基于特征融合和损失优化的点云语义分割网络

针对目前大多数方法仅利用单尺度特征而忽视了具有不同感受野的多尺度特征信息、无法有效处理点云数据集中类别权重不平衡的问题,提出一种基于全阶段特征融合(FSFF)和平衡损失(BL)的分割网络(FFBL-Net)。首先,FSFF模块通过将不同编码阶段的可学习特征与当前阶段特征进行融合,促进了浅层和深层语义信息互补;融合后的特征被传递到编码融合模块(EFM)和解码融合模块(DFM),实现了特征的跨阶段融合。此外,为了解决数据集中类别分布不平衡的问题,引入BL损失调整类别间的梯度差异。实验结果表明,FFBL-Net在主流的大规模点云数据集S3DIS上,平均交并比达到了69.7%,总体准确率达到了89.9%。与PointNet++相比,FFBL-Net分别提升了12.4%和6.1%。

基于特征增强与损失优化的水下遮挡目标检测算法

针对水下探测机器人在海洋作业时由于目标密集、形态重叠等原因容易产生误检、漏检的问题,提出一种基于特征增强与损失优化的水下遮挡目标检测算法。算法以YOLOv4骨干网络为基础,首先在随机通道上引入邻域融合的残差结构模块,通过通道注意力机制,提升通道的信息交互能力;其后,利用α-IoU优化CIoU-Loss损失函数,并采用真值排斥因子与预测排斥因子改进坐标回归损失函数,提高目标位置回归的精度;最后,针对水下图像数据干扰信息多的问题,采用基于密集度引导的自适应非极大值抑制方法完成对输出信息的处理,提升目标检测的召回率。通过对水下海洋生物的检测实验,算法在通用场景与密集遮挡场景下目标探测的mAP值分别提高了1.43%和4.4%,验证了算法的有效性。

基于多示例深度学习与损失函数优化的交通标志识别算法

为了解决当前交通标志种类繁多和所处环境多变,导致智能识别正确率不高的问题,提出基于多示例深度学习的交通标志识别算法。根据样本图像块与其对应的标签设计一个包含颜色、几何、区域特征的训练集,得到样本特征与标签的对应规律;根据权重修正反馈,推导包与标签的逻辑关系,建立多示例训练学习算子,准确分类交通标志。进行训练集损失函数计算,通过最优分类器响应减少训练数据损失。最后,基于大数据样本驱动形成背景约束,从而去除示例中模棱两可的训练数据,完成交通标志的准确识别。基于QT平台,开发相应的识别软件。实验测试结果显示,与当前交通标志识别技术相比,所提算法拥有更高的识别正确性与鲁棒性,且对各类交通标志具有较高的识别准确率,在智能汽车、自动交通监控等领域具有一定的应用价值。

凸概率密度分布簇下的多损失鲁棒优化等价模型及在直营连锁企业中的应用

首先,证明了凸概率密度分布簇的单周期期望均值下单损失鲁棒优化等价模型定理,以及凸概率密度分布簇的单周期期望均值下多损失鲁棒优化等价模型。然后,提出了直营连锁企业的产品在凸概率密度分布簇下的期望均值的单周期生产分配供应问题,建立了直营连锁企业的单周期生产分配供应期望均值鲁棒模型,在获得近似周期概率分布簇情形下给出了单周期生产分配供应鲁棒模型,这种近似鲁棒模型等价于一个线性规划问题。最后,通过已知一个产品的4个周期构成的混合分布簇进行了数值实验,数值结果表明了期望均值准则下的生产分配供应鲁棒模型的生产分配供应策略更加稳健。

地下铁矿无底柱分段崩落法的损失贫化优化

本论文探讨了损失贫化优化方法在地下铁矿采矿中的应用,以提高资源回收率、降低成本和减少环境影响。传统地下采矿方法存在大量资源浪费和环境破坏的问题,因此,创新的方法对于推动可持续矿业至关重要。损失贫化优化方法旨在确保每一块矿石得到最大回收,同时减少废石和废料的生成。本研究详细讨论了该方法的原理、应用和潜在效果,包括提高资源回收率、降低成本和减少环境影响。还考察了该方法的优点和局限性,并提出可能的改进和未来研究方向。最后,总结了损失贫化优化方法在地下铁矿采矿中的重要性,以及本研究的重要性和局限性。通过深入的研究和讨论,旨在为矿业领域提供有益的见解,推动可持续采矿的实现。

基于改进Mask R-CNN的受电弓碳滑板优化检测算法

针对传统受电弓碳滑板检测中检测效率低、检测精度差等缺点,提出一种基于Mask R-CNN的优化改进算法。该算法采用铁道部受电弓损坏评定的新规定及实地的样本数据集,通过改进特征提取算法的网络结构以及优化损失值来提高算法对图像的处理效率,实现受电弓碳滑板缺陷的掩膜准确标注,有效减小受电弓滑板的损毁对电力机车运行的影响。最终通过实验验证该算法对受电弓碳滑板缺陷的检测精度和效率有明显的提升作用。

计算机视觉中的深度卷积神经网络优化策略探讨

本文分析了深度卷积神经网络(CNN)在计算机视觉中的优化策略,旨在提高模型性能和泛化能力。通过引入注意力机制、优化损失函数和调整网络结构,实验结果表明模型分类准确率提升约5%。优化策略不仅增强了模型对关键特征的识别能力,还降低了计算复杂度,缩短了训练时间。此外,研究还探讨了优化策略在提升计算机视觉应用效率、降低计算资源消耗以及推动技术进步和创新方面的社会影响。

一种优化孪生网络的小样本辐射源个体识别方法

针对信号辐射源个体识别小样本难以稳定收敛、识别准确率不足的问题,提出了一种基于优化孪生网络模型进行小样本辐射源个体识别的方法,分析了通过孪生网络实现不同类别样本对特征向量距离增大、相同类别样本对特征向量距离减小的弹簧模型,达到小样本训练损失函数的快速收敛的目的,并结合交叉熵实现损失函数优化,从而提升了小样本个体识别的准确率和稳定性。试验结果表明,针对每类不大于10个训练样本集的通信电台所提方法能够达到88%以上个体识别准确率。

基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率。结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%。

基于残差密集卷积自编码的高噪声图像去噪方法

在高噪声图像去噪中,传统卷积自编码器难以挖掘有效的深度特征信息,进而影响了图像的重建质量。为了提高高噪声图像的重建质量,提出了一种残差密集卷积自编码器网络模型。该模型首先使用卷积操作代替池化操作以提高高噪声图像的表征能力;同时,在编码和解码阶段设计三级密集残差网络结构,实现图像特征的有效挖掘;最后,设计一个优化损失函数以进一步提高重建图像的质量。实验结果表明,设计的去噪方法能够从高噪声图像中重建高质量的图像,同时能够保留更多的细节特征信息,有效验证了该算法在图像去噪中的有效性。该方法能够有效解决高噪声图像的去噪问题,具有重要的应用价值。

非结构化环境下番茄采摘机器人目标识别与检测

针对采摘机器人收获技术中的识别技术受限于非结构化环境中复杂背景干扰的问题,采用改进模型后处理的研究路线,提出一种改进YOLOv5算法。首先将果实目标的中心点距离、预测框宽高实际差值与面积交并比三者共同考虑为损失项,提升预测框实际尺寸精度,再利用中心点距离作为惩罚项加权面积交并比得分,提升密集目标的识别能力,最后通过设置辅助训练头,提供更多的梯度信息以防止过拟合现象。通过多种损失函数损失值对比与模型改进精度对比试验证明改进有效性,部署至机器人验证可行性。结果表明,改进后的算法模型识别平均精度95.6%,召回率达到90.1%,相较于改进前全类精度提升0.4个百分点,召回率提升0.4个百分点,满足采摘机器人识别需求。

基于改进旋转目标检测模型的指针表读数全自动识别

针对指针表图像中刻度线与指针精确定位困难及在复杂环境下易出现误检和漏检的问题,提出一种基于改进旋转目标检测模型的指针表读数全自动识别方法。首先以YOLOv5s网络为基础,设计了高效的通道与空间注意力融合模块,以提升表盘示数特征提取能力;其次设计了E-CIoU Loss以优化损失函数,增强指针边界框回归能力;同时,引入环形平滑标签以适应旋转目标检测任务;然后,利用改进的概率霍夫变换实现指针精确重定位;最后,利用极坐标平面上指针和刻度线的相对位置关系计算读数识别结果。实验结果表明:与基准模型相比,该方法有效提升了表盘示数特征检测精度,mAP值达到了96.8%,且最终读数识别平均相对误差达到了0.52%,可满足实际应用需求。

基于改进Faster RCNN的微操作空间目标检测算法

将Faster RCNN引入微操作系统的目标检测之中。针对微操作空间下待检测目标存在尺度变化和在显微镜放大倍数较小时,待检测目标尺度过小、特征不明显的问题,提出了一种基于改进Faster RCNN的微操作空间目标检测算法。使用在图像分类任务中性能优越的深度残差网络提取图像的特征。引入递归特征金字塔网络,对特征进行融合。改进区域建议网络的采样策略,对损失函数进行优化。实验结果表明:这种改进的Faster RCNN算法能有效解决由于目标尺度变化和目标尺度过小带来的问题。相比通用的目标检测算法,该算法的准确度更高,速度更快,具有实际应用价值。

基于多维度注意力机制的行人重识别算法研究

针对有监督行人重识别算法泛化能力较差的问题,提出一种基于多维度注意力机制的行人重识别算法。该算法引入了一个多维度注意力模块,通过学习行人图像在多个维度上的特征信息,提高行人图像泛化能力。此外,还提出了一个优化损失模块,加速身份损失的收敛,从而提高模型的训练速度。通过将这2个模块结合起来,本文算法在公开数据集Market—1501和DukeMTMC⁃ReID上进行了大量实验。实验结果表明:所提出的算法能够有效地解决有监督行人重识别算法泛化能力较差的问题。

基于双层DCT-Mask特征融合算法的堆叠垃圾实例分割

复杂堆叠场景下的垃圾实例分割受到严重遮挡和高密集性特点的影响,具有更大的检测难度。针对该问题,提出了一种结合DCT-Mask和双层特征融合网络思想的实例分割方法,用于高度堆叠场景下的垃圾实例分割。在网络结构层面,首先在数据预处理环节对特征数据进行解耦,并通过双分支特征融合降低堆叠对遮挡物体特征的影响,从而解决复杂堆叠遮挡下的实例分割问题。针对该场景下的密集混淆问题,在候选框分类回归部分融入了级联分类器,并优化了分割网络分支的损失函数。实验采用堆叠垃圾分类实例分割数据集进行实验验证,实验结果表明,该方法的AP_(50)、平均准确率mAP等指标有较大提升,且具有较好的分割效果和一定的可解释性。

基于改进YOLOv5的路面坑洞检测设计

随着道路交通的增加,对于路面检测中目标的准确识别成为了一个重要的研究课题。提出了一种基于改进YOLOv5的目标检测算法,通过优化损失函数来提高路面检测中目标的识别精度。该设计算法对路面坑洞检测准确率达到了89.1%,相较于原始YOLOv5算法提升了7.7个百分点,同时出现漏检现象较少,具有较好的检测精度。结果表明,算法在目标检测任务中取得了较好的效果,准确性和实时性得到较高提升。

融合字形结构特征的命名实体识别方法

针对中文歧义问题,文中提出了一种融合字形结构特征的命名实体识别方法,以提升中文命名实体识别精度。首先,利用预训练模型BERT得到字符嵌入作为语义特征,利用卷积神经网络提取的字形结构特征组成模型的嵌入层。其次,提出引入注意力机制的跨模态特征融合层,选取有效特征。最后,基于模型训练和优化提出联合优化损失函数,针对不同特征的特性来优化向量分布。实验结果表明,相较于其他的实体识别模型,该方法在4个数据集上取得了更高的准确率、召回率和F1值。

基于多层特征融合的行人检测方法研究

针对遮挡行人检测识别困难、检测精度低,以及漏检率高等问题,在YOLOv7方法的基础上进行结构优化,提出了一种基于多层特征融合的行人检测网络模型,旨在提高遮挡行人检测的准确性。该方法是在主干网络特征提取部分采用ELAN-C模块,以增强行人特征信息的提取能力,从而提高行人检测的准确性。同时,在多尺度特征融合部分引入全局注意力机制构成多层特征融合,通过跨维度的信息交互,特别是对位置信息的关注,增强检测目标特征的表征,提高行人检测的准确性。此外,为了加速模型的收敛速度,采用EIoU作为损失函数,进一步提升检测框的定位精度。在公开数据集CityPresons上进行训练验证,模型对数平均漏检率MR-2下降,Bare,Partial,Reasonable,Heavy分别下降0.55%,0.91%,1.78%,1.68%,有效减少了漏检率。

基于多视角特征提取与多任务学习的光伏功率多步预测

准确的光伏功率多步预测结果对于电网的调度优化具有重要指导意义,针对现有光伏功率多步预测方法对历史数据特征提取不充分、忽略多步预测值之间的关联性而导致的预测精度不足等问题,提出了一种基于多视角特征提取与多任务学习的光伏功率多步预测方法。首先,为获得丰富且全面的特征信息,从时序、局部、全局3个不同的视角对输入数据进行特征提取;其次,将多步光伏功率预测任务转化为多个单步光伏功率预测子任务,使用基于注意力机制与专家网络的多任务学习模型进行多步预测,实现对多步预测值关联性的充分利用;最后,提出了一种改进的动态权重平均法对损失权重进行自适应优化调整,进一步提升模型性能。算例测试结果表明,该方法能够有效提高光伏功率多步预测的准确性。

带有半渐进式分层提取机制的轻量化多任务模型

多任务学习目前广泛被应用于各大领域,然而大部分效果较佳的模型都有着复杂的网络层级和架构,导致这些多任务学习模型很难被应用于资源有限的设备上,例如:经费有限但是人口基数大的国家或地区进行人口普查预测、便携设备的翻译等任务。为解决这一问题,提出半渐进式分层提取的轻量化多任务模型。模型首先通过对顶层任务独有的专家模块进行剪枝,将原先负责提取每个独立任务深层信息的工作交由每个任务的塔层模块进行。这一做法使得模型既能轻量化,同时也保留了将任务共享参数和任务独有参数分离及分层次提取信息的特点。为了弥补剪枝后模型性能及准确率上的下降,参考不确定性对损失加权的思想,引入动态联合损失进行优化,使得模型可以不断预测任务之间重要性对每个任务的损失进行权值调整。同时,也对部分超参数进行调优。通过模型在公共数据集UCI人口普查-收入数据集上的评估,最终证明模型有着与轻量化之前不分上下的性能。