基于可变形卷积AlexNet与软注意力机制的皮肤病变识别算法

为解决皮肤病识别领域中数据集类别不平衡、模型复杂度高以及准确率低的问题,提出了一种基于可变形卷积AlexNet与软注意力机制的皮肤病变识别算法。首先,提出改进的可变形卷积AlexNet网络模型,提高模型辨析力的同时,降低了模型的参数量,加快模型的训练和测试效率。然后,在改进的模型中集成了软注意力机制,使模型聚焦于皮肤病的关键特征区域,优化模型的特征提取和识别能力。最后,提出了一种联合损失函数,对焦点损失函数与交叉熵损失函数进行加权,聚焦于困难样本和易出错样本,解决因数据集类别不平衡而导致的网络朝着错误方向收敛的问题。在公开数据集进行实验,主观和客观的实验结果表明,提出算法在七种不同类别的皮肤病识别准确率高于对比算法,具有较强的鲁棒性和泛化能力。

注意力可变形卷积网络的木质板材瑕疵识别

为了解决木材缺陷检测中人工成本高、效率低的问题,该文基于可变性卷积网络和注意力机制,提出一种端到端的神经架构模型.首先,可变形卷积网络(Deformable Convolutional Network, DCN)通过将矩形网格转换为变形网格,使模型专注于具有更多有用图像信息的区域.使用可变形卷积网络可以忽略图像特征中不相关的系数,解决了传统卷积在特征中学习更多信息能力有限的问题.然后,将DCN输出馈送到门控循环单元(Gated Recurrent Unit, GRU)层以学习缺陷图像的高级特征.最后,通过关注输入图像的最重要特征,应用注意力机制加强瑕疵区域的高亮度,从而提高模型识别的准确性.使用Matlab平台在4个木质板材缺陷数据集上将该文方法与现有其他方法进行比较分析,该文方法的准确率比其他3种对比方法提高了2.4%~13.2%的维度,灵敏度提高了3.3%~16.6%的维度,特异性提高了4%~21%的维度.实验结果表明,该文方法在检测精度和其他各个性能方面均优于现有方法,最佳准确率为99.2%,证明了该文方法的有效性.

融合CBAM注意力机制与可变形卷积的车道线检测

为满足自动驾驶及汽车高级驾驶辅助系统(ADAS)对车道线检测准确性和实时性的要求,提出一种融合卷积块注意力机制(CBAM)与可变形卷积网络(DCN)的车道线检测方法CADCN。在特征提取模块中嵌入CBAM注意力机制,增强有用特征并抑制无用特征响应;引入可变形卷积替换常规卷积,用带偏移的采样学习车道线的几何形变,提高卷积核的建模能力;基于行锚分类思想,对行方向上的位置进行选择和分类分析,预测车道线的位置信息,提高车道线检测模型的实时性。在车道线公开数据集上对所提CADCN方法进行训练及验证,在满足实时性的情况下,CADCN方法在TuSimple数据集上准确率达到96.63%,在CULane数据集上综合评估指标F1平均值达到74.4%,验证了所提方法的有效性。

稀疏可变形卷积与高分辨率融合的接触网螺栓病害检测

列车长期运行产生的震动易导致接触网螺栓处于松动、脱落等不良状态,接触网取流异常会严重影响行车安全。针对高速铁路接触网螺栓病害检测时,易受复杂背景干扰及螺栓松动病害难以检测等问题,提出一种稀疏可变形卷积与高分辨率融合的接触网螺栓病害检测方法。首先,构建稀疏动态可变形卷积构成的特征提取网络,通过增大感受野范围,来捕捉不同尺度下螺栓的形状特征,加强模型对螺栓小尺寸对象特征的提取能力。然后,设计高分辨率特征金字塔融合模块,将螺栓深层特征和浅层特征的高分辨率特征图进行充分融合,提高多尺度特征图的利用率。其次,提出基于连通域统计的螺栓松动判别方法,通过统计被截断螺栓的连通域个数,完成螺栓松动病害状态检测。最后,由高速铁路接触网螺栓检测试验得出:所提方法可以准确检测螺栓的缺失和松动病害,且具有较高的检测精度,相比改进前Mask R-CNN检测方法准确率增加了41.4个百分点、召回率增加了27.3个百分点、像素精确度提升28.11个百分点、F1-score达83.4%。同时,对接触网螺栓网络模型的检测效率进行试验,较Mask R-CNN的浮点计算效率提升了36.23%。对不同场景下接触网螺栓检测对比试验表明,所提方法具有良好的适应性和精确度,对于螺栓松动和缺失病害检测提供了更为准确的方法,对后期接触网智能化检测具有一定的参考意义。

基于可变形卷积和注意力的带钢瑕疵识别方法

带钢生产中瑕疵检测的准确性对于其质量的保证有着至关重要的意义。本文针对带钢表面瑕疵检测中的瑕疵种类复杂、背景干扰严重、瑕疵样式间面积形态差异较大等问题,提出了一种基于ResNet50改进的结合多尺度变形卷积和注意力的带钢表面瑕疵分类识别方法。首先通过细化ResNet50中BottleNeck结构的卷积块为一组多尺度卷积以扩大感受野,然后引入可变形卷积代替组中的卷积核,使网络在训练中捕捉不同形态尺度的瑕疵特征。最后在网络中引入增强注意力模块,使网络可以关注到通道与空间之间的信息,将其联合起来从而关注到更重要的通道和空间位置。通过对比实验表明,本文提出的方法在带钢的表面瑕疵分类识别上精确度优于现有方法,可以应用于企业实际的带钢的工业生产中。

结合可变形卷积和注意力机制的目标跟踪方法

为解决多数孪生网络目标跟踪算法特征提取能力弱、目标形变和遮挡场景适应性差等问题,提出一种结合可变形卷积和注意力机制的孪生网络目标跟踪算法。首先,在特征提取网络中采用可变形卷积,使其能够自适应学习目标偏移量,提升模型适用性;然后,在骨干网络中引进SimAM注意力机制,在提升特征提取能力的同时减少计算量;最后,将公开数据集OTB2015和VOT2018与其他算法进行性能对比实验。实验结果表明,所提方法的精确度和成功率比基准算法SiamFC在形变和遮挡等场景下有较好的鲁棒性。

基于可变形卷积网络和YOLOv8的衬砌裂缝检测模型研究

为解决裂缝性状发育随机度高、标注框分辨率低、分布密集易重叠、目标相对小等因素引起的智能检测精度及效率差等问题,基于改进可变形卷积神经网络对YOLOv8骨干网络进行融合,提出1种能够适应隧道复杂场景的裂缝检测模型D-YOLO。模型首先对第3版可变形卷积网络(DCNv3)的空间聚合权重softmax归一化步骤进行去除以增强网络卷积效率,再利用新DCNv4对骨干网络C2f卷积模块进行融合以提升对网络图像中不同尺度裂缝性状及空间位置变化的细节感知能力,并采用自建裂缝数据集对SSD,Faster-RCNN,YOLOv5和YOLOv84种检测模型进行对比验证。研究结果表明:D-YOLO的F_(1)分数为80.82%,mAP@0.5为86.90%,相较于SSD、Faster-RCNN、YOLOv5和YOLOv8都有所提升;D-YOLO的单张图像检测速度为20.36 ms,相较于各种对比模型分别加快37.06%、65.33%、45.22%和28.39%;同时,D-YOLO对衬砌裂缝图像特征关注范围有所增加。研究结果可为隧道运营期内衬砌安全检测提供新思路。

基于可变形三维图卷积的轻量级点云分类研究

现有深度学习方法在处理点云分类任务时,依赖于点的绝对坐标,存在模型复杂度较大的问题。对此,提出一种轻量级的点云分类网络DMGCN-3D。使用自适应空洞K近邻(KNN)算法构造图结构,尽可能捕捉局部更广泛空间的几何结构信息,并减少计算开支;构造可变形三维图卷积,引入可学习的点与点之间的方向向量来获取相对特性,在特征提取过程中保证点云的置换不变性与尺度不变性;构建多头自注意力模块,通过残差结构将分组变换注意力(GSA)与多层感知机(MLP)相结合,MLP有助于保持原始点云信息的完整性,GSA使得网络能够学习特征内部的自相关性,在提高特征表达能力的同时降低参数总量;使用空间变换网络结合MLP来学习点云特征;对所提取的特征进行融合以得到更综合的特征,将其用于点云分类。实验结果表明,DMGCN-3D在ModelNet10、ModelNet40、ScanObjectNN数据集上的总体精度分别达到96.5%、94.7%、81.9%,比DGCNN分别提高2.9、2.1、3.8个百分点,参数总量相比DGCNN、LDGCNN、3DGCN模型分别降低52.9%、23.9%、3.3%,且DMGCN-3D能够保持较高的鲁棒性。

基于注意力机制与可变形卷积的遥感图像变化检测方法

针对传统遥感图像变化检测语义分割方法分割精度不高、边缘分割不准确的问题,提出一种基于可变形卷积与注意力机制的遥感图像变化检测方法。该方法以PSPNet为基础模型,首先,主干网络选择轻量化的MobileNet,可以减少模型的参数量;其次,在金字塔池化模块中引入可变形卷积,能够通过可变形的接收场自适应获取遥感图像前后变化特征信息;最后,引入注意力机制模块,能够忽略无关的背景信息。该方法在CDD、LEVIR-CD遥感图像变化检测数据集上进行验证,交并比指标较基础模型分别提高了1.45%和2.01%。结果表明,相较于经典的语义分割方法,该方法融合了可变形卷积、双重注意力机制的优点,能够更加准确地提取遥感图像中变化检测的信息。

基于粒子群优化卷积神经网络的深基坑变形预测方法

以华润阜阳中心项目五期总承包项目为研究对象,基于粒子群优化的卷积神经网络法对深基坑围护结构的水平位移和地表沉降进行预测,随着监测时间的增加,深基坑围护结构水平位移量和地表沉降量的预测值与实测值均具有一致的变化规律;与实测值相比,预测围护结构水平位移量的均方根误差为3.89%,平均百分比误差为5.92%,预测地表沉降量的均方根误差为4.53%,平均百分比误差为3.96%,均小于8%的误差限制要求,表明基于粒子群优化的卷积神经网络深基坑变形具有较高的预测精度。

InternDiffuseDet:结合可变形卷积和扩散模型的目标检测方法

针对现有目标检测中存在的漏检和误检、特征提取能力有限、处理复杂场景时检测精度不高等问题,基于DiffusionDet进行改进,提出了一种结合可变形卷积和扩散模型的目标检测方法。以模型在进入检测头之前需要更多且优质的特征图为核心思想,在主干网络中引入InternImage和DCNv3可变形卷积算子提升模型的感受野和非线性建模能力。对中间层的FPN特征金字塔进行改进,设计了一种基于选择性加权的特征金字塔CS-FPN;利用深度可分离卷积实现通道和区域的分离,同时采用CARAFE算子替代传统的上采样操作,提高分辨率和语义信息的传递;随后利用SGE注意力机制对特征图进行重组,以确保特征图在扩散的过程中保留更多的层次化信息。在特征图进入检测头之前,进行DDIM的扩散操作,获得不同时刻的特征图,以扩充检测特征图的数量。最后在目标框匹配和损失函数方面采用EIOU算法以处理目标框之间的位置偏移和尺度差异。实验数据显示,在COCO数据集和道路检测数据集上,改进后的模型在相同的实验环境下比原有模型分别提升了3.8和3.6个百分点。实验结果表明该方法在提高目标检测的准确性和鲁棒性方面具有一定的潜力,并为解决现实场景中的目标检测问题提供了新的思路和方法。

基于可变形卷积技术的街景图像语义分割算法

目前图像语义分割算法中可能会出现分割图像的不连续与细尺度目标丢失的缺陷,故提出可变形卷积融合增强图像的语义分割算法。算法集HRNet网络框架、Xception Module以及可变形的卷积于一体,用轻量级Xception Module优化HRNet原先存在的Bottleneck模块,同时在网络的第一阶段串联融合可变形卷积,通过建立轻量级融合加强网络从而增强针对细尺度目标特征物的辨识精度,从而使得该轻量级融合增强网络在粗尺度目标物被分割时取得相对多的细尺度目标的语义特征信息,进一步缓解语义分割图像的不连续与细尺度的目标丢失。使用Cityscapes数据集,实验结果可以说明,优化后的算法对于细尺度目标分割精度得到了显著的增强,同时解决了图像语义分割导致的分割不连续的问题。然后进行实验使用的是公开数据集PASCAL VOC 2012,实验进一步的验证了优化算法的鲁棒性以及泛化能力。

基于可变形卷积的轴承剩余寿命预测

针对在滚动轴承剩余寿命(RUL)预测任务中神经网络的普通卷积核提取到的特征分布不均问题,建立了基于注意力的深度可变卷积残差网络(ADRN)以提取轴承的退化特征并计算健康因子(HI)。通过连续小波变换(CWT)提取轴承的时频特征,采用ADRN提取轴承时频图中的退化特征,并通过Tanh激活函数得到HI。为提升对异常值的约束能力,在整个网络中采用提出的动态损失函数进行训练。使用Savitzky-golay滤波器平滑HI后,由多项式函数拟合HI得到回归方程,预测出轴承的RUL。在PHM2012数据集上的实验仿真证明,提出的方法得到了更准确的预测结果。

基于时域可变形卷积的视频超分辨率重建

视频资源随着技术发展在近年来得到了海量增长,人们除了对视频资源本身的需求外,提升视频清晰度的需求也逐渐增多。本文针对当前视频超分辨率重建方法中对视频参考帧与支持帧(相邻帧)之间的信息利用不充分的问题,提出一种基于深度学习的利用可变形卷积提取在不同时间间隔内特征的算法,依此完成超分辨率重建。算法将视频拆分的图像帧分为不同时域组,利用可变形卷积提取各时域组特征,结合可分离的3D卷积对各时域组进行组内特征融合,最后结合时空注意力模块将时域组间的特征融合,通过亚像素卷积完成分辨率的提升。根据在视频超分辨率重建的公开数据集上的实验结果可知,本文提出的算法效果优于VSRnet和VESPCN等其他视频重建算法,能够有效地提升重建视频的清晰度。

基于可变形卷积与小波变换的多阶段遥感图像去噪算法

遥感影像对记录地物目标信息至关重要,但其采集过程易受大气等外界因素影响,导致内在特性受到破坏。文章提出了一种深度学习遥感图像去噪算法,构建了一个新型多阶段特征优化网络,通过学习图像与噪声之间插值变化,可使用残差学习重建干净图像。经实验证明,该算法在图像去噪方面具有一定的有效性。

基于空间注意力和可变形卷积的无人机田间障碍物检测

为了解决植保无人机作业时,传统田间障碍物识别方法依赖人工提取特征,计算耗时较长,难以实现在非结构化田间环境下实时作业识别的问题,提出一种优化的Mask R-CNN模型的非结构化农田障碍物实例分割方法。以ResNet-50残差网络为基础,将空间注意力(Spatial attention,SA)引入残差结构,聚焦跟踪目标的显著性表观特征并主动抑制噪声等无用特征的影响;引入可变形卷积(Deformable convolution,DCN),通过加入偏移量,增大感受野,提高模型的鲁棒性。构建包含农田典型障碍物的数据集,通过对比试验研究在ResNet残差网络结构中的不同阶段中加入空间注意力和可变形卷积时的模型性能差异。结果表明,与Mask R-CNN原型网络相比,在ResNet的阶段2、阶段3、阶段5加入空间注意力和可变形卷积后,改进Mask R-CNN的边界框(Bbox)和掩膜(Mask)的平均精度均值(mAP)分别从64.5%、56.9%提高到71.3%、62.3%。本文提出的改进Mask R-CNN可以很好地实现农田障碍物检测,可为植保无人机在非结构化农田环境下安全高效工作提供技术支撑。

融合多重自注意力和可变形卷积的多模态脑胶质瘤分割

脑胶质瘤的磁共振图像分割对于脑肿瘤的诊断、手术规划以及放疗等治疗方案的确定具有非常重要的意义.针对现有脑肿瘤分割算法分割精度不高边缘分割不精确,易出现假阳性的问题,本文提出一种基于多重自注意力和可变形卷积的Unet改进模型.模型将原始Unet框架的标准卷积替换为残差模块,以防止模型训练过程中出现梯度消失;通过在瓶颈层加入基于Transformer的多重自注意力模块来提取局部特征和全局上下文信息,以更好地挖掘像素间的相关性;在跨层连接处采用可变形卷积来增强模型对形状感知的敏感性,以提升肿瘤边缘特征的提取能力.实验结果表明,所提算法的分割结果评价指标高于使用同样数据集的其他对比模型,而且对肿瘤边缘的分割更加精确.这表明本文算法是一种有效的脑胶质瘤自动分割算法.

基于改进AlexNet的可变形卷积皮肤病变识别算法

为了有效解决类间相似度高、类内差异化大、数据类别不平衡的皮肤病变识别,提出了基于改进AlexNet的可变形卷积网络皮肤病变识别算法.构建改进的AlexNet可变形卷积网络模型,增加采样偏移量,使不同位置的卷积核采样点可根据图像内容自适应变化,自动调整不同尺度或感受野,提取比标准卷积更精细的特征.使用交叉熵损失函数和焦点损失函数的加权损失函数,削弱易分类样本在训练中所占的权重,使模型专注于相似度高、易错分的样本,解决样本比例不平衡的问题,优化模型的识别率.在HAM10000数据集上进行仿真实验,主客观的实验结果表明,提出的方法在7种皮肤病变上的识别优于现有方法,具有更高的准确性、特异性和鲁棒性.

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力,建立了一种基于卷积神经网络(Convolutional neural networks,CNN)与深度学习长短期记忆(Long short-term memory,LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征,再利用LSTM生成特征描述,该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例,经过CNN-LSTM模型计算,将模型变形预测值与原型监测资料进行对比,再与LSTM模型及CNN模型的预测结果进行对比。结果表明,CNN-LSTM模型预测值最接近监测资料实测结果。

基于TCN和迁移学习的混凝土坝变形预测方法

混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足,使得变形预测精度受到影响。为了提高这些小数据量测点的变形预测精度,提出了将时域卷积网络(TCN)与迁移学习相结合的变形预测方法。以数据量充足的测点为源域,以缺少数据的测点为目标域,将在源域上训练好的TCN模型的结构和参数迁移到目标域模型中,固定其中的冻结层参数,利用目标域中的数据对目标域模型可调层参数进行调整。同时,采用动态时间规整选择与目标域数据序列相似度最高的监测数据作为最佳源域数据,提升迁移学习效果。工程实例分析表明:迁移学习后的目标域模型的均方根误差和平均绝对误差与利用足量数据训练的TCN模型的预测误差相比,差异仅分别为1.73%和8.09%,小数据量情况下TCN预测模型的精度得到了提高。