的差异特征的学习;为了充分利用遥感图像的光谱波段信息和空间特征,设计了空谱特征融合模块,先在不同空间尺度下进行空间特征的提取,然后使用光谱波段的谱间信息融合实现空谱特征联合提取;同时还提出了编解码特征融合模块,将编码端的特征通过权重提取块自动进行每个像素点的权重的计算,然后利用计算出的权重将编码端和解码端的特征图进行融合,将融合后的特征图进行后续解码操作;通过充分利用光谱波段信息,并且增强空谱特征提取和编解码信息融合,有效改善了云和冰雪区域的误检,提升了检测性能。通过实验证明,利用传统的颜色、纹理以及光谱等特征对深度学习网络进行引导能够提升改善网络的特征学习能力,改善漏检、误检的情况。主客观的云检测结果均显示本文提出的遥感图像云检测模型的性能指标优于其他对比算法,证明了本文算法的有效性。

关键词：遥感图像云检测深度学习特征引导四叉树分割光谱特征空谱联合

基于图表示学习和特征引导的电力系统运行场景生成方法

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

中国电机工程学报 2024年第24期44卷 9521-9532,I0002页

作者：陈志威吴毓峰潘振宁余涛刘前进黄文琦侯佳萱华南理工大学电力学院广东省广州市510641 广东省电网智能量测与先进计量企业重点实验室(华南理工大学) 广东省广州市510641 南方电网数字电网研究院有限公司广东省广州市510700

随着海量新能源接入,电力系统的随机性显著增大,运行场景数据分布弥散且不均匀,导致现有场景生成方法适用性降低。传统依赖于人工经验和模型的场景生成方法更关注于场景的某种特征而忽略场景的数据分布。基于数据驱动场景生成方法则侧... 详细信息

随着海量新能源接入,电力系统的随机性显著增大,运行场景数据分布弥散且不均匀,导致现有场景生成方法适用性降低。传统依赖于人工经验和模型的场景生成方法更关注于场景的某种特征而忽略场景的数据分布。基于数据驱动场景生成方法则侧重于描述场景的数据分布,而一些具有小概率、高风险的运行场景则容易被忽视。基于此,该文首次提出基于图表示学习和特征引导的电力系统运行场景生成方法。首先,以图的形式实现电网运行特征的深度提取和挖掘,提高生成场景的多样性。其次,通过数据和知识融合的方式,将调度人员关注的特征通过知识的形式嵌入模型中,在尽量维持其分布特征的前提下,实现自定义特征引导的运行场景生成。在考虑运行风险的高比例新能源电力系统中的验证结果表明,相比于传统的场景生成方法,提出的模型在生成运行场景的同时提高了指定特征运行场景的生成效率,保持了生成场景一致性的同时提高了场景的多样性,为电力系统调度中机器辅助决策提供了更完备的数据支撑。

关键词：图表示学习生成式对抗网络特征引导调度场景生成

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

基于阈值矩阵的快速特征引导点画法

计算机应用 2010年第8期30卷 2105-2107,2145页

作者：王会芹东华大学理学院上海201620

针对传统点画法中存在的诸如产生的点的分布不合理、图像的原有特征不突出、迭代过程非常耗时等问题,提出了快速特征引导点画法。首先对特征图像进行距离变换得到偏置线,然后在偏置线上采样来获取点的分布,点画的绘制过程则通过预先生... 详细信息

针对传统点画法中存在的诸如产生的点的分布不合理、图像的原有特征不突出、迭代过程非常耗时等问题,提出了快速特征引导点画法。首先对特征图像进行距离变换得到偏置线,然后在偏置线上采样来获取点的分布,点画的绘制过程则通过预先生成的阈值矩阵进行映射来完成。实验结果表明,该算法性能有明显改进,不仅点的分布合理,而且可以大幅提高了绘制速度。

关键词： Voronoi点画特征引导距离变换偏置线阈值矩阵

在线全文

学校读者我要写书评

暂无评论

采用特征引导机制的显著性检测网络

计算机工程与应用 2021年第14期57卷 201-208页

作者：左保川张晴上海应用技术大学计算机科学与信息工程学院上海201418

近年来,基于全卷积网络的显著性物体检测方法较手工选取特征的方法已经取得了较大的进展,但针对复杂场景图像的检测仍存在一些问题需要解决。提出了一种新的基于全局特征引导的显著性物体检测模型,研究深层语义特征在多尺度多层次特征... 详细信息

近年来,基于全卷积网络的显著性物体检测方法较手工选取特征的方法已经取得了较大的进展,但针对复杂场景图像的检测仍存在一些问题需要解决。提出了一种新的基于全局特征引导的显著性物体检测模型,研究深层语义特征在多尺度多层次特征表达中的重要作用。以特征金字塔网络的编解码结构为基础,在自底而上的路径中,设计了全局特征生成模块(GGM),准确提取显著性物体的位置信息;构建了加强上下文联系的残差模块(RM),提取各侧边输出的多尺度特征;采用特征引导流(GF)融合全局特征生成模块和残差模块,利用深层语义特征去引导浅层特征提取,高亮显著目标的同时抑制背景噪声。实验结果表明,在5个基准数据集上与11种主流方法相比,该模型具有优越性。

关键词：显著性检测全卷积网络特征引导多尺度和多层次特征残差结构

在线全文

学校读者我要写书评

暂无评论

自我引导和特征引导增强的小样本分割网络

小型微型计算机系统 2024年

作者：吴杰瞿绍军湖南师范大学信息科学与工程学院

小样本分割的一个关键要素是有效利用支持集中的信息.以往的方法大都通过掩码平均池化获取全局特征向量，这种方式获取的特征向量比较粗糙.设计了一种基于高层特征的自我引导模块（HSGM）来增强特征向量的质量；为了充分利用支持图像中... 详细信息

小样本分割的一个关键要素是有效利用支持集中的信息.以往的方法大都通过掩码平均池化获取全局特征向量，这种方式获取的特征向量比较粗糙.设计了一种基于高层特征的自我引导模块（HSGM）来增强特征向量的质量；为了充分利用支持图像中的信息以及查询特征和支持特征间的相关性，设计了一种特征引导增强模块（FGEM），利用高层特征来引导低层特征得到强化的查询特征.这两个模块能够有效地挖掘支持图像中的上下文信息以及支持特征与查询特征之间的潜在相关性.针对以往k-shot分割大都是对特征向量进行平均融合，设计一种类注意力机制的分割策略来融合不同样本的信息.提出的自我引导和特征引导增强的小样本分割网络在PASCAL-5i和COCO-20i两个公共数据集上与近年来部分优秀方法进行实验对比，均取得较为先进的效果.实验结果表明所提出方法对挖掘支持样本中的信息以及提高小样本分割性能有较大帮助.

关键词：小样本学习小样本语义分割注意力机制特征引导

基于特征引导和多任务学习的聚合卷积神经网络的说话人识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于特征引导和多任务学习的聚合卷积神经网络的说话人识别

作者：晏文怡南昌大学

学位级别：硕士

语音信号声学特征的选取和训练深度神经网络的方式对提升说话人识别系统的性能至关重要,本文提出了基于特征引导和多任务学习的聚合卷积神经网络的说话人识别方法,论文总体工作如下:1.研究了时域特征引导卷积神经网络学习的方法,提出了... 详细信息

语音信号声学特征的选取和训练深度神经网络的方式对提升说话人识别系统的性能至关重要,本文提出了基于特征引导和多任务学习的聚合卷积神经网络的说话人识别方法,论文总体工作如下:1.研究了时域特征引导卷积神经网络学习的方法,提出了一种基于特征引导的聚合卷积神经网络的说话人识别方法。首先,提取说话人语音信号的滤波器组特征,并将其输入卷积神经网络中。其次利用统计池化层提取每层卷积层输出特征的均值向量和标准差向量,并将均值向量和标准差向量拼接,得到每层卷积层的统计特征。然后所有卷积层的统计特征作为聚合层的输入,得到聚合特征。最后将语音信号的引导向量与聚合特征进行级联,得到引导特征,将引导特征作为分类器的输入,实现说话人识别。2.研究了有监督学习和无监督学习相结合的多任务学习方法,提出了一种基于多任务学习的卷积神经网络的说话人识别方法。首先将滤波器组特征作为卷积神经网络的输入,其次利用统计池化层提取每一层卷积层输出特征的统计特征,将所有卷积层的统计特征作为聚合层的输入,得到聚合特征。然后将语音信号的引导向量与聚合特征进行级联,得到引导特征,最后将引导特征作为全连接层和Softmax层的输入。该方法通过共享Softmax层前所有的网络,并在分类器的第一个全连接层后加上另一个全连接层,用来重构语音信号的引导向量,最后利用交叉熵损失和重构损失联合训练卷积神经网络,实现说话人识别。

关键词：说话人识别特征引导多任务学习聚合卷积神经网络