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

基于时空交叉感知的实时动作检测方法

电子学报 2024年第2期52卷 574-588页

作者：柯逍缪欣郭文忠福州大学计算机与大数据学院福建福州350116 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350116 空间数据挖掘与信息共享教育部重点实验室福建福州350003

时空动作检测依赖于视频空间信息与时间信息的学习.目前,最先进的基于卷积神经网络(Convolutionsl Neural Networks,CNN)的动作检测器采用2D CNN或3D CNN架构,取得了显著的效果.然而,由于网络结构的复杂性与时空信息感知的原因,这些方... 详细信息

时空动作检测依赖于视频空间信息与时间信息的学习.目前,最先进的基于卷积神经网络(Convolutionsl Neural Networks,CNN)的动作检测器采用2D CNN或3D CNN架构,取得了显著的效果.然而,由于网络结构的复杂性与时空信息感知的原因,这些方法通常采用非实时、离线的方式.时空动作检测主要的挑战在于设计高效的检测网络架构,并能有效地感知融合时空特征.考虑到上述问题,本文提出了一种基于时空交叉感知的实时动作检测方法.该方法首先通过对输入视频进行乱序重排来增强时序信息,针对仅使用2D或3D骨干网络无法有效对时空特征进行建模,提出了基于时空交叉感知的多分支特征提取网络.针对单一尺度时空特征描述性不足,提出一个多尺度注意力网络来学习长期的时间依赖和空间上下文信息.针对时序和空间两种不同来源特征的融合,提出了一种新的运动显著性增强融合策略,对时空信息进行编码交叉映射,引导时序特征和空间特征之间的融合,突出更具辨别力的时空特征表示.最后,基于帧级检测器结果在线计算动作关联性链接.本文提出的方法在两个时空动作数据集UCF101-24和JHMDB-21上分别达到了84.71%和78.4%的准确率,优于现有最先进的方法,并达到73帧/秒的速度.此外,针对JHMDB-21数据集存在高类间相似性与难样本数据易于混淆等问题,本文提出了基于动作表示的关键帧光流动作检测方法,避免了冗余光流的产生,进一步提升了动作检测准确率.

关键词：实时动作检测多尺度注意力时空交叉感知

基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估

在线全文

学校读者我要写书评

暂无评论

电子学报 2024年第7期52卷 2242-2256页

作者：陈羽中陈友昆林闽沪牛玉贞福州大学计算机与大数据学院福建福州350108 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350108 大数据智能教育部工程研究中心福建福州350108

与从现实场景中拍摄的自然图像不同,屏幕内容图像是一种合成图像,通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成.现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响.为解决上... 详细信息

与从现实场景中拍摄的自然图像不同,屏幕内容图像是一种合成图像,通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成.现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响.为解决上述问题,本文提出一种基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估模型.首先,使用高斯拉普拉斯算子构造由失真屏幕内容图像高频信息组成的边缘结构图,然后通过卷积神经网络(Convolutional Neural Network,CNN)对输入的失真屏幕内容图像和相应的边缘结构图进行多尺度的特征提取与融合,以图像的边缘结构信息为模型训练提供额外的信息增益.此外,本文进一步构建了基于Transformer的多尺度特征编码模块,从而在CNN获得的局部特征基础上更好地建模不同尺度图像和边缘特征的全局上下文信息.实验结果表明,本文提出的方法在指标上优于其他现有的无参考和全参考屏幕内容图像质量评估方法,能够取得更高的主客观视觉感知一致性.

关键词：无参考屏幕内容图像质量评估高斯拉普拉斯算子卷积神经网络 Transformer 多尺度特征

在线全文

学校读者我要写书评

暂无评论

大尺寸三维超声振动系统的智能优化设计

物理学报 2024年第8期73卷 181-194页

作者：林基艳孙姣夏林书玉榆林学院榆林市大数据与智能决策重点实验室榆林719000 陕西师范大学陕西省超声学重点实验室西安710119

对大尺寸三维超声换能器系统的耦合振动进行有效控制,优化系统的性能,一直都是功率超声领域亟待解决的难题.研究发现,一些声子晶体槽、孔结构可以对大尺寸换能器系统的横向振动进行抑制,提高系统振幅分布均匀度,且可以通过改变声子晶体... 详细信息

对大尺寸三维超声换能器系统的耦合振动进行有效控制,优化系统的性能,一直都是功率超声领域亟待解决的难题.研究发现,一些声子晶体槽、孔结构可以对大尺寸换能器系统的横向振动进行抑制,提高系统振幅分布均匀度,且可以通过改变声子晶体结构的配置参数人为地实现对大尺寸三维超声振动系统性能的调控.但过多的设计参数必然会增加系统设计的复杂度,且目前大尺寸三维超声换能器系统的优化设计依赖于经验试错法,设计效率和成功率较低,性能也无法保证.研究引入同质位错、点缺陷结构对大尺寸三维超声振动系统进行优化设计,并利用数据分析技术评价了同质位错、点缺陷结构的配置对系统辐射面的纵向位移振幅、振幅分布均匀度、辐射声功率、工作带宽等的影响规律,建立了同质位错结构、近周期缺陷结构的结构参数——大尺寸超声换能器系统性能的预测模型,实现了对大尺寸功率超声换能器系统的智能设计,提高了设计效率和成功率,降低了设计成本.

关键词：耦合振动大尺寸三维超声振动系统同质位错点缺陷智能化设计

基于Prandtl-Ishlinskii模型的气动肌肉迟滞特性动态建模与控制方法

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

农业机械学报 2024年第3期55卷 452-458页

作者：段慧茹谢胜龙万延见陈迪剑中国计量大学浙江省智能制造质量大数据溯源与应用重点实验室杭州310018

现有迟滞模型由于采用离线参数辨识方法,难以表征气动肌肉迟滞的时变性和负载相关性,极易产生较大的建模误差。为了精确表征气动肌肉的迟滞特性,利用Prandtl-Ishlinskii(PI)模型描述气动肌肉的位移-气压迟滞特性,并采用带遗忘因子的递... 详细信息

现有迟滞模型由于采用离线参数辨识方法,难以表征气动肌肉迟滞的时变性和负载相关性,极易产生较大的建模误差。为了精确表征气动肌肉的迟滞特性,利用Prandtl-Ishlinskii(PI)模型描述气动肌肉的位移-气压迟滞特性,并采用带遗忘因子的递推最小二乘法在线辨识PI模型参数。在此基础上,结合PI逆模型设计了一种带有前馈在线补偿的复合控制方法用于气动肌肉的运动控制。同时搭建相应的实验装置进行了气动肌肉迟滞建模和运动控制实验。实验结果表明,采用在线参数辨识方法后的PI模型能有效描述气动肌肉迟滞的负载相关性,且极大地降低了负载变化带来的控制误差。

关键词：气动肌肉迟滞补偿 Prandtl-Ishlinskii模型在线辨识

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

基于任务解耦的低照度图像增强方法

电子学报 2024年第1期52卷 34-45页

作者：牛玉贞陈铭铭李悦洲赵铁松福州大学计算机与大数据学院福建福州350108 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350108 大数据智能教育部工程研究中心福建福州350108 福州大学物理与信息工程学院福建福州350108

低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题,因此低照度图像增强是一个具有挑战性的任务.现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升,导致增强图像中仍然存在噪声等缺陷... 详细信息

低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题,因此低照度图像增强是一个具有挑战性的任务.现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升,导致增强图像中仍然存在噪声等缺陷.针对上述问题,本文提出了一种基于任务解耦的低照度图像增强方法,根据低照度图像增强任务对高层和低层特征的不同需求,将该任务解耦为亮度与色彩增强和细节重构两组任务,进而构建双分支低照度图像增强网络模型(Two-Branch Low-light Image Enhancement Network,TBLIEN).其中,亮度与色彩增强分支采用带全局特征的U-Net结构,提取深层语义信息改善亮度与色彩;细节重构分支采用保持原始分辨率的全卷积网络实现细节复原和噪声去除.此外,在细节重构分支中,本文提出一种半双重注意力残差模块,能在保留上下文特征的同时通过空间和通道注意力强化特征,从而实现更精细的细节重构.在合成和真实数据集上的广泛实验表明,本文模型的性能超越了当前先进的低照度图像增强方法,并具有更好的泛化能力,且可适用于水下图像增强等其他图像增强任务.

关键词：低照度图像增强任务解耦双分支网络模型对比学习残差网络

在线全文

学校读者我要写书评

暂无评论

基于模型后门的联邦学习水印

软件学报 2024年第7期35卷 3454-3468页

作者：李璇邓天鹏熊金波金彪林劼福建师范大学计算机与网络空间安全学院福建福州350117 福建省网络安全与密码技术重点实验室福建福州350117 数字福建大数据安全技术研究所福建福州350117

高精度联邦学习模型的训练需要消耗大量的用户本地资源,参与训练的用户能够通过私自出售联合训练的模型获得非法收益.为实现联邦学习模型的产权保护,利用深度学习后门技术不影响主任务精度而仅对少量触发集样本造成误分类的特征,构建一... 详细信息

高精度联邦学习模型的训练需要消耗大量的用户本地资源,参与训练的用户能够通过私自出售联合训练的模型获得非法收益.为实现联邦学习模型的产权保护,利用深度学习后门技术不影响主任务精度而仅对少量触发集样本造成误分类的特征,构建一种基于模型后门的联邦学习水印(federated learning watermark based on backdoor,FLWB)方案,能够允许各参与训练的用户在其本地模型中分别嵌入私有水印,再通过云端的模型聚合操作将私有后门水印映射到全局模型作为联邦学习的全局水印.之后提出分步训练方法增强各私有后门水印在全局模型的表达效果,使得FLWB方案能够在不影响全局模型精度的前提下容纳各参与用户的私有水印.理论分析证明了FLWB方案的安全性,实验验证分步训练方法能够让全局模型在仅造成1%主任务精度损失的情况下有效容纳参与训练用户的私有水印.最后,采用模型压缩攻击和模型微调攻击对FLWB方案进行攻击测试,其结果表明FLWB方案在模型压缩到30%时仍能保留80%以上的水印,在4种不同的微调攻击下能保留90%以上的水印,具有很好的鲁棒性.

关键词：联邦学习产权保护模型水印后门任务模型聚合

在线全文

学校读者我要写书评

暂无评论

基于多重注意力机制的图像雨滴去除方法

计算机辅助设计与图形学学报 2024年

作者：陈羽中林闽沪陈友昆牛玉贞福建省网络计算与智能信息处理重点实验室福州大学计算机与大数据学院

图像雨滴去除任务的目标是对于给定的雨滴图像去除其镜头上遮挡的附着雨滴，还原出真实的干净图像，其在计算机视觉下游任务中有着至关重要的作用. 由于已有的图像雨滴去除方法没有考虑雨滴所具有的空间位置局部性和尺度多样性，导... 详细信息

图像雨滴去除任务的目标是对于给定的雨滴图像去除其镜头上遮挡的附着雨滴，还原出真实的干净图像，其在计算机视觉下游任务中有着至关重要的作用. 由于已有的图像雨滴去除方法没有考虑雨滴所具有的空间位置局部性和尺度多样性，导致雨滴去除效果不理想. 为缓解上述问题，提出一种基于多重注意力机制的图像雨滴去除方法. 首先为了适应雨滴的空间位置局部性和尺度多样性，提出结合多尺度特征提取模块和多重注意力模块构建编码器-解码器架构，其中多重注意力模块融合了像素、通道和空间注意力，能够自适应地匹配雨滴的空间位置局部性. 此外，设计了一种迭代式图像特征融合模块，在融合解码器特征和雨滴图像得到初步去雨图像后，采用初步去雨图像加强解码器特征，得到进一步的细化特征，再融合初步去雨图像和细化特征得到最终去雨图像. 在雨滴图像测试集Raindrop上实验结果表明，与其他方法相比，所提方法能够有效地去除图像中的雨滴，进一步提升雨滴去除的性能，比对比方法中最优的方法在PSNR指标上提升了0.25 dB.

关键词：图像雨滴去除注意力机制多尺度特征特征融合

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于图强化学习的多边缘协同负载均衡方法

计算机科学 2024年

作者：郑龙海肖博怀姚泽玮陈星莫毓昌福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室华侨大学计算科学福建省高校重点实验室

在移动边缘计算中，设备通过将计算密集型任务卸载到附近边缘服务器，可以有效减少应用程序的延迟和能耗。为了提高服务质量，边缘服务器之间需要协作而非单独工作。针对多边缘协作的负载均衡问题，现有的策略往往依赖于精确的数学模型... 详细信息

在移动边缘计算中，设备通过将计算密集型任务卸载到附近边缘服务器，可以有效减少应用程序的延迟和能耗。为了提高服务质量，边缘服务器之间需要协作而非单独工作。针对多边缘协作的负载均衡问题，现有的策略往往依赖于精确的数学模型或者缺乏对边缘拓扑关系的利用。为了解决这个问题，本文提出了一种基于图强化学习的卸载决策方法。首先将多边缘协作的负载均衡场景抽象为图数据，然后采用基于图卷积神经网络的图嵌入过程提取图的信息特征，以辅助深度Q网络进行卸载决策，最后通过集中反馈控制机制找到目标负载均衡方案。多个场景下进行仿真实验，结果验证了所提方法在缩短任务平均响应时延方面的有效性，并且可以在短时间内得到优于对比算法且接近理想方案的负载均衡效果。

关键词：多边缘协作负载均衡任务卸载图神经网络深度强化学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于梯度放大的联邦学习激励欺诈攻击与防御

软件学报 2024年

作者：乐紫莹陈珂寿黎但骆歆远陈刚浙江大学区块链与数据安全全国重点实验室(浙江大学) 浙江省大数据智能计算重点实验室(浙江大学)

在联邦学习领域,激励机制是吸引高质量数据持有者参与联邦学习并获得更优模型的重要工具.然而,现有的联邦学习研究鲜有考虑到参与者可能滥用激励机制的情况,也就是他们可能会通过操纵上传的本地模型信息来获取更多的奖励.针对这一问题... 详细信息

在联邦学习领域,激励机制是吸引高质量数据持有者参与联邦学习并获得更优模型的重要工具.然而,现有的联邦学习研究鲜有考虑到参与者可能滥用激励机制的情况,也就是他们可能会通过操纵上传的本地模型信息来获取更多的奖励.针对这一问题进行了深入研究.首先,明确定义联邦学习中的参与者激励欺诈攻击问题,并引入激励成本比来评估不同激励欺诈攻击方法的效果以及防御方法的有效性.其次,提出一种名为“梯度放大攻击(gradient scale-up attack)”的攻击方法,专注于对模型梯度进行激励欺诈.这种攻击方法计算出相应的放大因子,并利用这些因子来提高本地模型梯度的贡献,以获取更多奖励.最后,提出一种高效的防御方法,通过检验模型梯度的二范数值来识别欺诈者,从而有效地防止梯度放大攻击.通过对MNIST等数据集进行详尽地分析和实验验证,研究结果表明,所提出的攻击方法能够显著提高奖励,而相应的防御方法能够有效地抵制欺诈参与者的攻击行为.

关键词：联邦学习激励欺诈攻击梯度放大攻击恶意参与者检测安全保护