基于多源数据融合的区域VOCs浓度预测方法研究

为了提升区域内VOCs浓度预测的准确性,采用数据融合理论构建了VOCs浓度监测信息的三级数据融合模型。首先对目标区域进行网格划分,一级融合采用矩阵分析的方法对VOCs浓度已知的网格3 h内VOCs浓度监测信息进行融合并结合插值法估计待估网格的VOCs浓度;二级融合利用CNN模型模拟VOCs浓度与各种影响因子之间的关系,进而预测待估网格的VOCs浓度;三级融合利用SVM模型对一级融合结果和二级融合结果进行综合分析,进而预测VOCs浓度。结果表明,采用三级数据融合模型的待估网格VOCs浓度预测结果与真实值较吻合,其平均绝对百分比误差(MAPE)为8.56%,相对均方误差(RMSE)为4.57%,决定系数(R^(2))达到0.95,均优于其他模型。

基于反卷积和特征融合的SSD小目标检测算法

由于小目标的低分辨率和噪声等影响,大多数目标检测算法不能有效利用特征图中小目标的边缘信息和语义信息,导致其特征与背景难以区分,检测效果差。为解决SSD(single shot multibox detector)模型中小目标特征信息不足的缺陷,提出反卷积和特征融合的方法。先采用反卷积作用于浅层特征层,增大特征图分辨率,然后将SSD模型中卷积层conv112的特征图上采样,拼接得到新的特征层,最后将新的特征层与SSD模型中固有的4个尺度的特征层进行融合。通过将改进后的方法与VOC2007数据集和KITTI车辆检测数据集上的SSD和DSSD方法进行比较,结果表明:该方法降低了小目标的漏检率,并提升整体目标的平均检测准确率。

多孔介质对室内有机挥发物扩散的影响

为了研究存在于多孔壁面的封闭腔体中温度、挥发性有机化合物(VOCs)质量浓度的分布特征,本文根据不可逆过程热力学基本原理,建立复合腔体内热质传递的数学模型。采用有限元数值计算方法对控制模型进行求解,得到不同达西数下复合腔体内流场、温度场和VOCs质量浓度场的分布特性。研究表明因多孔介质的存在,系统内的传热传质速度明显降低,而当多孔壁面的渗透率很低(相当于不可渗透壁面)时,传热传质速率降至最低。

基于注意力机制和特征融合的SSD目标检测算法

为提高SSD算法对于小目标的检测能力和定位能力,本文提出一种引入注意力机制和特征融合的SSD算法。该算法在原始SSD模型的基础上,通过将全局池化操作作用于高层的不同尺度的特征图上,结合注意力机制筛选出需要保留的信息。为提高对小目标的检测精度,本文引入反卷积和特征融合的方式,提高对小目标的检测能力。通过在PASCAL VOC数据集上的实验表明,该算法有效的提升了对小目标识别的准确率,改善了漏检的情况,大幅度提升了检测精度和算法的鲁棒性。

基于YOLOv3的改进目标检测算法

目标检测作为计算机视觉领域的一个重要问题之一,近年来随着深度学习的不断发展,基于深度学习的目标检测算法越来越受到广泛的关注。在近年来较新的目标检测算法中,选用YOLOv3(You Only Look Once v3)算法,并在其基础上为进一步提高检测精度,再增加一个特征尺度,与其他特征尺度进行特征融合,并使用k-means聚类重新确定锚框,同时增加一定的网络层数。实验在PASCAL VOC数据集完成,实验结果表明,改进的YOLOv3算法检测精度和召回率达到了75.3%和98.1%,较原算法分别提高了2.3%和0.7%。

融合语义—表观特征的无监督前景分割

目的前景分割是图像理解领域中的重要任务,在无监督条件下,由于不同图像、不同实例往往具有多变的表达形式,这使得基于固定规则、单一类型特征的方法很难保证稳定的分割性能。针对这一问题,本文提出了一种基于语义—表观特征融合的无监督前景分割方法(semantic apparent feature fusion,SAFF)。方法基于语义特征能够对前景物体关键区域产生精准的响应,但往往产生的前景分割结果只关注于关键区域,缺乏物体的完整表达;而以显著性、边缘为代表的表观特征则提供了更丰富的细节表达信息,但基于表观规则无法应对不同的实例和图像成像模式。为了融合表观特征和语义特征优势,研究建立了融合语义、表观信息的一元区域特征和二元上下文特征编码的方法,实现了对两种特征表达的全面描述。接着,设计了一种图内自适应参数学习的方法,用于计算最适合的特征权重,并生成前景置信分数图。进一步地,使用分割网络来学习不同实例间前景的共性特征。结果通过融合语义和表观特征并采用图像间共性语义学习的方法,本文方法在PASCAL VOC(pattern analysis,statistical modelling and computational learning visual object classes)2012训练集和验证集上取得了显著超过类别激活映射(class activation mapping,CAM)和判别性区域特征融合方法(discriminative regional feature integration,DRFI)的前景分割性能,在F测度指标上分别提升了3.5%和3.4%。结论本文方法可以将任意一种语义特征和表观特征前景计算模块作为基础单元,实现对两种策略的融合优化,取得了更优的前景分割性能。