基于OAM卷积操作的多功能编码超表面

提出了一种工作在微波频段且在TE、TM模式下呈现极化不敏感的“H”型傅里叶卷积运算的超表面.在工作频段20 GHz~34 GHz内,其交叉极化的反射幅度大于0.9,且只需改变圆心角和旋转角能够实现2π相移,并且在预先设计的超表面排布下实现了携带轨道角动量(orbital angular momentum,OAM)的涡旋波束.OAM涡旋波束能够有效提高通信容量.通过对超表面进行傅里叶卷积操作,能够对电磁波进行多功能操作,例如涡旋波束异常反射、涡旋波束的分裂等,实现了对涡旋电磁波的有效调控.

连续域卷积操作跟踪算法的改善

针对连续域卷积操作跟踪算法中存在的计算复杂问题和过拟合问题,提出一种降维卷积因式分解方法和一个紧凑衍生模型。本文选取连续域卷积操作跟踪算法中的部分特征通道、因式分解卷积算子,并结合高斯-牛顿法和共轭梯度迭代求取降维矩阵和分类器,以达到降低系统的计算复杂程度的目的。选取服从高斯分布的若干样本,结合联和概率密度函数及混合高斯分布模型,构建一个更具代表性的紧凑衍生模型,既能降低过拟合出现的风险又能保证样本的多样性。通过降低模型更新频率,减少计算复杂度,同时降低模型漂移发生的概率。经实验验证,本文基于四类标准数据集获得的跟踪性能曲线积分比连续域卷积操作跟踪算法最少高出0.8%,最多高出13%。结果表明,降维卷积因式分解法和紧凑衍生模型可以有效地提升系统跟踪性能。

一种融合有效卷积操作子和颜色直方图的目标跟踪算法

基于有效卷积操作子的相关滤波跟踪算法能够自然融合不同特征,并且通过模型降维,达到良好的跟踪性能。而基于颜色信息的模型虽对光照变化效果不好,但能很好地对形变进行处理。考虑到上述两种算法在特性上可互补,文章提出了一种基于颜色直方图模型和有效卷积操作子的方法,采用加权求和的方式求得目标最终位置。该算法能够提高目标跟踪的鲁棒性,提升跟踪精度和速度。最后,采用数据集的方法验证了该算法的有效性。

基于自适应空间特征增强的多视图深度估计

为了提高多视图深度估计结果精度,提出一种基于自适应空间特征增强的多视图深度估计算法。设计了由改进后的特征金字塔网络(feature pyramid network,FPN)和自适应空间特征增强(adaptive space feature enhancement,ASFE)组成的多尺度特征提取模块,获取到具有全局上下文信息和位置信息的多尺度特征图像。通过残差学习网络对深度图进行优化,防止多次卷积操作出现重建边缘模糊的问题。通过分类的思想构建focal loss函数增强网络模型的判断能力。由实验结果可知,该算法在DTU(technical university of denmark)数据集上和CasMVSNet(Cascade MVSNet)算法相比,在整体精度误差、运行时间、显存资源占用上分别降低了14.08%、72.15%、4.62%。在Tanks and Temples数据集整体评价指标Mean上该模型优于其他算法,证明提出的基于自适应空间特征增强的多视图深度估计算法的有效性。

多分辨率特征协作的图像修复网络

深度生成方法最近通过采用由粗到细的策略在图像修复领域取得了相当大的进展,但子网络串行连接的多阶段修复方法由于结构定位不准确和瓶颈层的特征表达能力欠佳,造成图像结构不连续和细节模糊。针对上述问题,提出一种多分辨率特征协作的图像修复网络,以并行的多分辨率网络结构修复破损图像。对破损图像进行并行的多分辨率编码,学习到不同尺度的结构位置特征,利用迭代融合模块动态融合多尺度信息,为破损结构的恢复提供更准确的定位,从而生成结构连贯的图像。在瓶颈层使用门控多特征提取模块,结合注意力机制和卷积操作的优势,来捕获不同维度上的远距离依赖关系并提取在不同感受野下的特征,然后采用门控残差融合来调整多种特征的权重,增强瓶颈层的特征表达能力,从而更好地恢复出缺失区域的图像细节。在CelebA-hq数据集、FFHQ数据集和Paris StreetView数据集上进行的大量实验表明,该方法在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、结构相似性(Structural Similarity,SSIM)和Frechet Inception距离(Frechet Inception Distance,FID)指标上和视觉质量上相较于其他图像修复方法都有较大提升。

基于AD-SegNet模型的苗族服饰图案分割方法研究

针对苗族服饰图案纹理多元化、形状不规则问题,提出了注意力特征融合的深度过参数化卷积语义分割网络(a deep over-parameterized convolutional semantic segmentation network for attentional feature fusion,AD-SegNet)模型。在传统卷积操作中增加深度卷积操作,加快了模型的收敛速度,提高了模型的分割性能。针对苗族服饰图案色彩差异大的问题,引入了注意力特征融合(attentional feature fusion,AFF),通过融合不同卷积层输出之间的特征信息,加强对特征信息的提取,减少色彩差异给网络学习带来的影响。实验结果表明,AD-SegNet模型性能优于其他对比模型,能有效对苗族服饰图案进行分割,与语义分割网络(semantic segmentation network,SegNet)基准模型相比,在像素准确率(pixel accuracy,PA)、交并比(intersection over union,IoU)、戴斯相似系数几个指标上分别提升了0.0447、0.0921、0.0542,为少数民族服饰图案分割研究提供了有效可行的方法。

深度卷积神经网络的数据表示方法分析与实践

深度卷积神经网络在多个领域展现了不凡的性能,并被广泛应用.随着网络深度的增加和网络结构不断复杂化,计算资源和存储资源的需求也在不断攀升.专用硬件可以很好地解决对计算和存储的双重需求,在低功耗同时满足较高的计算性能,从而应用在一些无法使用通用CPU和GPU的场景中.在专用硬件设计过程中仍存在着很多亟待解决的问题,例如选择何种数据表示方法、如何平衡数据表示精度与硬件实现代价等.为解决上述问题,针对定点数和浮点数建立误差分析模型,从理论角度分析如何选择表示精度及选择结果对网络准确率的影响,并通过实验探究不同数据表示方法对硬件实现代价的影响.通过理论分析和实验验证可知,在一般情况下,满足同等精度要求时浮点表示方法在硬件实现开销上占有一定优势.除此之外,还根据浮点表示特征对神经网络中卷积操作进行了硬件实现,与定点数相比在功耗和面积上分别降低92.9%和77.2%.

基于卷积神经网络的小麦病害识别研究

针对小麦病害识别的现实需求,探索了采用卷积操作和Inception结构块构建简约的小麦病虫害识别模型,在模型设计过程中采用5种数据增强手段和批标准化操作来提升模型对小麦病害识别的准确度。实验结果显示,论文提出的模型稳定性强,准确率较高,且参数规模小,适用于实际生产的应用环境。

基于ECO-HC改进的运动目标跟踪方法研究

针对ECO(Efficient Convolution Operators)方法在背景变化及自身非刚性变换条件下容易跟踪失败的问题,提出一种改进的ECO跟踪方法 .首先通过高效卷积操作对输入图像进行特征提取和多特征融合;然后对融合后的特征矩阵进行相关性运算,获取跟踪目标;最后在滤波器更新部分嵌入一种置信度量的校验机制,评估当前帧的跟踪效果,根据校验结果来判断是否对滤波器的样本模型予以更新.在数据集OTB-50上的对比实验结果表明,相比于基线方法,该方法的精确度提升3. 4%,成功率提升3. 8%,有效降低了各种干扰对滤波器的影响.

基于深度学习的产品意象识别

为了满足用户对产品的情感化需求,提出一种基于深度学习的产品意象识别方法.该方法通过语义差异法获得产品意象数据集,在此基础上,使用卷积神经网络VGGNet进行训练,建立产品意象深度模型.以典型的椅子产品为例对文中方法进行验证,训练好的产品意象深度模型识别准确率最高可达95.3%.为了进一步证明该方法的优越性,将其分别与以支持向量机(SVM)为代表的传统方法和浅层的卷积神经网络Caffe Net进行对比实验,结果表明,在识别准确率上该方法比SVM提高了约5%,比Caffe Net提升了4%~10%.此外,为了解释深度学习的识别过程,对卷积特征进行了可视化,展现了特征映射从底层到高层的抽象过程.

国产BWDSP的并行通信接口设计

BWDSP系列处理器是由中国电子科技集团公司第38研究所研制的国产DSP芯片,具有较强的计算能力.在BWDSP芯片的基础上,研发了以RapidIO为交换协议的BWDSP虚拟平台.为解决BWDSP虚拟平台提供的通信原语难以调用的问题,本文借鉴Message Passing Interface(MPI)标准规范,设计了基于虚拟平台的并行通信库——Message Passing Interface of RapidIO(MPIRIO).MPIRIO采取分层架构实现,在底层以RapidIO作为数据通信协议,在上层提供了点对点通信和群集通信函数接口.MPIRIO在MPI群集通信的基础上,提供了优化的群集通信函数,并结合BWDSP体系结构特点,为神经网络卷积运算等操作提供了优化.最后对本文设计的MPIRIO进行了仿真实验,并与MPICH进行了对比实验,表明本文设计的MPIRIO提高了BWDSP虚拟平台的可用性,并验证了MPIRIO的优点.

融合多通道CNN与BiGRU的字词级文本错误检测模型

文本校对是自然语言处理领域的重要分支。深度学习技术因强大的特征提取与学习能力被广泛应用于中文文本校对任务。针对现有中文文本错误检测模型忽略句子连续词间的局部信息、对于长文本的上下文语义信息提取不充分等问题,提出一种基于多通道卷积神经网络(CNN)与双向门控循环单元(BiGRU)的字词级文本错误检测模型。利用Word2vec向量化待检错文本,采用CNN挖掘待检错文本的局部特征,使用BiGRU学习待检错文本的上下文语义信息及长时依赖关系,并通过Softmax处理后输出文本分类结果以判断文本中是否含有字词错误,同时采取L2正则化和dropout策略防止模型过拟合。在SIGHAN2014和SIGHAN2015中文拼写检查任务数据集上的实验结果表明,与基于长短时记忆网络的文本错误检测模型相比,该模型的检错F1值提升了3.01个百分点,具有更优的字词级文本错误检测效果。

基于生成对抗网络的面部修复

如何更好地对受损的面部图像实施相应的修复,根据此问题指出了一类基于生成对抗网络改良以后的面部修复算法.首先,在生成模型中把编码器和解码器的中间层的全连接换成逐信道全连接,在编码和解码阶段使用卷积操作代替池化操作,针对损失函数采用的激活函数进行改进,增加tanh函数,提高图像补全效果.然后,在保证功能上不受损并且输入、输出尺寸保持原状的条件下对判别器的模型进行了相应的改良,最后,对损失函数引进TV损失、重建损失这二者来实现对生成网络的优化处理,由此提升细节图像方面的修复实力.通过实验表明,使用该方法修复后的面部图像,比先前的方法更清晰更连贯.

单色光成像的统一理论研究

本文用物信息分布再现即为成像的观点研究各种成像情况,使对成像问题有一个更为本质的认识.在研究方法上,提出以“单元系统”对光波所起的作用为出发点,对各种成像问题进行统一的研究,使各种成像问题建立在统一的理论基础上,并做到简捷明确.