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

文本中心像素重建实现任意形状的文本检测

计算机工程与应用 2023年第8期59卷 148-156页

作者：雷小唐胡靖成都信息工程大学计算机学院成都610000

针对自然场景文本检测算法未能高效、准确地实现端到端的任意形状文本检测,提出了轻量型像素聚类文本核重建的文本检测算法,针对轻量型网络特征信息弱和感受野小的问题,设计了图像级上下文信息模块(imagelevel context module)来捕获全... 详细信息

针对自然场景文本检测算法未能高效、准确地实现端到端的任意形状文本检测,提出了轻量型像素聚类文本核重建的文本检测算法,针对轻量型网络特征信息弱和感受野小的问题,设计了图像级上下文信息模块(imagelevel context module)来捕获全局图像信息和语义级上下文信息模块(semantic-level context module)学习目标区域信息,两者信息融合增强网络特征信息保证检测的准确性,为了有效区分相邻文本和定位弯曲文本,基于文本核启发将文字实例中心视为聚类中心,从核中心经过一次像素聚类重建完整的文字实例实现对任意形状文本的检测。方法在弯曲文本数据集Total-Text和CTW1500综合评分达到了84.1%和84.6%超过了最好的CARFT方法,检测速度42帧/s超过最优EAST的,有效地解决了检测形状文本的高效和准确性,在应用层面更加友好。

关键词：图像级上下文语义级上下文像素聚类任意形状文本文本核

在线全文

学校读者我要写书评

暂无评论

无锚框模型类梯度全局对抗样本生成

计算机工程 2023年第10期49卷 186-193页

作者：谢云旭吴锡彭静成都信息工程大学计算机学院成都610225

在计算机视觉任务中深度神经网络模型易受对抗样本的干扰,泛化性能高的对抗样本会影响更多的模型。为了研究深度神经网络模型的脆弱性进而改善该现状,提出一种基于类梯度的全局对抗样本生成方法。以图像中的目标类为单位快速进行类梯度... 详细信息

在计算机视觉任务中深度神经网络模型易受对抗样本的干扰,泛化性能高的对抗样本会影响更多的模型。为了研究深度神经网络模型的脆弱性进而改善该现状,提出一种基于类梯度的全局对抗样本生成方法。以图像中的目标类为单位快速进行类梯度收集,通过一次性融合同一类别内所有目标的梯度来体现类内相似性与类间差异性。在此基础上,结合数据集中一定比例的图像及对应的图片尺度扰动生成全局扰动。通过上述过程突破模型候选框及图片数量的制约,生成的全局扰动可以对大量数据形成有效的影响。实验结果表明,该方法在Pascal VOC和MS-COCO-keypoints数据集的2种计算机视觉任务中性能均优于PGD、FPE等算法,其攻击成功率比DAG算法高1个百分点,比FPE算法高34个百分点,同时推断扰动速度较快。全局扰动的存在揭示了深度神经网络模型在高维决策边界之间存在一定的几何相关性,利用所提方法有助于深度神经网络抵抗泛化性能更高的全局对抗样本。

关键词：对抗样本全局扰动目标检测人体姿态估计无锚框模型

基于双向Transformer的降水临近预报模型

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2024年

作者：潘龙吴锡成都信息工程大学计算机学院

精准的降水临近预报对日常生活至关重要，但现行预报模型的准确度有待进一步提升。为此，提出一种创新的预报模型BTPN。该模型引入双向Transformer，从时空序列的正逆方向提取特征，捕获关键信息，减少时空特征丢失；使用卷积Transforme... 详细信息

精准的降水临近预报对日常生活至关重要，但现行预报模型的准确度有待进一步提升。为此，提出一种创新的预报模型BTPN。该模型引入双向Transformer，从时空序列的正逆方向提取特征，捕获关键信息，减少时空特征丢失；使用卷积Transformer模块结合卷积的局部编码和Transformer的全局编码特性，强化时空信息提取和关联性，缓解时空长时序信息丢失问题；结合细节提取模块，有助于减少局部细节的损失，并缓解高值区域消散问题。在HKO-7数据集上的评估显示，BTPN模型在MAE、SSIM及CSI指标上超越了其他先进模型，并在大面积降水和台风极端天气情境中显示出优异的预测能力。实验表明BTPN模型具备更高的预报精确性，具备较好的应用前景。

关键词：降水临近预报时空序列双向Transformer 卷积

基于多尺度与注意力机制的两阶段风暴单体外推研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

图学学报 2024年

作者：魏敏姚鑫成都信息工程大学计算机学院

风暴是一种生命周期短、发生突然、空间尺度小的自然现象，常用雷达回波外推方法进行预测，但时序预测模型难以在众多特征中定位风暴关键信息，导致预测精度低，模型无法充分学习图像高频信息，导致预测细节缺失，结果模糊。为了提升预... 详细信息

风暴是一种生命周期短、发生突然、空间尺度小的自然现象，常用雷达回波外推方法进行预测，但时序预测模型难以在众多特征中定位风暴关键信息，导致预测精度低，模型无法充分学习图像高频信息，导致预测细节缺失，结果模糊。为了提升预测性能，提出两阶段风暴单体外推框架。第一阶段使用多尺度模块提取多尺度信息，注意力机制挖掘影响预测的重要特征，使用时空长短期记忆单元进行序列预测。第二阶段对一阶段结果进行偏差矫正，使用频域损失丰富外推细节。实验结果表明，在雷达回波数据集上，与主流模型PredRNN-V2相比，均方误差降低11.4%，SSIM提升4.3%，在风暴单体外推任务中表现优越。在Moving MNIST数据集上，均方误差降低4.95%，感知损失降低12.67%，SSIM提升至0.898，具有良好的时序预测能力。

关键词：注意力机制空洞卷积频域损失长短期记忆时空序列预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于移动边缘计算的位置隐私保护策略的研究

计算机工程 2024年

作者：陈司南沈艳成都信息工程大学计算机学院

针对目前移动边缘计算位置隐私保护算法导致用户任务卸载时服务质量降低的缺点，提出一种融合维诺图机制和?-地理不可区分机制的位置隐私保护策略V-Geo。首先，云服务器以地图中的边缘节点作为维诺图的生成元，采用逐点插入法生成维诺... 详细信息

针对目前移动边缘计算位置隐私保护算法导致用户任务卸载时服务质量降低的缺点，提出一种融合维诺图机制和?-地理不可区分机制的位置隐私保护策略V-Geo。首先，云服务器以地图中的边缘节点作为维诺图的生成元，采用逐点插入法生成维诺图，将地图划分为若干维诺格，并将地图划分数据分发至地图中的用户；其次，用户以自身所在维诺格为安全区域，融合?-地理不可区分机制在该维诺格范围内基于自身真实位置生成一个虚假位置用于代替真实位置进行任务卸载；最后提出一种融合时延、能耗和距离损失的服务质量损失模型，该模型根据用户对时延、能耗和距离损失的不同需求评估用户任务卸载时的服务质量高低。以场景内所有用户的服务质量损失模型作为指标，改变时延、能耗和距离损失的权重占比进行仿真，仿真结果证明在同等的隐私保护程度下，V-Geo算法较基于本地差分隐私的改进算法（V-R）用户的服务质量损失平均减少了31.2%。同时证明了在不同用户数量和不同边缘节点数量下，V-Geo算法较其他算法依旧存在优势。

关键词：移动边缘计算位置隐私保护差分隐私维诺图地理不可区分机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多要素的短临降水预报及可解释性分析

计算机应用研究 2024年

作者：陈龙彭静胡雪飞黄占鳌李孝杰成都信息工程大学计算机学院

当前的短临降水预报方法大多是基于雷达回波外推，没有充分考虑其他气象要素对降水生消演变的密切影响，从而限制了其预报的准确性。为解决此问题，基于风云四号B星数据，制作了包含四种背景气象要素、以定量降水估计为预报对象的短时... 详细信息

当前的短临降水预报方法大多是基于雷达回波外推，没有充分考虑其他气象要素对降水生消演变的密切影响，从而限制了其预报的准确性。为解决此问题，基于风云四号B星数据，制作了包含四种背景气象要素、以定量降水估计为预报对象的短时临近降水预报数据集，提出了短临降水预报模型——MFPNM(multiple factors precipitation nowcasting Model)。以Trans-Unet为该模型的骨干，设计了并行双编码器分别提取预报对象和背景气象数据的高维时空特征；构造了内容编码模块将背景数据的空间特征作为预报对象高维特征向量的可学习位置编码；已有的Transformer模块构建序列数据高维特征间的全局关系，以实现更准确的序列预测。MFPNM在风云-4B数据集和开源数据集上达到了最优水平，采用的指标包括临界成功指数、虚警率、均方根误差和结构相似性等；通过SHAP(shapley additive explanations)技术对模型进行了可解释性分析。实验结果及可解释性分析表明该模型具有更好的预报准确度及可靠性。

关键词：短时临近降水预报气象卫星数据融合

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向缓存机制的移动边缘计算任务卸载研究

计算机工程 2023年

作者：陈姣沈艳成都信息工程大学计算机学院

在移动边缘计算(MEC)背景下，用户需求快速增长，但是由于移动设备的计算和存储资源受限，时延和能耗问题日益显著。此外，由于任务的重复卸载和处理，进一步加剧了时延和移动设备的高能耗问题。因此，针对上述问题，提出了一种带有缓... 详细信息

在移动边缘计算(MEC)背景下，用户需求快速增长，但是由于移动设备的计算和存储资源受限，时延和能耗问题日益显著。此外，由于任务的重复卸载和处理，进一步加剧了时延和移动设备的高能耗问题。因此，针对上述问题，提出了一种带有缓存机制的任务卸载策略来减少任务卸载过程中的时延和能耗。首先，基于任务的流行度、新鲜度和数据大小等因素建立了一个缓存内容选择模型。并根据该模型的结果设计了一种缓存更新策略。其次，针对任务卸载和缓存问题，提出了一个联合优化模型，这个模型以最小化系统总成本为目标，考虑了任务卸载和缓存对移动设备时延和能耗的影响。为解决这一复杂的优化模型，通过添加惩罚函数的形式将约束条件加入到目标函数中，并采用粒子群优化 (PSO)算法获得任务卸载和缓存的最优决策。通过大量仿真实验，验证了本文所提出方案的有效性。与传统的本地计算、卸载计算、随机缓存以及基于流行度的缓存等方案相比，本文所提方案在总时延上降低了37%以上，缓存命中率提高了9.1%以上，同时还优化了缓存资源利用率，取得了较好的效果。

关键词：移动边缘计算任务卸载缓存机制缓存更新缓存命中率

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度强化学习的多模态医学图像配准

计算机辅助设计与图形学学报 2020年第8期32卷 1236-1247页

作者：姚明青胡靖成都信息工程大学计算机学院成都610225

传统图像配准方法中,图像特征的表示和相似性测度的选择易受到人为因素的影响,不能准确地表征图像特征和配准图像的相似度,从而对配准结果产生较大误差.针对此问题,借助端到端的强化学习方法,对这2个部分进行隐式的表达,从而避免人工设... 详细信息

传统图像配准方法中,图像特征的表示和相似性测度的选择易受到人为因素的影响,不能准确地表征图像特征和配准图像的相似度,从而对配准结果产生较大误差.针对此问题,借助端到端的强化学习方法,对这2个部分进行隐式的表达,从而避免人工设计的缺陷.具体而言,设计了一个人工智能体模型,由策略网络和价值网络2部分组成,用以指导浮动图像朝着参考图像的方向正确移动,进而实现图像配准.提出使用异步表演者-评论家方法进行模型训练,以避免经验回放操作,降低模型训练对存储容量的要求并加快模型的收敛;同时提出一种奖赏函数,能够给予每个时间步上图像配准动作估计更为准确的奖励.此外,在测试阶段,使用了蒙特卡罗前向推理策略,进一步提高配准参数的准确性.在MR和CT的临床医学图像配准数据集上进行实验,与传统基于尺度不变性配准算法、基于深度学习配准算法等进行对照分析,实验结果表明,所提出的方法目标配准误差可以减少30%左右,同时能够更好地处理具有大幅度形变的配准问题.

关键词：图像配准强化学习表演者-评论家奖励函数前向推理

在线全文

学校读者我要写书评

暂无评论

基于DSPP的单目图像深度估计

计算机应用研究 2022年第12期39卷 3837-3840页

作者：张竞澜魏敏文武成都信息工程大学计算机学院成都610225

空洞空间金字塔池化(ASPP)在深度学习各种任务中均有应用,传统ASPP模块只考虑了提升卷积感受视野,但ASPP中的每次空洞卷积选取的像素点分散,会丢失大量像素点间的信息,而深度估计属于密集预测任务。针对ASPP模块这一弊端提出了一种动态... 详细信息

空洞空间金字塔池化(ASPP)在深度学习各种任务中均有应用,传统ASPP模块只考虑了提升卷积感受视野,但ASPP中的每次空洞卷积选取的像素点分散,会丢失大量像素点间的信息,而深度估计属于密集预测任务。针对ASPP模块这一弊端提出了一种动态密集的DSPP模块。该模块用一种动态卷积代替空洞卷积,结合ASPP的思想,采用不同大小的卷积尺寸,并结合通道注意力充分利用每一层的特征,解决了ASPP丢失信息的问题,与ASPP相比在大大减小模块参数量的前提下,提升了整体模型的准确率。在NYU Depth v2数据集上与主流算法相比,深度图在均方根误差(RMSE)上降低了12.5%,到0.407,并且准确率(δ<1.25)提高了3.4%,达到0.875,验证了算法的有效性。

关键词：单目深度估计卷积神经网络深度学习