基于多尺度空间注意力的高精度数字全息散斑去噪方法

数字全息术可以对粗糙物体的形变进行精确测量,但由于激光的高相干性,测量粗糙表面时会产生大量的散斑噪声,严重影响测量精度。为了提高测量精度,本文提出了一种基于多尺度空间注意力的卷积神经网络去噪方法,添加了不同尺度的空间注意力机制,对提取的相位信息进行去噪处理,有效降低了空间分布不一致的散斑噪声的干扰,并通过数值仿真和焊点热变形实验验证了该方法的有效性。

基于残差网络注意力机制的人脸表情识别

提出一种基于残差网络的人脸表情识别方法。以残差网络为基础,加入裁剪掩码对图像任意区域任意大小遮掩,通过通道注意力机制对重要程度不同的通道分配不同权重,以增加抓取关键信息能力,将多尺度特征与空间注意力机制相结合,以不同感受野提取信息,提高网络提取能力,使用联合损失函数增加类外距离,减小类内距离。将此网络运用到FER2013,CK+数据集中。实验结果表明,识别率分别为64.81%,96.86%,参数量为5.21 M。

基于多尺度分量特征学习的用户级超短期负荷预测

针对用户级负荷波动性强,一步分解后数据维度增加导致运行效率降低以及精度提升有限等问题,该文提出一种新的多尺度分量特征学习框架,用于用户级超短期负荷预测。构建基于自适应噪声的完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)、排列熵(permutation entropy,PE)以及变分模态分解(variational mode decomposition,VMD)的自适应二次模态分解框架,捕捉周期性等时序特征,并降低其非平稳特性;采用多维特征融合的方式挖掘各本征模态函数之间的耦合关系,丰富特征信息;利用改进的多尺度空间注意力(multiscale spatial attention,MSA)模块沿时间、空间以及通道等多尺度提取时空特征及多分量间耦合关系,进而便于卷积神经网络(convolutional neural network,CNN)学习多分量特征。基于江苏省南京市房地产业、教育业以及商务服务业共12位用户的实际负荷数据进行算例分析,各行业平均绝对百分误差分别为5.82%、4.54%以及8.78%,与效果最好的对照模型相比,分别降低了10.46%、6%以及7.48%,验证了该文模型具有较高的预测精度和良好的泛化性能。

基于YOLOv9-B模型的港口船舶红外检测方法

为了进一步提高港口作业安全与智能化水平,本文针对海上复杂环境下的在港船舶智能检测方法进行研究。主要考虑客观环境引起的成像模糊及拍摄角度不同导致的船舶目标较小等因素造成的检测不准确问题,提出了一种基于YOLOv9-B的高精度红外船舶检测模型。首先,设计一种多尺度空间注意力机制,采用多个空洞卷积取代原本空间注意力中的普通卷积,扩大感受野捕获更多全局信息。然后,设计一种分支融合注意力机制,通过引入便捷通道注意力和多尺度空间注意力机制来增强小目标和模糊目标关注度,减少特征融合过程中的目标信息损失。最后,将YOLOv9中RepNCSPELAN4模块替换为C2f模块,加强特征提取能力,提高模型检测准确度。在红外船舶数据集和本文自建数据集进行消融实验,结果显示,相较于YOLOv9模型,本文模型在mAP上分别提升了1.6%和1.9%,检测速度分别提升了3.2和1.2 fps。同时,对比实验表明,相较于其他主流模型,本文模型更具优越性。

基于时空感知增强的深度Q网络无人水面艇局部路径规划

无人水面艇局部路径规划在海事救援、海洋运输等领域中发挥着重要的作用。现有局部路径规划算法在简单场景中取得了不错的效果,但面对环境中存在的复杂障碍物和海流干扰时,性能表现较差。为此,提出了一种基于时空感知增强的深度Q网络强化学习算法,首先,引入多尺度空间注意力模块捕捉距离传感器的多尺度空间信息,提升了复杂障碍物环境的感知能力;其次,利用基于长短时记忆网络的海流感知模块提取海流干扰环境的时间序列特征,增强了对海流干扰的感知能力;此外,对无人水面艇传感器和运动模型进行了模拟,并设计了强化学习状态空间、动作空间和基于方向导引的奖励函数,提升了算法的导航性能和收敛速度。在复杂仿真场景中进行了实验,结果表明,所提算法相比于原始算法在导航成功率和平均到达时间两个指标上均得到了提升,算法表现出较强的复杂环境适应性。