检索结果-南通市图书馆

结合CSWin-Transformer和门卷积的壁画图像修复方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第21期60卷 215-224页

作者：徐志刚杨欣宇兰州理工大学计算机与通信学院兰州730050

敦煌壁画是珍贵的文化遗产,但现存壁画存在着大量破损现象。针对现有图像修复方法在处理敦煌壁画时面临着计算复杂度高、纹理模糊和特征提取不足等问题,提出了一种结合CSWin-Transformer(cross stripe window-Transformer)和门卷积的壁... 详细信息

敦煌壁画是珍贵的文化遗产,但现存壁画存在着大量破损现象。针对现有图像修复方法在处理敦煌壁画时面临着计算复杂度高、纹理模糊和特征提取不足等问题,提出了一种结合CSWin-Transformer(cross stripe window-Transformer)和门卷积的壁画图像修复方法。构建由全局层网络和局部层门卷积残差密集网络组成的并行网络,利用条纹窗口增强图像特征提取能力,并通过门卷积残差块提升结构纹理修复的准确性。设计全局-局部特征融合模块来融合全局层和局部层输出的特征图像,以保持修复结果整体的一致性。通过建立共享注意力机制实现全局层和局部层之间的信息交互,同时为了完成破损壁画的修复,采用谱归一化马尔科夫判别模型进行对抗训练。通过对真实破损壁画的修复实验,结果表明,所提方法在主客观指标上均优于所对比的方法。

关键词：深度学习壁画修复门卷积 CSWin-Transformer 全局-局部特征融合

在线全文

学校读者我要写书评

暂无评论

基于FPGA和行折叠的稀疏矩阵向量乘优化

计算机工程与科学 2024年第8期46卷 1340-1348页

作者：周智高建花计卫星北京理工大学计算机学院北京100081

稀疏矩阵向量乘(SpMV)是科学与工程计算中的一个关键内核。由于稀疏矩阵中不规则的数据分布和SpMV计算中不规则的访存操作,SpMV在多核CPU和GPU等设备上的性能与这些设备的理论峰值还具有较大差距。现有的CPU和GPU由于在架构上受到限制,... 详细信息

稀疏矩阵向量乘(SpMV)是科学与工程计算中的一个关键内核。由于稀疏矩阵中不规则的数据分布和SpMV计算中不规则的访存操作,SpMV在多核CPU和GPU等设备上的性能与这些设备的理论峰值还具有较大差距。现有的CPU和GPU由于在架构上受到限制,导致它们无法很好地利用稀疏矩阵的特殊结构来加速SpMV计算,而现场可编程门阵列(FPGA)可以通过自定义电路实现高效的并行运算,能够更好地处理稀疏矩阵的计算和存储问题。基于FPGA提出了一种SpMV优化方法,该优化方法基于高级综合的流式处理引擎,采用了一种自适应多行折叠的SpMV优化策略。该方法通过行折叠减少了处理引擎中零元的无效存储和计算,从而提升了基于FPGA的SpMV计算性能。实验结果表明,相比于现有的FPGA实现方案,设计的基于行折叠优化的数据流引擎实现了最高1.78倍和平均1.15倍的加速。

关键词：稀疏矩阵向量乘现场可编程门阵列高级综合行折叠

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

基于门控位置编码的壁画图像多级色彩还原

计算机应用 2024年第9期44卷 2931-2937页

作者：徐志刚张创兰州理工大学计算机与通信学院兰州730050

近年来,壁画图像的色彩还原研究已成为壁画文物保护和展示领域的一个热点问题。针对壁画色彩还原面临的整体特征信息难以有效提取和保持,局部色彩还原易出现假色以及色彩溢出等问题,提出基于门控位置编码的壁画图像多级色彩还原方法。首... 详细信息

近年来,壁画图像的色彩还原研究已成为壁画文物保护和展示领域的一个热点问题。针对壁画色彩还原面临的整体特征信息难以有效提取和保持,局部色彩还原易出现假色以及色彩溢出等问题,提出基于门控位置编码的壁画图像多级色彩还原方法。首先,构建基于全局特征约束的编码器网络,并通过改进的多核多值池化算法提取图像的全局特征梯度作为下采样取值标准以建立壁画图像特征金字塔,从而减少壁画图像在特征编码过程中的整体特征损失;其次,为准确还原壁画图像的局部色彩信息,设计基于门控位置编码的色彩迁移模块,该模块通过约束空间域中内容特征与色彩特征之间相似性核的学习,构建色彩特征在待还原壁画图像中的准确映射,从而减少还原图像中的假色现象与色彩溢出。实验结果表明,该方法所生成的壁画还原图像相较于AdaIN(Adaptive Instance Normalization)、AST(ArbitraryStyleTransfer)等对比方法所生成的壁画还原图像,NIQE(NaturalImageQuality Evaluator)和PIQE(Perception based Image Quality Evaluator)都取得了最优的结果。可见,所提方法能有效还原壁画色彩信息并保持待还原壁画图像的整体结构纹理特征。

关键词：编码器-解码器网络壁画图像色彩还原全局特征位置编码

在线全文

学校读者我要写书评

暂无评论

面向感知哈希的图像数据集

中国图象图形学报 2024年第2期29卷 343-354页

作者：周元鼎房耀东秦川上海理工大学光电信息与计算机工程学院上海200093

目的感知图像哈希又称图像摘要或是图像指纹,是一种有效的图像认证技术,近年来受到了广泛的关注。该技术通过将图像的感知鲁棒特征转化为固定长度的哈希序列,来实现图像版权认证。然而,该领域始终缺乏一个比较通用的数据集,已有数据集... 详细信息

目的感知图像哈希又称图像摘要或是图像指纹,是一种有效的图像认证技术,近年来受到了广泛的关注。该技术通过将图像的感知鲁棒特征转化为固定长度的哈希序列,来实现图像版权认证。然而,该领域始终缺乏一个比较通用的数据集,已有数据集所使用的图像内容保留操作和真实场景差异较大,使得训练得到的神经网络架构在应对复杂的图像编辑操作时效果显著下降。方法针对感知图像哈希任务,面向实际图像内容认证场景构建了一个新的数据集。首先,将现实中常见的图像内容保留操作进行总结和分类,设计了48种单一、复合的图像内容保留操作来生成感知相似图像;然后,根据感知图像哈希的定义,选择与待认证图像语义相似但是感知内容不同的图像作为感知不相似图像,增加了该数据集的辨别难度;最终建立了一个包含116 400幅图像的感知哈希图像数据集。结果由于本文提出的数据集使用的图像内容保留操作更加复杂,不相似图像也更加难以辨别,使得在该数据集上训练得到的深度神经网络具有较好的泛化能力,即这些神经网络即使不进行重新训练或是微调,也可以在其他数据集上取得较好的认证性能。同时,在该数据集上训练得到的神经网络在不同数据集上性能差别较小,体现了本文数据集具有较好的稳定性。结论设计了一个针对感知哈希的图像数据集,大量的对比实验表明了该数据集的有效性,该工作可对感知图像哈希领域的发展起到促进作用。

关键词：感知图像哈希图像认证数据增强数据集内容保留操作

在线全文

学校读者我要写书评

暂无评论

智能交通系统中的车辆标志识别方法综述

中国图象图形学报 2024年第9期29卷 2650-2671页

作者：李杨肖建力上海理工大学光电信息与计算机工程学院上海200093

在智能交通系统中,车辆作为最普及的交通工具,常被不法分子利用,使其成为一种安全隐患,因此,实现监控设备下的车辆身份识别一直是一个研究热点。车辆标志(简称车标)是车辆的特殊身份,包含着车辆品牌制造商的基本信息,相比车牌、车型和车... 详细信息

在智能交通系统中,车辆作为最普及的交通工具,常被不法分子利用,使其成为一种安全隐患,因此,实现监控设备下的车辆身份识别一直是一个研究热点。车辆标志(简称车标)是车辆的特殊身份,包含着车辆品牌制造商的基本信息,相比车牌、车型和车色,车标具有相对独立和可靠的特性。车辆标志识别能够快速、精准地缩小车辆查询范围,为案件侦破、交通自动化管理等有效降低搜索成本,因此车辆标志识别在车辆身份识别中尤其重要。本文对近十年内的主流车标识别方法进行了系统概述,为车标识别领域的后续研究者提供参考。1)简要阐述了在智能交通系统中车标识别技术的研究背景和重要性。2)根据车标识别过程中是否依赖手工提取特征,将目前国际主流的车标识别方法归纳为传统的车标识别方法和基于深度学习的车标识别方法,并分别总结了这两类方法的优劣。随后,分类、梳理和评价了这两类方法中现有的各种算法。3)针对车标数据集稀少导致难以评价各类算法性能、影响车标识别研究进展的问题,详细介绍了3种公开车标数据集:XMU(Xiamen University Vehicle Logo Dataset)、HFUT-VL(Vehicle Logo Dataset from Hefei University of Technology)和VLD-45(Vehicle Logo Dataset-45),并给出下载地址,可供研究者进行实验和测试。4)描述了4种常用的评价指标,并在公开数据集上基于这些评价指标对车标识别方法开展实验,并对实验结果进行比较和分析。5)综述现有车标识别技术中存在的一些问题与挑战,对未来车标识别的研究方向做出预测和展望。

关键词：智能交通系统(ITSs) 车标识别特征提取图像分类深度学习综述

CNN-AE在超奈奎斯特无线光通信端到端系统中的性能

在线全文

学校读者我要写书评

暂无评论

重庆邮电大学学报（自然科学版） 2024年第1期36卷 181-190页

作者：曹明华王瑞张悦张星宇王惠琴兰州理工大学计算机与通信学院兰州730050

符号间干扰的存在使超奈奎斯特(faster-than-Nyquist, FTN)速率无线光通信系统的性能受到严重影响,针对此问题,提出了一种基于卷积神经网络自编码器的端到端通信系统来消除符号间干扰的影响并完成信号的恢复。针对超奈奎斯特信号非正交... 详细信息

符号间干扰的存在使超奈奎斯特(faster-than-Nyquist, FTN)速率无线光通信系统的性能受到严重影响,针对此问题,提出了一种基于卷积神经网络自编码器的端到端通信系统来消除符号间干扰的影响并完成信号的恢复。针对超奈奎斯特信号非正交的特性,采用交替训练算法分别训练发射机和接收机权重,解决监督训练中模型输入输出数据尺寸不匹配的问题。在此基础上,分析了该系统在Gamma-Gamma大气信道中的误码率(bit error rate, BER)性能。仿真结果证明,与采用最大似然估计的传统系统相比,该系统的误码率性能在各种条件因素影响下都有不同程度的提高。当加速因子在Mazo限内时,该系统可以消除FTN成型和湍流信道带来的复杂混合码间干扰,其误码性能几乎与正交传输系统相等。

关键词：无线光通信超奈奎斯特(FTN) 端到端通信大气湍流信道误码率性能

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

基于混合精度的分布式GMRES算法优化

计算机科学 2024年第9期51卷 15-22页

作者：郭帅哲高建花计卫星北京理工大学计算机学院北京100081

广义最小残差法(Generalized Minimum Residual,GMRES)是一种求解稀疏线性系统的迭代方法,被广泛应用于科学与工程计算等领域。数据量的爆炸式增长,使得GMRES算法求解的问题规模快速膨胀。为了支持大规模问题的求解,研究人员提出了面向... 详细信息

广义最小残差法(Generalized Minimum Residual,GMRES)是一种求解稀疏线性系统的迭代方法,被广泛应用于科学与工程计算等领域。数据量的爆炸式增长,使得GMRES算法求解的问题规模快速膨胀。为了支持大规模问题的求解,研究人员提出了面向集群的分布式GMRES算法。然而在现有的大多数集群中,节点间的网络性能仍与节点内的GPU高速互联网络存在较大差距,限制了分布式GMRES算法的性能。针对GPU集群上的分布式GMRES算法,提出了一种基于混合精度的加速求解方法,使用低精度浮点表示,显著降低了通信过程的时间开销。此外,提出了一种数据传输的精度调控算法,动态自适应调整传输数据的精度,以保证迭代算法最佳的求解效果。实验结果表明,所提基于混合精度的优化方法可实现平均2.4倍的加速比,结合其他优化方法后可实现平均7.6倍的加速比。

关键词：广义最小残差法混合精度 GPU集群分布式系统

多策略改进的蜣螂搜索算法优化3DDV-Hop节点定位

在线全文

学校读者我要写书评

暂无评论

重庆邮电大学学报（自然科学版） 2024年第3期36卷 438-449页

作者：彭铎陈江旭张倩吴海涛王婵飞兰州理工大学计算机与通信学院兰州730050

为了提升传统3DDV-Hop算法的定位精度和稳定性,提出了MIDBO-3DDV-Hop算法。该算法利用多策略改进蜣螂搜索算法(multi strategy improvement dung beetle optimizer, MIDBO)来提高3DDV-Hop算法的定位精度。该算法通过通信半径分级方法细... 详细信息

为了提升传统3DDV-Hop算法的定位精度和稳定性,提出了MIDBO-3DDV-Hop算法。该算法利用多策略改进蜣螂搜索算法(multi strategy improvement dung beetle optimizer, MIDBO)来提高3DDV-Hop算法的定位精度。该算法通过通信半径分级方法细化跳数,使用加权平均跳距来修正节点之间的跳距误差。MIDBO算法引入立方混沌初始化和反向折射机制来初始化算法种群,采用变螺旋策略增强全局搜索能力。算法还融入Levy飞行策略和自适应权重因子,以避免陷入局部最优,并平衡算法的收敛性和搜索多样性。通过MIDBO算法对3DDV-Hop算法中未知节点位置进行优化。仿真结果显示,与传统的3DDV-Hop、IPSO-3DDV-Hop和IGA-3DDV-Hop算法相比,MIDBO-3DDV-Hop算法在定位精度、稳定性和收敛速度方面均达到最优水平。

关键词：蜣螂搜索算法 3DDV-Hop 变螺旋策略 Levy飞行策略平均跳距

在线全文

学校读者我要写书评

暂无评论

边缘侧神经网络块粒度领域自适应技术研究

计算机工程与科学 2024年第8期46卷 1361-1371页

作者：辛高枫刘玉潇张青龙韩锐刘驰北京理工大学计算机学院北京100081

深度神经网络在边缘设备上运行时会面临模型缩放和域自适应2个挑战,现有的模型缩放技术和无监督在线域自适应技术存在缩放粒度粗、缩放空间小和在线域自适应时间长的问题。针对这2个挑战,提出一种块粒度的模型缩放和域自适应训练方法Edg... 详细信息

深度神经网络在边缘设备上运行时会面临模型缩放和域自适应2个挑战,现有的模型缩放技术和无监督在线域自适应技术存在缩放粒度粗、缩放空间小和在线域自适应时间长的问题。针对这2个挑战,提出一种块粒度的模型缩放和域自适应训练方法EdgeScaler,它包括离线和在线2个阶段。针对模型缩放挑战,离线阶段能够从各种DNN中检测和抽取块,并将其转换为多个派生块;在线阶段基于块和块之间的组合,提供大规模的缩放空间,解决模型缩放问题。针对域自适应挑战,设计了一种针对于块的残差Adapter,在离线阶段将其插入块中;在线阶段当新的目标域到来时,对所有的Adapter进行训练,解决块粒度缩放空间中所有选项的域自适应问题。在真实的边缘设备Jetson TX2上的测试结果表明,在提供大规模缩放选项的基础上,所提方法可以将域自适应训练时间平均减少85.14%,训练能耗平均减少84.1%。

关键词：深度神经网络边缘设备弹性缩放块域自适应