基于集成时频通道注意力的倒残差神经网络干扰识别

准确识别干扰类型是实施高效抗干扰举措的先决条件。针对低干噪比(Jamming-to-Noise Ratio,JNR)的条件下干扰识别准确率低的问题,本文将信号短时傅里叶变换(Short Time Fourier Transform,STFT)后的时频图像作为卷积神经网络训练输入,提出一种以倒残差结构为主体的神经网络架构,并引入联合时频通道注意力机制模块,同时从时频图像提取时频域和通道域的综合干扰特征,充分利用多维度的干扰特征信息来准确识别干扰类型。仿真结果表明,在JNR=-8 dB时,本文所提算法能够实现对8种类型干扰100%的准确识别,在JNR=-10 dB时所有类型的干扰信号识别准确率都能达到98.3%以上,在JNR=-14 dB准确率也依然可以达到90%以上。同时分析了所提算法的网络复杂度,结果表明所提方案在时间和空间复杂度上得到了较好的折中,验证了模型的性能优越性。

基于轻量级网络的飞机蜂窝结构积水缺陷检测

复合材料蜂窝结构在飞机服役过程中产生的积水缺陷在日常维护和检修过程中依赖人工、检测效率低、自动化程度低,若未能及时发现将严重威胁飞行安全;针对该问题,结合实际检修场景中使用的移动或嵌入式设备算力有限的情况,设计了一种融合通道注意力和倒残差算法的模块SE-IR,进一步搭建了基于SE-IR模块的轻量级网络SE-IR LCNN,尽可能地在保证网络检测准确率的同时减小网络的参数量;为了验证所提轻量级网络的有效性、使用数字X射线摄影设备获取蜂窝结构及其积水缺陷数字化图像并制成数据集;在该数据集上的实验结果表明,所提轻量级网络的分类准确率为99.20%,可有效筛选出飞机蜂窝结构的积水缺陷;相较于经典网络ResNet-50和VGG-16,所提网络的准确率分别提升了9.6%和3.66%、参数量仅为ResNet-50参数量的1/10、VGG-16参数量的1/50。

基于有效感受野和注意力融合机制的脑肿瘤全自动分割

深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net)。EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量。在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性。

一种轻量级CNN玉米病害图像识别方法

针对传统卷积神经网络模型参数和运算量超大,难以部署在资源受限的移动终端或嵌入式设备上的问题,以VGG16作为基础框架,结合MobileNet v3模型思想,提出了一种轻量级卷积神经网络玉米病害图像识别方法,通过逐级渐进的方式建立网络模型,用线性瓶颈的倒残差深度可分离卷积代替标准卷积,用卷积层来代替全连接层,大幅度降低了模型的参数量和运算量。在深度卷积和点卷积之间加入改进的squeeze and excitation通道注意力模块,来增强模型精度。注意力模块的第2个全连接层的激活函数使用hard-swish代替sigmoid,可以大幅度提高运算速度。试验样本数据为PlantVillage数据集的玉米病害子数据集,由于样本数据集偏小,通过随机旋转、随机缩放大小、随机宽度高度偏移、水平翻转、垂直翻转、随机错切变换、随机亮度变化、样本零均值化等方式对样本数据进行了增强和扩充,扩充后的数据集在改进模型上进行试验。试验结果表明,和VGG16对比,改进模型的准确率提高了1.48百分点,参数量是原模型的1/5,运算量是原模型的1/15;在不降低准确率的前提下,模型的参数量和运算量大幅度降低,实现了模型的轻量化。改进模型可以部署在移动终端等手持设备上,为农业病害识别提供指导和参考。

基于改进YOLOv5的电力设备轻量化检测算法

提出一种轻量化红外目标检测算法MEGI-YOLOv5。该算法基于YOLOv5模型,首先将主干网络替换为轻量化Mobilenet-v3网络,并将颈部网络中的部分CBL结构块替换为倒残差结构的深度可分离卷积、C3模块由普通卷积和GhostConv组合代替,降低模型的参数和计算量;其次在颈部网络中嵌入ECA(Efficient Channel Attention)模块,提高模型通道间信息的注意力,从而提升模型特征提取能力。实验结果表明,该模型相较于YOLOv5模型,参数量减少22%,检测速度提升37%,模型检测精度达到96.42%,能满足变电站设备类别及发热点识别的准确性和实时性要求,为后续能够及时发现变电站设备故障提供保障。

多尺度特征融合的头影标志点检测

头影标志点检测对于临床诊断、治疗计划和研究至关重要。为提高自动检测的准确性,提出一种改进的多尺度特征融合检测模型AIW-Net。采用经过预训练的轻量型网络MobileNetV2作为主干网络进行特征提取,使用上、下采样路径构成中间模块,利用改进的倒残差模块减少下采样过程中的特征损失。在解码器模块中引入从粗到细的中间监督,将得到的多个尺度热图与特征图进行融合,并在跳跃连接中使用注意力门,有效抑制特征图中的背景区域响应。在ISBI 2015 Grand Challenge提供的基准数据集Test 1上进行实验,结果表明,该模型的平均径向误差为1.14 mm,在临床可接受的误差范围2 mm与2.5 mm内的成功检测率分别为86.38%与92.10%,性能优于W-Net、IW-Net等模型。

结合CWT和LightweightNet的滚动轴承实时故障诊断方法

针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征并将一维信号转换成二维图片;然后,结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类,LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明,本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度,基本可以实现滚动轴承的实时故障诊断,且在内存消耗与模型存储占用空间方面远小于其他同类方法。

一种端到端的人脸对齐方法

现有的人脸对齐方法多数是非端到端的,中间过程需要大量的人工干预,导致人脸关键点检测的稳定性较差。为此,提出一种端到端的基于深度学习的人脸对齐方法。基于MobileNets系列网络的子模块,使用类VGG结构的方式进行搭建,将整张图片作为输入,采用基于深度可分离卷积模块进行特征提取,并运用改进的倒残差结构避免网络训练过程的梯度消失,减少特征损失。在此基础上将眼间距离作为正规化方法,在300W人脸数据集上进行测试,结果表明,与CDM、DRMF等方法相比,该方法在保证较优精度的同时,具有良好的实时性。