基于自适应特征融合和注意力机制的变电设备红外图像识别

针对变电设备红外图像复杂背景下多目标、小目标及遮挡目标识别效果差的问题,该文提出一种基于中心点网络(CenterNet)的变电设备红外图像识别方法。通过将自适应特征融合模块(ASFF)和特征金字塔(FPN)相结合,构建ASFF+FPN结构的特征融合网络,增强了模型对多目标和小目标的跨尺度特征融合能力,排除背景信息;针对网络对遮挡目标特征捕捉能力差的问题,在特征融合网络中添加全局注意力机制,增强目标显著度;为实现模型轻量化,引入深度可分离卷积,减少参数量和推理时间;最后,通过引入分布焦点损失函数,克服了原损失函数对遮挡目标敏感性差的问题,提升了模型收敛速度和识别精度。在包含7种红外变电设备图像的自建数据集上进行测试。实验表明该算法与原始算法相比,识别精度提升了3.55%,达到了95.19%,模型参数量仅为32.52M,与4种主流目标识别算法对比,该算法在识别精度和算法复杂度上具有明显优势。

基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

自适应特征融合的迭代实体对齐方法

针对知识图谱实体对齐任务中缺乏训练数据以及长尾实体对齐准确率较低的问题,提出一种基于自适应特征融合策略的迭代实体对齐方法,并设计一种迭代策略自动扩充训练数据的规模.该方法使用知识图谱的结构信息,并利用关系、属性和实体名称信息作为语义信息辅助对齐,从而提升对齐效果.在数据集上的实验结果表明,该模型在知识图谱实体对齐任务中效果良好.

基于自适应特征融合的水稻氮素营养诊断

为了快速准确地对水稻进行氮素营养诊断,提出一种基于自适应特征融合的水稻氮素营养诊断方法。该方法通过对杂交稻两优培九进行田间试验,设置4组不同的氮肥梯度(施氮量分别为0、210、300、390 kg/hm^(2)),扫描获取水稻叶片图像并进行数据预处理,构建基于自适应特征融合的水稻氮素营养诊断模型ResNet34-AFF-SE。使用构建的ResNet34-AFF-SE模型对水稻叶片进行氮素营养诊断,结果表明,在水稻生长的幼穗分化期、齐穗期,ResNet34-AFF-SE的识别准确率为97.5%、97.2%,模型大小为87.9 MB。ResNet34-AFF-SE模型在准确率和训练时间上优于AlexNet、VGG16、MobilNet v3-small等网络模型。基于自适应特征融合的水稻氮素营养诊断方法所建立的ResNet34-AFF-SE模型具有较高的识别准确率,可以精准地识别水稻叶片的氮素营养状况,为水稻作物的氮素营养诊断提供了新的思路。

基于自适应特征融合和任务对齐的小目标检测算法

小目标检测是计算机视觉领域具有挑战性的研究任务。针对小目标物体尺寸小、特征不明显、目标聚集等问题,提出了一种基于自适应特征融合和任务对齐的小目标检测算法C-SODNET。该算法在TOOD基础上进行优化与改进,引入ConvNeXt作为骨干网络,通过嵌入CBAM注意力机制和自适应特征融合模块的特征金字塔结构提升兴趣区域的特征提取能力,同时在检测头加入可变形卷积,显著改善了对于小目标物体的检测能力,最后引入CIoU回归损失函数来训练模型。实验结果表明,C-SODNET在VisDrone2019小目标检测数据集mAP_(50)为51.2%,相较于TOOD算法准确率提升了9.4%,小目标物体的精确率APs提高了7.3%,验证了算法的有效性。该算法可为高空或远距离场景小目标检测应用提供了有效解决方案。

自适应特征融合和条件随机场的乳腺病理图像诊断算法

肿瘤病理学分析是常见的癌症诊断方法之一。基于深度学习的病理检测方法取得了良好性能,然而针对组织切片的处理方法往往会忽略病理组织空间相关性,为了更加准确地获取乳腺癌分类结果和恶性肿瘤位置信息,提出嵌入自适应特征融合模块和均值条件随机场的Transformer框架,利用反向传播算法端到端地训练整个框架。自适应特征融合模块采用可学习参数将改进的自注意力和多感受野卷积模块自适应结合,获取多尺度语义特征,从全局和局部的角度增强模型特征提取能力;提出均值条件随机场与主干网络结合,整合组织切片间的空间相关性,获取病理组织间的形态学信息。实验结果表明:所提方法在切片级图像上准确率高达95.51%,在全切片扫描图像的AUC、FROC分别为0.974 5、0.810 2,有较好的可行性,提高了病理图像分类临床诊断准确率。

基于自适应特征增强分组卷积网络的电能质量扰动分类

分布式电源在接入电网时会产生复杂的电能质量扰动(power quality disturbances,PQDs),为提高对PQDs信号分类识别的准确率,构建了自适应特征增强分组卷积神经网络(grouping convolutional neural network with adaptive feature enhanced network,GCNN-AFEN)。GCNN-AFEN模型的核心:首先,对PQDs信号进行S变换形成时频矩阵图像,利用CNN与结构稀疏的GCNN相结合作为特征学习的基础框架以减少模型参数,进而提高运算速度;然后,AEFN模块通过通道注意力机制、频域特征增强和软阈值去噪环节,自适应学习扰动类型与对应特征图的相关性,增加信噪比,突出能够代表扰动类别的深层特征;最后,通过全连接层(fully connected layers,FC)和Softmax分类器进行分类识别。仿真实验表明,提出的模型对于电能质量扰动信号具有较高的分类识别准确率和噪声鲁棒性,能够用于电能质量扰动的快速识别和分类。

复杂场景下自适应特征融合的多尺度船舶检测

受台风、大雾、雨雪等复杂天气以及遮挡、尺度变化等影响,现有船舶检测方法存在误检和漏检问题。针对上述复杂场景问题,在YOLOX-S模型的基础上,提出一种自适应特征融合的多尺度船舶检测方法。首先,在主干特征提取网络中引入特征增强模块,抑制复杂背景噪声对船舶特征提取的干扰;其次,考虑深浅层次特征融合比例问题,设计自适应特征融合模块,充分利用深浅层次特征,提高模型的多尺度船舶检测能力;最后,在检测头网络,将检测头解耦,并引入自适应的多任务损失函数,平衡分类任务和回归任务,提高船舶检测的鲁棒性。实验结果显示,所提方法在公开船舶检测数据集SeaShips和McShips上的检测平均精度均值(mAP)分别达到了97.43%和96.10%,检测速度达到每秒189帧,满足实时检测的要求,验证了所提方法在复杂场景下仍能对多尺度船舶目标实现高精度检测。

基于自适应特征感知的轻量化人体姿态估计

针对现有人体姿态估计网络在追求高精度检测时,网络结构设计复杂、模型参数量较大、检测效率较低的问题,本文提出了一种基于自适应特征感知的轻量级人体姿态估计算法。首先利用轻量化Ghost模块重构人体姿态估计的特征提取网络,减少网络参数量;其次设计了一种轻量级自适应特征感知的注意力机制,在降低网络模型复杂度的同时加强通道间信息有效交流,有效改善关键点定位效果;最后采用Huber Loss损失函数优化模型训练,实现异常点的更优预测,增强模型鲁棒性。在COCO数据集上进行验证,实验结果表明,与基准RMPE算法相比,改进后模型的检测精度提升了约0.5%,参数量减少了56.0%,网络运算量降低了32.6%,模型体积压缩了约57.0%,模型检测速率提升约2.1倍。本文改进后的人体姿态估计模型在压缩模型体积的同时提高了检测效率,增强了模型鲁棒性。

基于自适应特征融合的小样本细粒度图像分类

现有的小样本学习算法未能充分提取细粒度图像的特征,导致细粒度图像分类准确率较低。为了更好地对基于度量的小样本细粒度图像分类算法中提取的特征进行建模,提出了一种基于自适应特征融合的小样本细粒度图像分类算法。在特征提取网络上设计了一种自适应特征融合嵌入网络,可以同时提取深层的强语义特征和浅层的位置结构特征,并使用自适应算法和注意力机制提取关键特征。在训练特征提取网络上采用单图训练和多图训练方法先后训练,在提取样本特征的同时关注样本之间的联系。为了使得同一类的特征向量在特征空间中的距离更加接近,不同类的特征向量的距离更大,对所提取的特征向量做特征分布转换、正交三角分解和归一化处理。提出的算法与其他9种算法进行实验对比,在多个细粒度数据集上评估了5 way 1 shot的准确率和5 way 5 shot的准确率。在Stanford Dogs数据集上的准确率提升了5.27和2.90个百分点,在Stanford Cars数据集上的准确率提升了3.29和4.23个百分点,在CUB-200数据集上的5 way 1 shot的准确率只比DLG略低0.82个百分点,但是5 way5 shot上提升了1.55个百分点。

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明:本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。

基于自适应特征选择的科研论文跨学科性测度方法研究

[目的/意义]跨学科研究能够通过知识整合和渗透,创造性地解决自然环境和人类社会中的复杂问题。随着跨学科研究成果的大量增长,跨学科性测度评估变得越来越有必要,如何构建有效的跨学科性测度方法,实现对论文跨学科性综合全面的测度是亟待解决的问题。[方法/过程]本研究首先基于跨学科研究的内涵和特点,从学科属性、知识网络拓扑结构和知识整合文本内容3个维度提取科研论文跨学科性特征指标,并给出特征指标的计算方法;其次,对跨学科性特征指标进行自适应计算,构建一种基于机器学习的跨学科性测度方法;最后,以植物纳米生物技术领域为例进行实证研究,对领域中高跨学科性的论文进行识别和筛选。[结果/结论]本文提出的自适应特征选择能够对跨学科性相关特征指标进行有效筛选,提升结果的可靠性,实现全面、深入的科研论文跨学科性测度。该测度方法避免了定性评估可能会出现的主观性缺陷以及不同测度指标可能出现相互矛盾结果的问题,为跨学科性测度提供新的思路与方向。

基于注意力与自适应特征融合机制的小目标检测

随着无人机平台的发展,航拍小目标检测成为当下研究热点。为了更有效地解决航拍小目标检测存在的漏检、错检以及重复检测等问题,提出了一种基于注意力与自适应特征融合机制的小目标检测算法ST-YOLOX(small target-YOLOX)。本算法在CSPDarknet中融合了全局注意力模块(GC)以及可变形卷积(DC),增强主干网络对小目标特征的提取能力;采用四尺度自适应空间特征融合金字塔,抑制不同尺度之间的不一致信息,提升小目标特征表达的准确性;优化损失函数以及标签分配策略,提高算法检测精度。实验表明:ST-YOLOX在VisDrone-DET 2019数据集中的平均检测精度(mAP)为21.83%,比YOLOX-s模型提升了3.78%,比PPYOLOE-s模型提升了2.99%,比YOLOv5-s模型提升了6.21%。航拍结果证明,本文算法的小目标检测准确率得到显著提高。

基于自适应特征融合的场景文本检测

基于深度学习的自然场景文本检测发展快速,其中基于分割的文本检测算法因其对多方向和弯曲文本检测效果好而备受关注。目前大多数基于分割的文本检测方法为了更加充分利用高层语义特征和底层细粒度特征,特征提取部分通常采用ResNet+特征金字塔(FPN)结构,特征融合部分多用concat或者add进行融合,但FPN存在的不同特征尺度不一致问题可能导致融合结果冲突,进而影响后续分割效果。因此,基于目前快速高效的DBnet网络,对其特征融合方式进行改进,提出了一种基于自适应特征融合的场景文本检测网络。在公开数据集Icdar2015和ICDAR 2017-MLT上的实验结果均表明:文本改进网络与经典的DBnet相比,准确率、召回率、F分数均有所提升,仅FPS稍有降低。

基于自适应特征选择与KNN的网络流量分类研究

随着互联网技术的不断发展,用户可以在手机或电脑上通过各种应用程序访问互联网,但一些恶意程序产生的异常流量给网络环境带来了危害。针对这一问题,提出了一种基于自适应特征选择与改进KNN的网络流量分类模型。通过引进余弦相似度的互信息法设置了特征筛选倾向度对数据集所有特征进行排序,根据每个特征子集的特征适应度选出最优特征子集,根据各类流量之间的类间距离拆解多分类问题,采用改进KNN算法对流量进行分类。实验结果表明,所提方法在样本不均衡的相似类型流量分类问题上提升效果显著,且整体达到了较好的分类性能。

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.

酸枣叶片结构可塑性对自然梯度干旱生境的适应特征

叶片是植物体暴露于环境中面积最大的器官,其最易感知环境变化而发生形态和结构上的改变。为探究植株叶片结构对不同生境的适应机理,研究以生长在烟台-石家庄-宁夏-新疆不同地域气候条件形成的自然梯度干旱环境中的酸枣为试验材料,应用植物显微技术研究酸枣叶片的结构的可塑性对不同自然梯度干旱环境的适应特征。结果表明:酸枣叶表皮着生有表皮毛,表皮细胞外覆有角质层与蜡质。叶肉为全栅型,栅栏组织发达,海绵组织退化,叶肉中有晶体及大量的分泌细胞。从烟台至新疆随生境梯度干旱加剧,酸枣叶片叶面积逐渐变小,叶片厚度依次增加,叶表皮角质层加厚,且上角质层厚度大于下角质层厚度;叶片上下表皮细胞长径及短径先增后降,栅栏组织总厚度和密度依次增大、层数减少,各层栅栏组织细胞的长径逐渐增加。叶脉薄壁细胞相对厚度逐渐减小,导管管径增大,晶体(草酸钙晶体)数增多。在梯度干旱环境中酸枣植株通过减小叶面积、提高栅栏组织密度、增加叶片及角质层厚度降低蒸腾作用,减少水分散失;通过增大导管管径提高水分利用率;通过增加晶体数量提高叶片机械性能,改变细胞的渗透势、提高吸水和保水能力。上述叶片结构的变化是酸枣植株长期对不同自然梯度干旱生境的适应特征。由此可知,叶片形态结构中叶面积、叶片厚度、角质层及叶肉组织(栅栏组织)随环境变化的可塑性较大。

牛心朴子种子生态适应特征的研究

对荒漠植物牛心朴子种子的生态适应特征进行了研究。结果表明，牛心朴子种子椭圆形或矩圆形，成熟呈棕褐色，扁平。种缨白色、绢状，伞形，长1．2～2．0cm。牛心朴子种子大小差异不明显，长度平均为8．3522±0．70044mm／个，宽度平均为4．4788±0．39006mm／个，厚度平均为1．2796±0．14816mm／个，种子长、宽、厚比值为6．53：3．50：1。牛心朴子种子全重（含缨毛）为0．01756±0．0054386g/个，种子缨毛为0．002085±0．00055562g／个。种缨毛含量为11．8736％。千粒重为17．1312±0．3902g。种子发芽率（％）为66．667±0．011547；样方内种子数量为437．5～875彬m^2。种子水平传播距离D为0．9m，种子大多数散落于母株0—0．60m范围内，只有少于1．2％种子可以散布到1m左右的距离。

六盘山区伏毛铁棒锤生态适应特征研究

对六盘山区伏毛铁棒锤营养器官的形态、解剖结构进行了观察和分析。结果表明,为适应六盘山区典型的草原半湿润半干旱气候及特定的生态环境,伏毛铁棒锤具备了显著的旱生结构特征。

改进的自适应特征值分解声源定位算法研究

麦克风阵列室内声源定位,常用声达时间差定位技术。本文针对估计时延的自适应特征值分解算法收敛速度慢,时延估计精度较差,麦克风较多等问题,提出一种改进的自适应特征值分解时延估计算法,采用单源多元混响模型,将混响效应描述为室内冲激响应滤波器对信号的滤波过程,估计不同阵元的冲激响应抑制混响,根据冲激响应峰值计算时延。通过引入最小均方牛顿算法,加快了AED算法的收敛速度。给出了对声源进行三维定位的三麦克风阵列结构,实际测试结果表明,改进算法与三麦克风阵列的定位方法对声源的定位更加准确。