基于变化参与实例的空间并置模式增量挖掘方法

空间并置模式是一组空间特征的子集,它们的实例在空间中频繁关联。空间并置模式挖掘是空间数据挖掘的一个重要分支。然而,空间数据库随时间不断变化,高效的空间并置模式增量挖掘显得尤为重要。提出基于变化参与实例的空间并置模式增量挖掘方法,相比传统的增量挖掘算法,不进行耗时的变化表实例生成操作,直接搜索变化参与实例。为加速变化参与实例搜索过程,提出了实例级搜索优化策略、启发式模式剪枝技术,进而提出了IMCP-CPI,讨论了算法的复杂度、正确性和完备性。在真实和模拟数据集上进行了大量实验验证IMCP-CPI的性能。结果表明IMCP-CPI远优于当前已知的5个空间并置模式增量挖掘算法,其效率提升数倍甚至数个量级。在变化数据占比为原数据集5%的新数据集中,当距离阈值d很大或者参与度阈值min_prev很小时,IMCP-CPI的性能比当前并置模式挖掘较优算法CPM-Col及改进算法CPM-iCol提升2~3倍。此外,当变化数据占比分别小于等于原数据集的25%和50%时,无论在参数变化还是可扩展性方面,IMCP-CPI均优于CPM-iCol和CPM-Col,这对具体实践中的方法选取给与了参考意见。

基于改进YOLOv8的交通场景实例分割算法

提出一种基于改进型YOLOv8的实例分割算法(DE-YOLO)。为减少图像中复杂背景的干扰,引入高效多尺度注意力机制,跨维交互使各特征组内空间语义特征平均分布。在主干网络部分,使用可变形卷积DCNv2结合C2f卷积层,突破原始卷积限制,提升可变性。为减小有害梯度并提升检测器精度,采用动态非单调聚焦机制Wise-交并比(WIoU)替代联合完全交并(CIoU)损失函数进行质量评估,优化检测框定位,提升分割精度。同时,通过开启Mixup数据增强处理,充实数据集,丰富训练特征,提升模型学习能力。实验结果表明,DE-YOLO在城市景观数据集Cityscapes中的掩模平均精度均值(mAPmask)较基准模型YOLOv8n-seg提高了2.0百分点,IoU阈值为0.5时的平均精度提升了3.2百分点,所提算法在提升精度的同时,保持了优良的检测速度和较少的参数量,模型参数量较同类模型低2.2~31.3百分点。

基于多尺度多实例学习的非小细胞肺癌亚型分类方法

非小细胞肺癌的准确诊断与亚型鉴别对指导患者的个体化精准治疗意义重大。但由于非小细胞肺癌固有的肿瘤异质性,导致其同一亚型的病理形态差异较大,而不同亚型之间也可能存在一定的形态学重叠,给临床诊断带来很大困难。为解决这一问题,本文设计了一种基于多实例学习的多尺度特征提取与融合的计算机辅助诊断框架。首先,该框架在细胞级、组织级等不同层次对病理图像进行多尺度采样和特征提取。然后,利用Transformer网络实现端到端的多尺度信息融合,建模不同粒度实例之间的依赖关系。最后,本文设计了一种基于注意力的实例损失,通过区分最具区分性实例的特征,提供了额外的监督信号,以进一步提高模型的分类性能。在包含1674张病理切片的公开数据集上的实验结果显示,本文方法可以更充分地利用病理图像的多粒度信息,显著提高非小细胞肺癌亚型的分类准确率。并且所提方法的注意力热图具有良好的可解释性,可以直观判断单个样本的分类质量,为后续模型优化提供了定量分析方法。

基于后提示与实例适应的跨域方面情感分析

方面情感分析是一种细粒度的情感分析任务,旨在从句子中提取方面词并识别其情感。由于方面术语的标注成本高昂,之前的工作通过跨领域转移公共知识来缓解新领域的数据缺乏问题。但这些方法的模型复杂,并且需要昂贵的多级预处理。针对这些问题,提出一种简单且有效的LPIDA模型。首先,从BERT模型的中间层开始,每层插入一组由多个可学习向量组成的软提示,以学习源域和目标域之间的域不变特征。其次,设置一个词级域分类器,将分类器的结果用于实例适应,使模型能更关注目标域中的单词。在4个基准英文数据集上的实验结果表明,所提出的LPIDA模型在10组不同域对上的跨域方面情感分析任务的平均Micro-F1达到47.01%,跨域方面词提取任务的平均Micro-F1达到52.29%。同时在3个中文数据集上进行测试,证明了该方法的有效性。

奔驰EQE热泵2.0空调系统技术特点和典型实例(三)

通过下面几个故障案例分析,进一步说明奔驰EQE热泵2.0空调系统的技术特点及诊断策略。案例1车型:奔驰EQE3504MATIC。发动机/电机型号:780600。行驶里程:7691km。年款:2024款(CODE804)。VIN:LE42946121N××××××。故障现象:车辆行驶过程中突然出现很响的噪音,并且方向盘震动明显,将空调关闭后异响和震动消失。故障诊断:车辆到店,进行功能检查发现,故障持续存在,只要打开空调,就可以听到机舱内传来的噪音,并且明显感觉到方向盘的震动。

奔驰EQE 热泵2.0空调系统 技术特点和典型实例(二)

四、热泵2.0空调系统的技术特点与奔驰EQE采用的热泵1.0空调系统相比,奔驰EQE智能热量管理系统ITM(Intelligent Thermal Management)有了很大的变化,系统的功能原理如图12所示。奔驰EQE热泵2.0空调系统属于间接式的热泵技术,相比传统的PTC加热系统,极大地提升了能效。借助空调系统中的制冷剂回路,热泵功能利用了来自蓄电池和电驱动系统的废热。这意味着该系统不仅允许废热直接从冷却回路和下游加热器耦合进来,还允许来自传动系统和蓄电池的废热通过附加制冷剂回路部件耦合到加热回路中。此时,制冷系统及其压缩机以热泵模式运行.

Gibbs反思循环联合抛锚实例式教学法在呼吸与危重症医学科护士规范化培训中的应用研究

目的探讨基于Gibbs反思循环联合抛锚实例式教学法在呼吸与危重症医学科护士规范化培训中的应用效果。方法采取整群抽样法,将2020年1月—2023年12月在某医院呼吸与危重症医学科进行规范化培训的36名护士作为本次的研究对象,并将其分为对照组与干预组,分别比较两组规培护士的理论知识和实践操作考核成绩、出科汇报考核成绩及批判性思维得分情况。结果教学实施后,干预组规培护士的理论知识和实践操作考核成绩、出科汇报考核成绩及批判性思维得分均显著高于对照组(P<0.05)。结论Gibbs反思循环联合抛锚实例式教学法能够提高呼吸与危重症医学科规培护士的理论知识和实践操作考核成绩、出科汇报考核成绩,并能够增强规培护士的批判性思维能力,值得进一步推广应用。

涡轮叶片精铸模具CAD系统实例库的设计与研究

对基于实例推理的涡轮叶片精铸模具CAD系统的核心内容——实例库进行了较深入的研究,给出了涡轮叶片精铸模具的实例表达、实例组织、实例存储和检索的方法,为基于实例推理的涡轮叶片精铸模具CAD系统的实现打下了良好的基础。

基于子空间法的多级实例分类检索与匹配模型

针对多级实例的组织特点对多级实例子空间进行了描述,提出了多级实例分类检索的子空间法,给出了基于灰色关联的多级实例匹配算法,建立了多级实例分类检索与匹配模型。该模型通过建立设计问题和多级实例类空间的特征向量,计算设计问题与各实例类空间的隶属度,获得与设计问题最相关的多级实例类,利用相应的实例匹配算法,获得该实例类空间内与设计问题最相似的多级实例。最后,以大型水轮机方案设计为例,检验了该模型在复杂产品方案设计中应用的有效性和可操作性。

改进的3D-BoNet算法应用于点云实例分割与三维重建

为了更好地利用点云数据重建室内三维模型,本文提出了一种基于3D-BoNet-IAM算法的室内场景三维重建方法。该方法通过改进3D-BoNet算法提高点云数据的实例分割精度。针对点云数据缺失问题,提出了基于平面基元合并优化的拟合平面方法,利用拟合得到的新平面重建建筑表面模型。在S3DIS和ScanNet V2数据集上验证3D-BoNet算法的改进效果。试验结果表明,本文提出的3D-BoNet-IAM算法比原始算法分割精度提高了3.3%;对比本文建模效果与其他建模效果发现,本文方法的建模效果更准确。本文方法能够提高室内点云数据的实例分割精度,同时得到高质量的室内三维模型。

复杂机械产品的层级实例库研究

分析了复杂机械产品的设计特征;建立与复杂产品分解结构相对应的树状层级实例库,层级实例库是一组相关联的子实例库集合的递归结构表示;通过模板定制与复用实现子实例库的定义和编辑,提高了产品树状层级实例库的建库效率;分析了新产品开发的各种模式,并给出了整机产品、子系统、部件、零件等各个层次的设计实例加入层级实例库的方法;以全液压汽车起重机基于实例的设计工具开发为例,说明层级实例库建库工具和建库方法的应用。

基于覆盖性和适应度的CBR实例库维护

针对实例推理(CBR)系统中实例无限增加会导致实例库冗余和实例检索效率降低,从而使系统总体性能下降的问题,对现有的实例库维护方法进行了分析,给出了基于实例覆盖性的实例保存策略,以此来限制实例库的无限扩大,进而提出以实例适应度函数对实例在实例库中的存在性进行描述,精简实例库中适应性差的实例,从而优化了实例库的存储结构,提高了系统性能.最后以冲裁模具实例库的维护为例,验证了上述方法的合理性和有效性.

改进YOLACT的服装图像实例分割方法

针对服装图像实例分割精度与速度较低的问题,提出一种基于改进YOLACT的服装图像实例分割方法。以YOLACT为基础模型,首先在ResNet101网络中采用深度可分离卷积代替传统卷积,减少模型计算量和模型参数,加快模型速度;然后,在模板生成网络后引入高效通道注意力模块,优化输出特征,捕获服装图像的跨通道交互信息,加强对掩膜分支的特征提取能力;最后,训练过程采用LeakyReLU激活函数,避免反向传播时权值信息得不到及时更新,提升模型对服装图像负值特征信息的提取能力。结果表明:与原模型相比,所提方法能有效减少模型参数量,在提升速度的同时提高了精度,其速度提升了4.82帧/s,平均精度提升了5.4%。

基于加权实例推理的缓倾斜综采工作面液压支架选型研究

为实现地质构造简单的缓倾斜综采工作面液压支架智能化选型,提出了一种基于加权实例推理的液压支架选型方法。首先,建立了液压支架选型实例库;其次,采用粗糙集理论和序关系分析法进行权重构造;另外,将液压支架的条件属性分为3种类型计算相似度;最后通过匹配实例选型。以某煤矿选型方案为例,并以50组液压支架的属性数据进行验证。结果表明,该方法的准确率为88%,能够为液压支架的智能化选型提供较好的参考依据。

改进YOLOv5s-Seg的高效实时实例分割模型

实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YOLOv5s-Seg改进的实时实例分割模型。以YOLOv5s-Seg作为网络的基础模型,主干网络选用Repvit m3网络,然后改进FPN结构,在FPN结构中将原始得到的C3卷积模块升级为RsRepVitBlock模块,并在其内部使用ECA注意力机制,最后采用SIoU作为模型的边界框损失函数。该算法在公开数据集PASCAL VOC 2012上的实验结果显示,改进后的模型分割精度mAP达到了65.7%,较原模型YOLOv5s-Seg提高了10.6个百分点。该模型大幅提升了分割精度,并且有效地改善了分割任务中定位不准确的问题。相较于其他模型,具有显著的精度优势和更好的模型稳定性。

动态场景下基于实例分割与光流的语义SLAM建图

视觉同步定位与建图技术常用于室内智能机器人的导航,但是其位姿是以静态环境为前提进行估计的。为了提升视觉即时定位与建图(Simultaneous Localization And Mapping,SLAM)在动态场景中的定位与建图的鲁棒性和实时性,在原ORB-SLAM2基础上新增动态区域检测线程和语义点云线程。动态区域检测线程由实例分割网络和光流估计网络组成,实例分割赋予动态场景语义信息的同时生成先验性动态物体的掩膜。为了解决实例分割网络的欠分割问题,采用轻量级光流估计网络辅助检测动态区域,生成准确性更高的动态区域掩膜。将生成的动态区域掩膜传入到跟踪线程中进行实时剔除动态区域特征点,然后使用地图中剩余的静态特征点进行相机的位姿估计并建立语义点云地图。在公开TUM数据集上的实验结果表明,改进后的SLAM系统在保证实时性的前提下,提升了其在动态场景中的定位与建图的鲁棒性。

航迹先验融合特征的车载雷达实例分割算法

点云实例分割是场景感知中的基本任务。近年来,随着车载毫米波雷达分辨能力的提高,大量基于毫米波雷达散射点的实例分割方案被提出。实例分割的结果可作为跟踪的输入,跟踪得到各个实例的航迹信息,为后续的车辆决策与路径规划提供数据支持。然而,面向毫米波雷达的实例分割方法仍存在以下挑战。一方面,相较于激光雷达,毫米波雷达观测下的散射点更稀疏,信息量较少。当同一实例的散射点距离较远或者多个相邻实例密集分布时,分割性能显著下降;另一方面,雷达穿透性有限,路面障碍物或交通参与者对实例造成部分遮挡时,分割算法无法对实例进行正确分割和判别。考虑到实际行车场景的时间连续性,利用交通参与者的航迹先验信息,即该参与者上一时刻和当前时刻的位置信息,可以克服上述问题。因此,本文提出了一种利用航迹先验融合上一帧散射点特征的车载雷达点云分割算法。该算法利用航迹的连续性,在相邻两帧之间计算实例和散射点的对应关系并基于上述关系完成散射点特征融合。相较于单帧,融合后的高质量特征不仅信息更丰富,不同实例间的特征差异更明显,而且能弥补由于遮挡导致的信息缺失。实验结果显示,所提算法的平均覆盖率和平均精度指标分别优于基于单帧的分割算法6.19%和4.54%。该结果表明,所提算法优于文献中其他方法,能有效解决上述分割算法存在的问题。此外,与基于单帧的分割方案在典型场景的可视化对比中,所提方法也凸显了其有效性和潜力。未来,我们将进一步挖掘轨迹先验信息,以加强特征提取,同时深入探讨分割性能与帧数之间的关系。

基于改进YOLO v8n-seg的羊只实例分割方法

羊只实例分割是实现羊只识别和跟踪、行为分析和管理、疾病监测等任务的重要前提。针对规模化羊场复杂养殖环境中,羊只个体存在遮挡、光线昏暗、个体颜色与背景相似等情况所导致的羊只实例错检、漏检问题,提出了一种基于改进YOLO v8n-seg的羊只实例分割方法。以YOLO v8n-seg网络作为基础模型进行羊只个体分割任务,首先,引入Large separable kernel attention模块以增强模型对实例重要特征信息的捕捉能力,提高特征的代表性及模型的鲁棒性;其次,采用超实时语义分割模型DWR-Seg中的Dilation-wise residual模块替换C2f中的Bottleneck模块,以优化模型对网络高层特征的提取能力,扩展模型感受野,增强上下文语义之间的联系,生成带有丰富特征信息的新特征图;最后,引用Dilated reparam block模块对C2f进行二次改进,多次融合从网络高层提取到的特征信息,增强模型对特征的理解能力。试验结果表明,改进后的YOLO v8n-LDD-seg对羊只实例的平均分割精度mAP_(50)达到92.08%,mAP_(50:90)达到66.54%,相较于YOLO v8n-seg,分别提升3.06、3.96个百分点。YOLO v8n-LDD-seg有效提高了羊只个体检测精度,提升了羊只实例分割效果,为复杂养殖环境下羊只实例检测和分割提供了技术支持。

基于深度学习的水域实例分割尾矿库干滩长度测量

提出了基于YOLOv8的水域实例分割方法,实现了在实时视频流下快速、高效、准确的尾矿库干滩长度测量。首先,完成一份高质量水域实例分割的COCO数据集;其次,分析主流深度学习实例分割算法,选用YOLOv8模型训练出高效识别水线并输出图像坐标;最后,标定相机内外参数,应用相机成像原理,在尾矿库尾部安装监控摄像头,预测出干滩长度。实验证明:此模型不仅能够准确预测出干滩长度,并且对不同尾矿库水域边界分割有较好的稳定性;对实时视频流模式下的野外非接触式测量具有较好的效果,误差控制在2%以内。

基于深度与实例分割融合的单目3D目标检测方法

针对单目3D目标检测在视角变化引起的物体大小变化以及物体遮挡等情况下效果不佳的问题,提出一种融合深度信息和实例分割掩码的新型单目3D目标检测方法。首先,通过深度-掩码注意力融合(DMAF)模块,将深度信息与实例分割掩码结合,以提供更准确的物体边界;其次,引入动态卷积,并利用DMAF模块得到的融合特征引导动态卷积核的生成,以处理不同尺度的物体;再次,在损失函数中引入2D-3D边界框一致性损失函数,调整预测的3D边界框与对应的2D检测框高度一致,以提高实例分割和3D目标检测任务的效果;最后,通过消融实验验证该方法的有效性,并在KITTI测试集上对该方法进行验证。实验结果表明,与仅使用深度估计图和实例分割掩码的方法相比,在中等难度下对车辆类别检测的平均精度提高了6.36个百分点,且3D目标检测和鸟瞰图目标检测任务的效果均优于D4LCN(Depth-guided Dynamic-Depthwise-Dilated Local Convolutional Network)、M3D-RPN(Monocular 3D Region Proposal Network)等对比方法。