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

基于卷积通道筛选的大规模图像识别

弹箭与制导学报 2022年第2期42卷 42-49页

作者：李凤吕裕张海曦何贵青西北工业大学电子信息学院西安710072 西北农林科技大学信息工程学院陕西咸阳712199

一直以来,由于大规模图像种类繁多且形态各异,导致大规模图像识别领域研究发展非常缓慢。在深度模型中,卷积神经网络(convolutional neural network,CNN)可以提取颜色、轮廓等浅层特征。随着层次的加深,其特征表述也由颜色、轮廓等特征... 详细信息

一直以来,由于大规模图像种类繁多且形态各异,导致大规模图像识别领域研究发展非常缓慢。在深度模型中,卷积神经网络(convolutional neural network,CNN)可以提取颜色、轮廓等浅层特征。随着层次的加深,其特征表述也由颜色、轮廓等特征逐渐抽象为整体特征。然而通过实验发现,网络的这种特征提取方式在提取整体特征时会出现一些不利于有效分类的“坏通道”。这种现象在大规模的图像分类任务中表现的更加明显。这些通道参与了网络的后续计算并且一定程度上降低了网络的性能。为了筛选出这些不利于分类的通道,提出了结合L1和L2范数进行特征选择的方法。通过对比多个网络模型的实验结果,该特征选择算法在大规模图像识别中具有更好的性能,并且可以提高网络的识别准确率。

关键词：大规模图像识别卷积神经网络特征选择通道筛选

基于浅层特征融合与通道筛选的目标检测方法研究

在线全文

学校读者我要写书评

暂无评论

基于浅层特征融合与通道筛选的目标检测方法研究

作者：周丽重庆邮电大学

学位级别：硕士

目标检测是计算机视觉领域内一个长期存在的基础性难题,几十年来也一直都是一个活跃的研究领域。伴随着近些年新兴计算机设备的诞生,目标检测领域似乎也有了新的突破。众多学者开始回望过去,在机器学习的领域找到了目标检测技术发展的... 详细信息

目标检测是计算机视觉领域内一个长期存在的基础性难题,几十年来也一直都是一个活跃的研究领域。伴随着近些年新兴计算机设备的诞生,目标检测领域似乎也有了新的突破。众多学者开始回望过去,在机器学习的领域找到了目标检测技术发展的新思路。随着深度学习的概念登上新时代的舞台,目标检测技术也由过去的手工特征时代进入到卷积神经网络时代。近几年,以深度学习技术为支撑的目标检测算法更是层出不穷,根据模型的设计理念不同,大致可以分为双阶段与单阶段两大类。前者在检测精度上相对较高,后者则在检测速度上相对较快。本文基于单阶段目标检测算法,设计了一种基于浅层特征融合与自适应通道筛选的目标检测方法。该方法首先在经典单阶段目标检测网络的基础上,提出了浅层特征融合结构。在该结构中利用深度可分离卷积与抗锯齿卷积对浅层特征图进行下采样特征融合,并根据下采样次数的不同,分别设计了4类下采样特征融合模块,实现对浅层特征图所含信息的深度挖掘与利用。其次设计了一组自适应通道筛选过程,该过程首先将完成特征融合后的特征图进行组合,再对每个通道的权重进行重新分配,以此来提升了有效特征图对模型参数更新的贡献。最后,设计了一个基于余弦距离的损失函数,该损失函数利用余弦距离的性质,可以提升目标检测算法在对目标进行分类时的准确性。实验表明,本文提出的方法在公开数据集上展现出的检测性能比现有的很多算法更好。为了改进的目标检测算法能够适用于移动设备,本文选择在上述方法的基础上进行轻量化改进。首先将其主干网络更换为参数量较小轻量级网络;然后为了避免主干网络过于简单而导致的特征提取不足问题,提出使用感受野模块以丰富网络的特征提取结果;最后,针对单阶段目标检测算法在检测过程中生成的正负样不平衡问题,提出使用梯度调和的交叉熵损失函数,平衡正负样本在模型参数更新时的贡献。实验表明,对模型进行轻量化改进虽然会带来一定程度上的精度损失,但是带来的检测速度提升是相当客观的且能够在移动设备上实现实时检测。

关键词：目标检测单阶段特征融合通道筛选轻量级

WCF-MobileNetV3:轻量型新冠肺炎CXR图像识别网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第14期59卷 224-231页

作者：彭心睿潘晴田妮莉广东工业大学信息工程学院广州510006

为了对新型冠状病毒引发的肺炎胸部X光(chest X-Ray,CXR)图像进行准确且快速的识别,提出了一种基于加权通道筛选(weighted channel filter,WCF)的轻量级模型WCF-MobileNetV3。将轻量级的MobileNetV3-small作为主干网络,并针对CXR图像样... 详细信息

为了对新型冠状病毒引发的肺炎胸部X光(chest X-Ray,CXR)图像进行准确且快速的识别,提出了一种基于加权通道筛选(weighted channel filter,WCF)的轻量级模型WCF-MobileNetV3。将轻量级的MobileNetV3-small作为主干网络,并针对CXR图像样本类间差异小、难以提取区分性特征的问题,提出了WCF模块。提取输入特征图的高维与低维通道特征权重;采取加权随机抽样的方式生成高维与低维特征通道掩膜,将高维、低维的权重融合,并利用掩膜对融合后的权重进行通道筛选;将权重赋给输入特征图,实现通道特征增强。在Chest-X-Ray Image与COVID-19 Chest X-Ray Image Repository数据集上进行了实验,结果表明:WCF-MobileNetV3对新冠肺炎CXR图像识别的准确率、精确率、灵敏度分别为97.93%、98.64%、97.19%。与其他新冠肺炎识别算法相比,WCF-MobileNetV3能够准确且高效地识别新冠肺炎CXR图像,具有更好的识别性能。

关键词：新冠肺炎 CXR图像卷积神经网络通道筛选

在线全文

学校读者我要写书评

暂无评论

融合多特征和通道感知的目标跟踪算法

计算机科学与探索 2022年第6期16卷 1417-1428页

作者：赵运基范存良张新良河南理工大学电气工程与自动化学院河南焦作454003

针对深度特征描述目标在跟踪过程中出现漂移或过拟合的问题,提出了一种融合多特征和通道感知的目标跟踪算法。应用预训练模型提取跟踪目标的深度特征,依据该特征构建相关滤波器并计算各通道对应滤波器的权重系数,根据权重系数对特征通... 详细信息

针对深度特征描述目标在跟踪过程中出现漂移或过拟合的问题,提出了一种融合多特征和通道感知的目标跟踪算法。应用预训练模型提取跟踪目标的深度特征,依据该特征构建相关滤波器并计算各通道对应滤波器的权重系数,根据权重系数对特征通道进行筛选;对保留的特征通过标准差计算生成统计特征并与原特征融合,采用融合后的特征构建相关滤波器并做相关运算,获取特征响应图确定目标的位置及尺度;利用跟踪结果区域的深度特征对融合特征构建的滤波器进行稀疏在线更新。所提算法和目前一些主流的跟踪算法在公共数据集OTB100、VOT2015和VOT2016上进行测试。与UDT相比,在不影响跟踪速度的同时,该算法具有更强的鲁棒性和更高的跟踪精度。实验结果表明,所提出的算法在目标尺度发生变化、快速运动和背景干扰等挑战下均表现出较强的鲁棒性。

关键词：目标跟踪深度特征通道筛选特征融合稀疏更新

在线全文

学校读者我要写书评

暂无评论

基于图卷积神经网络的脑电学习情绪识别研究

基于图卷积神经网络的脑电学习情绪识别研究

作者：张小旭华中师范大学

学位级别：硕士

随着移动互联网技术的发展,学生足不出户在线学习成为现实。特别是近两年由于新冠疫情的出现,越来越多的学生开始接受在线学习这种新的学习方式。在线学习使得学习不再受制于时间、空间的限制,但也存在一些弊端,尤其是教师不能像在传统... 详细信息

随着移动互联网技术的发展,学生足不出户在线学习成为现实。特别是近两年由于新冠疫情的出现,越来越多的学生开始接受在线学习这种新的学习方式。在线学习使得学习不再受制于时间、空间的限制,但也存在一些弊端,尤其是教师不能像在传统课堂中一样随时观察到学生学习中的情绪状态和行为,因此无法根据学生的实时反馈调节授课进度。研究学生的在线学习情绪有助于辅助教师更好地了解学生的学习状态和改进教学,从而提升个性化培养的质量。在实验场景中,情绪的识别方式常分为生理信号和非生理信号两种方式。其中,生理信号直接采自人体不易伪装,具有更好的识别效果。脑电信号作为一种直接采集于大脑的生理信号,更具客观性,因此本文选取脑电信号来研究学习情绪准确分类识别方案。同时,还开展了情绪相关通道的筛选研究,为后续实现便捷采集和分类提供依据。本文主要研究工作包括:(1)提出一种基于图卷积神经网络(Graph Convolutional Network,GCN)和长短时记忆网络(Long-Short Time Memory,LSTM)的情绪分类模型,通过对比多种不同特征提取方法在此模型上的分类结果,证实使用微分熵在脑电的五个频段上分类效果最好。由于目前尚未有公开的脑电学习情绪数据集,因此我们的算法首先在公开脑电情感数据集SEED上进行验证。在SEED上开展的十折交叉验证和留一交叉验证法的实验分别取得了 90.18%和85.03%的准确率,分类结果优于其他参考模型。(2)为了减少数据规模和冗余度、降低算法的复杂度,提出对SEED数据集62个通道进行筛选的方案。首先利用卷积神经网络(Convolutional Neural Network,CNN)与LSTM相结合的模型,筛选出单通道分类效果较好的8个通道。然后利用图的邻接矩阵筛选出分类过程中关联最密切的前10个通道。最后将两次筛选出的通道合并,共得到14个通道。利用本文方法的分类实验得到十折交叉验证准确率为91.17%、留一交叉验证的分类准确率为87.85%,每轮训练的平均时间大大减少,从62个通道的41.79秒降至14通道的11.91秒,提升了 71.5%。(3)为验证方案移植后的有效性,首先建立了模拟在线学习的环境,采集了 45位被试的脑电学习情绪数据。验证后发现利用全部通道得到的十折交叉验证、留一交叉验证的准确率分别为81.3%和60.22%,优于基准方法的67.94%和48.32%的识别率;利用筛选通道分类验证得到的十折交叉验证、留一交叉验证准确率分别为78.07%和61.98%。尽管前者稍低于全通道数据,但依旧优于基准方法;留一交叉验证准确率则优于全通道数据和基准方法,同时大大降低了算法消耗,单轮训练时间从29.41秒降至10.76秒,提升了 63.41%。论文通过实验证实了融合LSTM的GCN分类模型具有显著的优势,通道筛选则可以进一步降低数据冗余和信息干扰,从而提升检测的精度与效率。学习情绪实证研究证实了针对在线学习实验场景,算法具有良好的可移植性。

关键词：脑电情绪识别图卷积神经网络通道筛选

基于改进的CEEMDAN和1-D CNN的高速列车转向架故障诊断研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的CEEMDAN和1-D CNN的高速列车转向架故障诊断研究

作者：李书盼西南交通大学

学位级别：硕士

近年来,随着高速铁路的快速发展,列车的需求量不断增加,在高速运行下保证列车的安全性和舒适性变得愈发重要。转向架作为高速列车的关键走行部件,承载着列车自身的重量以及载重,引导列车在铁轨上正常运行。高速列车在长期服役过程中,轨... 详细信息

近年来,随着高速铁路的快速发展,列车的需求量不断增加,在高速运行下保证列车的安全性和舒适性变得愈发重要。转向架作为高速列车的关键走行部件,承载着列车自身的重量以及载重,引导列车在铁轨上正常运行。高速列车在长期服役过程中,轨道不平顺以及轮轨磨耗造成转向架出现性能退化甚至部件故障,给列车的安全运行带来极大的威胁。因此,如何利用振动信号高效、准确地实现转向架健康评估和性能监测成为当下的研究热点。为了提高转向架故障诊断的准确性和鲁棒性,本文建立一种基于ICEEMDAN（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）和1-D CNN（One-Dimensional Convolutional Neural Network）的转向架故障诊断模型,主要内容如下:首先,简要介绍了经验模态分解系列算法的基本原理和发展历程。为了选取适用于后续转向架振动信号分解的算法,通过人工模拟信号实验呈现不同模态分解算法的性能。这一部分为后文进行信号的故障特征分析提供理论基础。其次,对转向架的结构,获取的数据集以及通道选择模型进行了详细的阐述。介绍了转向架三种关键部件的作用以及对应的故障形式,并说明了基于SIMPACK的列车运行仿真实验和故障数据的获取方式。设计了一种基于多种方法的转向架振动信号通道选择模型,通过对每个通道原始信号的分析,筛选较优的通道组合,从而降低不同通道间的耦合性和冗余度。为应对转向架振动信号的复杂性以及充分利用原始信号中包含的信息,设计基于1-D CNN的故障诊断模型。使用具有显著特征提取能力的一维卷积核提取故障特征,在高速列车转向架全拆数据集和单部件故障数据集上分别达到了96.62%和72%的准确率,验证了1-D CNN在转向架故障诊断上具有较好的适用性。最后,考虑到转向架振动信号中含有强随机噪声,提出基于ICEEMDAN和1-D CNN的故障诊断模型。该模型首先通过ICEEMDAN算法对筛选的10个通道原始信号进行分解,将筛选的有效分量输入到1-D CNN网络中,提取更抽象的故障特征。通过不同评价指标来评估模型在故障分类和故障定位任务中的性能。实验结果表明,该模型在故障诊断精度和鲁棒性方面均优于单一神经网络模型。

关键词：高速列车转向架故障诊断通道筛选经验模态分解一维卷积神经网络

基于目标深度特征的尺度自适应相关滤波跟踪算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于目标深度特征的尺度自适应相关滤波跟踪算法研究

作者：杨晓山长春理工大学

学位级别：硕士

目标跟踪技术作为计算机视觉的一个热门研究方向,已经广泛应用于智能安防、智慧交通、人机交互、军事等领域。然而当前的目标跟踪算法仍面临着诸多难点,如特征表达能力不足、尺度变化、目标丢失等,本文在相关滤波类算法的框架下针对这... 详细信息

目标跟踪技术作为计算机视觉的一个热门研究方向,已经广泛应用于智能安防、智慧交通、人机交互、军事等领域。然而当前的目标跟踪算法仍面临着诸多难点,如特征表达能力不足、尺度变化、目标丢失等,本文在相关滤波类算法的框架下针对这些难点展开研究,主要的研究内容分为以下两个方面:1)提出了基于ECO改进的目标跟踪算法。在ECO算法框架下做了如下改进:提出了基于目标能量比的通道筛选法,根据目标在样本区域中的能量比值来筛选通道,实现对深度特征降维的目的;提出了加权融合的方式,将不同卷积层特征的相关响应图加权融合;提出了宽高比可变的快速尺度检测方法,将目标定位与尺度检测分为两个前后独立执行的任务,使用尺度与宽高比均不相同的样本单独训练尺度滤波器,不仅能检测尺度的变化也能检测目标边界框宽高比的变化。在数据集OTB100上的实验结果表明,改进后的距离精度与重叠成功率相较于ECO仅分别下降0.33%与1.31%,跟踪速率却相较于ECO提高了2.90倍,距离精度与重叠成功率在保持与ECO相近的基础上,跟踪速率获得了较高的提升。2)提出了结合DCF与YOLOv3的目标跟踪算法。将跟踪任务分为粗略定位与精确定位两个阶段。粗略定位阶段,使用跟踪算法DCF预测目标粗略位置。精确定位阶段,利用检测算法YOLOv3在粗略位置区域检测出所有与目标同类的物体,然后基于检测结果提出了同类干扰预警,将目标判断为无同类干扰或有同类干扰状态:对于无同类干扰状态,根据目标类别从非同类背景物中定位出目标;而对于有同类干扰状态,提出了CN判别模型,根据模板的Color Names特征从同类背景物中定位出目标。对于跟踪过程中出现的目标丢失问题提出了目标重搜索法,在搜索区域内根据目标种类以及Color Names特征重搜索目标。对于尺度变化问题利用YOLOv3的多尺度检测方法解决。在数据集OTB100中选取了57个彩色视频序列进行测试,实验结果表明,本算法的距离精度达到86.81%,重叠成功率达到83.35%,具有较好的跟踪性能。

关键词：目标跟踪相关滤波深度特征通道筛选尺度检测目标重搜索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于液质联用技术的靶向尿样磷脂组学

基于液质联用技术的靶向尿样磷脂组学