双层卷积和多特征融合的路面裂缝分割方法

针对复杂背景下道路裂缝分割方法存在的边缘细节易缺失、目标误判问题,提出双层卷积和多特征融合的路面裂缝分割网络。首先,采用U-Net网络为基础架构,设计双层卷积网络改进编码部分,增大感受野,提取丰富的上下文信息.其次,引入坐标注意力模块优化解码部分,进一步加强网络对裂缝边缘细节的学习.最后,将产生的多级特征反馈至特征融合模块,堆叠通道有效融合深层和浅层特征。此外,损失函数采用二值交叉熵损失和Dice损失函数相结合的方式,有效解决了背景大于裂缝像素点导致的样本不均衡问题。通过在CRACK500、CFD、Cracktree200公开数据集上的实验结果表明:该方法实现MIoU分别为76.8%、65.3%、53.0%,比现有方法MIoU平均提高3.5%,可以实现优异的道路裂缝自动分割效果.

基于双层卷积神经网络的DNA N4-胞嘧啶甲基化位点预测

DNA N4-胞嘧啶甲基化(N4-methylcytosine,4mC)是一种重要的表观遗传修饰,能在基因表达、细胞修复、DNA复制及保护等方面发挥作用.机器学习算法在预测4mC位点时,一个重要的环节是特征提取,为更充分地提取数据特征,进一步提高4mC位点的预测准确率,提出了一种基于双层卷积神经网络的4mC位点预测模型.首先,将序列数据进行特征编码,搭建具有双卷积层和双池化层的卷积神经网络模型,采用L2范式正则化避免模型过拟合,并采用10折交叉验证保证模型预测的稳定性;其次,对模型参数进行调试,选取预测能力较高的参数组合进行模型训练;最后,将模型的4mC位点预测能力与几种已有算法进行比较.结果表明,双层卷积神经网络模型具有较好的预测性能和鲁棒性,优于基于一般机器学习和单层卷积神经网络的4mC位点预测算法,有效提高了4mC位点的预测能力.

利用稀疏语义结合双层深度卷积神经网络的敏感图像检测方法

互联网技术的飞速发展导致敏感内容图像由原先基本隐蔽的内容交换变为海量的数据共享,传统基于图像特征提取的敏感内容检测方法不再适用。针对上述难点,提出基于稀疏语义和双层深度卷积神经网络相结合的敏感内容检测方法。上层网络首先进行训练样本的预处理,并通过构造图像的稀疏语义表示作为神经网络的输入;而下层网络则进一步考虑第三方管控机制(如政府代理等),提出针对特定群体的敏感内容图像检测方法。与现有常用敏感内容图像检测方法相比,该检测方法可有效降低训练样本数量,且检测精度比传统图像检测方法(如基于视觉词袋方法等)提升7%以上。

道路点云场景双层卷积语义分割

在大规模道路环境中,基于点的语义分割方法需要动态计算,而基于体素的方法权衡分辨率和性能导致损失大量信息。为了克服上述两类方法的缺陷,提出了一种通用的结合双层卷积和动态边缘卷积优化的网络架构来进行大型道路场景语义分割。该框架结合点与超体素两种不同域的卷积运算来避免冗余的计算和存储网络中的空间信息,并结合动态边缘卷积优化,使其端到端地一次性处理大规模点云。在不同场景的数据集上对该方法进行了测试与评估,结果表明,该方法能适应不同场景数据集并取得较高精度,优于现有方法。

双层可变形卷积网络的超分辨率图像重建

针对目前大多数基于深度学习的图像超分辨率重建方法都不考虑尺度与几何变化的问题,提出基于双层可变形卷积网络的超分辨率图像重建方法。首先,该方法将标准的卷积层替换为可变形卷积层,模拟图像中的简单几何变化过程;其次,利用两个不同尺寸的可变形卷积层构造双层可变形卷积单元,来提取图像在不同尺度下的特征信息;最后,在特征图之间增加残差连接,缓解梯度消失带来的训练难度。实验结果说明该方法比现有的一些重建方法能更好地提取图像的特征信息,提高图像的重建效果。

基于属性约简重构的自校正卷积记忆风速预测

考虑风速属性及时空相关性的预测建模是规模化风电并网的研究热点,该文基于属性约简重构提出一种自校正卷积记忆超短期预测模型。利用快速相关性滤波对风速序列关联属性进行排序筛选,据此改进K-mediods方法对风电场机群聚类,基于改进灰色关联度分析簇内风机的风速时空相关性,划分典型风机多阶邻域,并重构风速信息矩阵。然后,将重构的时空多维信息输入卷积双层记忆网络,通过卷积神经网络进行风速信息降维与空间特征提取,再由双层记忆神经网络进行多位置多步超短期预测,同时基于反向误差传播原理在记忆网络中引入自校正误差修正单元。最后对实际风电场的风速进行预测,验证所提方法的有效性。

融合注意力机制的LSTM-GCN网络人体行为识别

针对现有人体骨架行为识别方法中因只侧重于视频数据中时间或空间信息的单独提取而存在的时空特征提取不充分的问题,提出一种融合注意力机制的LSTM-GCN网络。该网络设计为LSTM层和图卷积层两层,其中LSTM层重点提取骨架序列的时间信息,图卷积层重点提取骨架序列的空间信息。同时在两个网络层中融入了注意力机制,并按人体骨骼点对整体动作贡献程度对其分配不同的权重,实现了对数据中显著特征及关键帧的增强识别。两个网络层按一定的比重融合后利用Softmax对动作进行分类识别。为验证该方法的优越性,在Kinetics和NTU-RGB+D两个比较典型的公开数据集上进行了仿真实验和消融实验。同时录制了一些相似度高、易混淆的视频,并对其识别结果可视化,再次证明该方法的普适性。实验结果表明该方法可以有效增强人体骨骼行为识别性能,并在计算精度和识别效率上具有一定的优势。