多尺度卷积核U-Net模型的视网膜血管分割方法

针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.

基于多尺度残差注意力域适应的轴承故障诊断

针对滚动轴承待监测样本在跨机器任务中诊断困难的问题,提出一种基于多尺度残差注意力域适应的滚动轴承故障诊断方法。该方法将滚动轴承振动信号直接作为多尺度注意力残差网络模块的输入,为更好提取源域与目标域的共同特征,该模块引入多尺度卷积提取特征信息、注意力机制的压缩激励网络解决数据差异性与残差网络的跨层连接,域自适应部分采用局部最大均值差异度量准则,并选择滚动轴承公开故障数据集进行对比与消融试验。试验结果表明:提出的多尺度残差注意力域适应的滚动轴承故障诊断方法在跨机器任务下平均识别精度达到99.1%,相比于其他方法具有较好的泛化性能。所得结论可为滚动轴承故障监测与诊断提供理论依据。

基于多尺度卷积核CNN的脑电情绪识别

针对传统的人工特征选取需要耗费大量时间和精力的问题,本文在传统卷积神经网络(convolutional neural networks,CNN)模型的基础上,提出了一种基于多尺度卷积核CNN的特征提取与分类方法,并在脑电情绪识别分类上进行了验证。本文首先进行了通道选择方面的研究,其次使用多尺度卷积核CNN模型对提取了微分熵(differential entropy feature,DE)特征的脑电数据进行情绪三分类实验,相比于传统的CNN模型,多尺度卷积核CNN模型在卷积层中采用多个尺度的卷积核,同时从高维度与低维度对脑电信号进行二次特征提取。实验结果表明,预处理数据在33通道的情绪分类平均准确率为89.72%,几乎接近全通道的平均准确率;多尺度卷积核CNN在微分熵特征上的情绪三分类取得了98.19%的平均分类准确率,实验结果证明了该模型的有效性和鲁棒性。

基于小尺度核卷积的人脸表情识别

针对现有表情识别方法中网络泛化能力差以及网络参数多导致计算量大的问题,提出一种利用小尺度核卷积的人脸表情识别方法。采用多层小尺度核卷积块代替大卷积核减少参数量,结合最大池化层提取面部表情图像特征,利用Softmax分类器对不同表情进行分类,并在相同感受野下增加网络深度避免特征丢失。实验结果表明,与FER2013 record、DNNRL等方法相比,该方法的人脸表情识别率更高,能有效实现人脸表情的准确分类。

心电成分的多核尺度卷积神经网络分类算法研究

心电图(electrocardiogram, ECG)的形态特征提取是检测心律异常类型的重要手段,目前并没有好的方法对心电形态特征进行更高效的提取以增强检测分类效果。针对此问题,对心电成分提出无滤波处理结合多核尺度卷积神经网络进行自动分类。所有的心拍都是从原始信号中分离出来,经过分割后,通过合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)数据扩增方式,平衡少样本数据集,再将心电信号输入到卷积神经网络中进行特征学习。通过MIT-BIH数据库提供的双导联心电医学样本数据,按照AAMI的心电五分类标准,最终在测试集中分类准确率达到99.50%,灵敏度为98.97%,综合评价F1为99.21%。实验结果表明,相比于传统的单一核尺度心电分类方法,多核尺度卷积神经网络模型简化了数据处理方式,整体准确率、灵敏度、综合评价F1均有明显提高,因此,更适合用于临床上代替心电图医生进行诊断。

结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法

环境声分类技术在家居安全监测、人机语声交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,该文提出一种基于多尺度通道注意力机制的深度学习分类模型。所提模型由特征提取模块、多尺度卷积模块、高效通道注意力模块、输出层四部分组成。首先,通过引入加权型梅尔Gammatone频率倒谱系数(MGCC)挖掘环境声频谱幅值与相位结构信息;其次,融合多尺度卷积核与高效通道注意力机制优选出声频关键局部细节和通道特征;最后,在全连接层采用softmax函数映射特征并输出环境声类型的概率值。所提模型在6种环境声的iFLYTEK、10种环境声的Urbansound8k数据集上开展测试验证,分别取得了94%、76.52%、79.24%(iFLYTEK+Urbansound8k)的分类准确率。消融实验结果进一步表明:引入的多尺度卷积模块、通道注意力机制模块对分类准确率的提升贡献率分别接近于3.77%和1.89%。实验还详细对比了7种现有的深度学习分类方法,所提算法在分类准确率上排名第二;另外,在同级别算法中如ResNet18、GoogLeNet,所提算法在模型参数量和计算复杂度方面上实现了进一步的约减。

利用多尺度卷积神经网络的图像超分辨率算法

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其他算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。

多尺度复合稀疏的齿轮箱复合故障诊断研究

现代机械设备传动系统中轴承和齿轮容易发生局部疲劳故障,单一部件典型故障引起的载荷波动极易造成其他部件继发性疲劳故障,使机械传动系统呈现多部件复合故障状态。针对齿轮箱传动系统中轴承和齿轮复合故障诊断问题,提出了基于多尺度卷积核匹配复合正则化的卷积稀疏编码(multiscale compound regularized convolutional sparse coding,简称MCRCSC)分离诊断算法。首先,根据齿轮箱轴承和齿轮典型复合故障所呈现出的稀疏性与尺度特性进行了模型假设;其次,依据不同故障的信号尺度特性与分布特点提出了多尺度卷积核与复合正则化约束的概念,并建立了多成分卷积分离模型;最后,通过交替方向乘子(alternating direction method of multipliers,简称ADMM)优化架构将频域转化后的优化方程分解为子问题进行交替求解,对分离卷积重构后的故障信号进行谱分析得到对应典型故障频率分布。实际齿轮箱故障模拟实验表明,所提算法在随机噪声和谐波干扰下仍具有优良故障分离诊断能力。

轨迹预测中局部自注意力时序编码网络

针对传统编码器应用于轨迹预测时,难以捕捉短暂停车或急转弯等局部时间尺度下的轨迹变化(简称局部变化)从而影响预测准确性的问题,提出一种局部自注意力时序编码架构(Loc-SelfAttention)。该算法充分利用小尺度卷积核的优越局部感知能力,敏锐地捕捉和提取局部变化的特征,并利用自注意力机制,根据局部变化对于未来轨迹分布的影响程度动态赋予提取的局部特征注意力权重,从而过滤噪声和杂点,筛选出有效的局部特征,提高轨迹预测准确性。实验结果表明:Loc-SelfAttention算法在Argoverse运动预测基准上与HOME轨迹预测算法相比,最小平均位移误差降低3.7%,最小最终位移误差降低3.1%,失误率降低4.8%,在自动驾驶和智能交通管理等领域具有一定应用前景。

基于卷积神经网络的大学生就业推荐算法研究与设计

数据挖掘可以从海量的数据信息中挖掘潜在的、有价值的数据知识,为人们提供决策辅助支撑,比如可以为大学生推荐合适的职位。本文在大学生就业推荐中引入先进的卷积神经网络,其作为一种先进的数据挖掘算法,可以利用多层次、深度学习模式,准确的提取大学生招聘岗位信息,匹配大学生的个人专业或能力,该算法具有参数少、层数多等特点,分类速度比较快,实时性非常强。实验结果表明,该算法推荐准确度达到了98%,在大学生就业推荐应用上具有较强的优势。

基于注意力的高炉流态化料面多尺度检测算法

针对高炉料面图像经常发生多物理形态周期转变导致料线追踪精度下降问题,研究了一种基于注意力的多尺度卷积核流态化料面检测算法(MKAD).构建了雷达数据集-灰度图像-料形可视化的一类特征提取框架,在卷积层采用通道和空间双注意力机制,获得不同尺度的精细化颗粒流态化特征;使用多尺度卷积核自适应方法提取并融合喷涌料面多尺度颗粒物特征,实现跨通道特征融合.在南钢3#高炉和武钢7#高炉进行了实验和综合评估,精确率分别可达83.01%和86.50%,与峰脊锐化方法相比,分别实现了1.41%和4.9%的性能提升,上述融合特征提取框架显著增强了料面检测的鲁棒性.

基于卷积神经网络的脑电信号分类

针对现有卷积神经网络脑电信号(electroencephalogram,EEG)分类模型分类精度低、方法复杂且耗时的问题,对卷积神经网络的卷积层进行了改进,提出了多尺度卷积核卷积神经网络(convolutional neural networks,CNN)脑电分类模型,并在输入数据前加了系数矩阵,该系数矩阵可以随网络的训练逐步更新,代替了手工提特征再送入网络的步骤,有助于提高分类精度。最终本文的脑电分类模型在高原脑电信号的分类实验中,二分类准确率比改进前提高8%,三分类、四分类准确率分别达到92.87%、81.15%,分类准确率较高,对脑电信号的分类具有较高的参考价值。

一种基于显著性的红外弱小目标检测方法

红外弱小目标检测是目标识别等领域的研究热点。考虑到红外弱小图像中目标信噪比较低,且成像目标的尺度变化较大,构建一种同时考虑局部显著性特征和全局显著性特征的红外弱小目标检测框架。构建一种基于多尺度卷积核的显著性目标检测算法,将该算法与谱残差算法分别进行显著图计算;在得到局部和全局显著图后,采用形态学方法进行显著图的融合以及自适应阈值方法进行二值分割。在给定的公开数据集上的实验结果表明,该方法相对于基准的显著性算法,在目标检测的准确性和虚警率上均有明显优势。

基于MSK-CNN和多源机电信息融合的同步发电机故障诊断方法

同步发电机结构复杂且运行环境多变,传统的故障诊断方法依赖于专家的先验知识,易受噪声干扰,难以准确识别且耗时耗力。本文提出一种基于多尺度核卷积神经网络(MSK-CNN)和多源机电信息融合的同步发电机故障诊断方法,直接从原始信号中自动学习有效的故障特征,同时在单个框架中对故障类型进行分类,为同步发电机提供端到端的故障诊断系统,无需额外的信号处理和专家经验。首先通过多尺度核算法在不同尺度上并行获取互补且丰富的诊断信息,提高特征学习能力。然后采用多源机电信息融合,选取相电压、转子振动、定子振动信号分别作为输入进行特征融合。最后以一台SDF-9型1对极同步发电机为实验对象进行实验验证,故障诊断准确率为99.64%,与传统故障诊断方法进行对比,显示了该方法的优越性。

基于三维特征图和改进DenseNet的脑电情绪识别方法

情感作为人脑的高级功能,对人的心理健康状态有很大的影响。为了充分考虑脑电信号的空间信息以及时频信息,更好地实现人机交互,论文提出了1种基于三维特征图的改进DenseNet情绪识别模型。通过提取脑电信号θ、α、β和γ 4个频段的微分熵特征,结合脑电通道电极的位置映射关系,构造三维特征图,最后使用改进DenseNet网络进行二次特征提取与分类。为了验证该方法的有效性,在SEED数据集上进行了包含积极、中性、消极3种情绪的分类实验,单被试者实验和所有被试者实验获得的分类准确率分别达98.51%和98.68%。实验结果表明,三维特征图结合特征重用方法能够得到高精度的分类结果,为情绪识别提供了可以尝试的新方向。

基于字词向量的多尺度卷积神经网络微博评论的情感分类模型及实验研究

[目的/意义]微博评论情感分类模型可以为相关舆情监管部门正确管控话题事件的发展状况和舆情提供一定的指导作用。[方法/过程]基于字词向量的多尺度卷积神经网络,运用多尺度卷积核改善微博评论中上下文信息有限的条件制约,构建基于字词向量的多尺度卷积神经网络微博评论情感分类模型;通过爬取“微博热搜整改”数据,对模型的可行性和优越性进行验证。[结果/结论]验证结果表明基于字词向量的多尺度卷积神经网络在微博舆情等上下文信息有限的短文本分类任务中表现良好。本文在理论层面为微博舆情情感分类提供了更为准确的情感分类理论模型及分类方法,在实践层面可以更好地指导舆情监管部门对舆情的情感倾向进行更好的引导和监管。

旋转机械故障诊断模型的泛化性能研究与改进

泛化能力是机器学习的重要评价指标,由于现实中的工业应用中外部环境十分复杂,在旋转机械工作时,其负载是不断变化的。如何使用一种负载下训练好的网络模型对另一种负载的数据集进行故障诊断是目前众多学者的研究重点。针对网络模型训练与测试时的数据特征分布不同来进行网络泛化性能的改进研究,通过改进网络模型的首层卷积核尺寸与随机失活来加强网络特征提取能力,采用AdaBN优化算法使得网络模型在训练与测试时的参数进行调整,提高网络的泛化能力。

基于多特征融合的图像区域几何标记

提出一种基于多特征融合的图像区域几何标记方法.首先,提出了一种新型卷积网络结构——多尺度核卷积网络用于提取像素点的多尺度特征信息,推断像素点的几何类别,并结合图像超像素分割获得图像超像素区域的几何标记;其次,将提取的多尺度特征与超像素区域传统特征相结合,建立超像素区域的特征表达.最后,建立超像素图像的条件随机场(conditional random field,CRF)模型,对超像素区域的几何类别进行推断.在公开数据集Geometric Context(GC)上的实验结果表明,同已有算法相比,所提方法提高了图像区域几何标记的准确率.

基于U型网络的K-TIG焊熔池图像分割方法研究

小孔钨极惰性气体保护焊K-TIG(Keyhole Tungsten Inert Gas Welding)的强烈氩弧光会对熔池液面与焊件的成像造成干扰。针对其熔池图像呈现边界模糊、特征尺寸差异大、形态不规则的特点,设计了一种基于注意力机制的多尺度特征融合语义分割模型,对焊接熔池区域图像进行分割。首先,利用并行结构的多尺度非对称瓶颈单元替换UNet在特征提取过程中的卷积块,加强对不同尺度特征提取的能力,强化对熔池轮廓的表征能力;然后,在上采样阶段使用跨层的注意力模块引导网络模型更加关注熔池的锁孔区域;最后,在进行网络训练之前,对训练集的图片采用Multi-Scale Retinex算法执行颜色和形态的图像增强。实验结果显示,该神经网络的分割结果与熔池实际区域在Dice系数、MIOU以及F1系数的指标上分别达到95.78%、83.32%和91.86%。

基于超分辨率重建的低分辨率表情识别的研究

人脸表情识别一直是人机交互和计算机视觉研究的热点问题,但受限于成像设备及环境的影响,获得的面部图像往往是低分辨率的。针对这个问题,提出一种基于深度学习的超分辨率重建的人脸表情识别系统,用于提高低分辨率面部图像表情识别的准确率。该系统是由两个深度神经网络组成,首个神经网络基于新的混合损失函数,利用简化的残差网络结构叠加构成残差块来学习面部图像的特征,并进行上采样操作,重建包含更多细节的高分辨率人脸表情图像;第二个神经网络通过使用小尺度卷积核提取重建后的高分辨率图像的人脸表情特征,之后使用softmax分类器,实现人脸表情分类。在公共数据集Cohn-Kanade Dataset (CK+)上对该系统进行验证和测试的结果表明,该系统有效地提高了不同尺寸的低分辨率图像表情识别的准确率。