多层次特征融合与超图卷积的生成对抗壁画修复

针对现有壁画深度学习修复方法,存在上下文信息关注不足及结果欠佳的问题,提出了一种多层次特征融合与超图卷积的生成对抗修复模型。首先,利用金字塔特征分层对壁画进行多尺度层次特征提取,并采用混合空洞卷积单元扩大多层特征提取感受野,以克服单尺度卷积操作对于壁画特征提取能力不足的问题。然后,提出多分支短链融合层及门控机制融合多分支特征方法,将相邻分支间的特征信息进行融合,使融合后的壁画特征图中既有同分支的特征,又有相邻分支的特征,以提高特征信息的利用率;并引入门控机制对特征进行选择融合,以减少细节信息的丢失。接着,将融合特征通过卷积长短期记忆网络(ConvLSTM)特征注意力方法,增强对壁画上下文信息的关注。最后,设计超图卷积壁画长程特征增强模块,通过在编码器和解码器的跳跃连接之间建立超图卷积层,利用超图卷积捕获编码器的空间特征信息,并将其迁移到解码器中,有助于解码器更好地生成壁画图像,以加强特征的长程依赖关系,并与SN-PatchGAN判别器对抗博弈从而完成修复。通过敦煌壁画数字化修复实验,结果表明:所提方法客观评价优于对比算法,对于破损壁画修复结果更加清晰自然。

基于多层次特征提取的MCNN-ISMA-WLSSVM光伏发电功率预测

为了改善光伏发电功率的预测精度,提出一种基于干线式卷积神经网络(Mainline Convolution Neural Network,MCNN)、改进黏菌算法(Improve Slime Mould Algorithm,ISMA)以及加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)模型的超短期光伏发电功率预测方法。首先,根据Pearson相关性分析,确定光辐照度、温度以及湿度为选取相似日的特征因素,并通过灰色关联分析选取预测日的相似日样本集。其次,将卷积神经网络提取的光伏发电数据特征作为WLSSVM的输入,解决传统数据驱动方法对特征提取和特征选择的依赖。其中,针对常规CNN只能对单一层的特征进行提取的缺陷,提出MCNN进行多层次的特征提取;针对黏菌算法寻优公式的不足,扩展了原黏菌算法的边界条件以及优化了最优个体的更新方式,得到改进黏菌算法,并用来确定WLSSVM的最佳参数。最后,建立基于MCNNISMA-WLSSVM的组合预测模型,并在不同天气类型下对光伏发电功率做预测仿真实验。结果表明,这种预测方法有更高的泛化性、鲁棒性和预测精度。

基于多层次特征聚合的图像压缩伪影去除方法

压缩图像伪影去除作为一个图像恢复的子任务,目的是从有损压缩图像中恢复出高质量图像。现有基于Transformer的方法在计算自注意力时杂度过高,不适用于高分辨图像。有多种方法都被提出用来减小Transformer的计算量,但都会造成恢复效果下降。对此,提出一个CNN和Transformer结合的高效多层次特征聚合网络EMFANet。图像中在整体、部分和细小范围内存在全局、区域和局部特征,对于全局特征建模采用具有线性复杂度的自注意力,对于区域特征建模采用具有随机移位的窗口自注意力,对于局部特征建模采用基于通道注意力的轻量级卷积。经过实验验证,所提出的方法在JPEG压缩伪影去除任务上实现了较为先进的性能。

三维多层次特征协同的无人机遥感目标检测算法

针对无人机航拍图像小目标占比大和背景复杂的特点,当前目标检测模型存在精度低和小目标漏检等问题。基于YOLOv8s模型,提出了三维多层次特征协同的无人机遥感目标检测算法。首先,在坐标注意力的基础上提出了三维多分支坐标注意力(MBCA),通过增加通道维度的信息交互和扩展分支的拆分融合,减少空间维度的计算量,提高了模型全局特征提取能力。其次,采用SPD-Conv替换部分标准卷积,在下采样时有效保留更多特征信息并加快推理速度。然后,在C2f模块中采用了更高效的FastDBB_Bottleneck模块,结合PConv与DBB结构重参数化叠加,以进一步降低模型计算量。最终,通过引入PG-Detect检测头,显著减少计算量并有效降低小目标的漏检率。在VisDrone2019数据集上的实验结果显示,该方法的mAP50值达到了44.5%,较YOLOv8s基线模型提升了5.7个百分点。同时,在自建水坝裂缝数据集上,进行裂缝检测验证实验,改进方法的mAP50值相比YOLOv8s提升了3.3个百分点,FPS达到289帧。实验结果表明在复杂场景目标检测中,所提方法提升了检测模型的精度和实时性,具有良好的适应性和鲁棒性。

结合MacBERT与多层次特征协同网络的音乐社交评论情感分析模型

为更好地解决传统模型特征捕捉能力不足,词向量语义表示不准确等问题,提出了结合MacBERT与多层次特征协同网络的音乐社交评论情感分析模型MacBERT-MFCN(MacBERT and Multi-level Feature Collaborative Network)。采用MacBERT模型提取评论文本特征向量,解决静态词向量无法表示多义词的问题;多层次特征协同网络结合双向内置注意力简单循环单元(Bidirectional Built in Attention Simple Recurrent Unit,BiBASRU)和多层次卷积神经网络(Multilevel Convolutional Neural Network,MCNN)模块,全面捕捉局部和上下文语义特征;软注意力用来衡量分类特征贡献的大小,赋予关键特征更高权重。基于网易云评论文本数据集进行实验,结果表明,MacBERTMFCN模型F1值高达95.56%,能有效地提升文本情感分类准确率。

基于混合层次特征融合卷积神经网络的语音情感识别模型

随着人们对人机交互技术的自然度和人性化要求的不断提高,语音情感识别技术备受关注,因为它易于使用且传递情感信息更为丰富。而卷积神经网络(CNN)因能有效地捕获频谱图中的关键局部特征和结构而成为语音情感识别的主流模型之一。本文基于CNN提出了一种混合层次特征融合卷积神经网络(Mixed-Level Feature Fusion CNN, MLFF-CNN),MLFF-CNN通过融合卷积神经网络的浅层和深层特征,不仅能够利用CNN浅层捕获的语音信号中的局部信息,还能够有效地利用深层捕获更高级、结构化的情感信息。此外,为减少融合时的信息冗余,本文提出了一个混合层次特征融合的注意力机制,应用于MLFF-CNN中的浅层和深层特征融合,有助于选择与情感相关性最高的信息进行融合。在广泛使用的情感数据集IEMOCA和CASIA上的实验结果显示,MLFF-CNN模型在语音情感识别任务上优于现有的先进方法,证明了本文所提方法的有效性和可行性。

基于多层次特征融合的图像超分辨率重建

深度卷积神经网络显著改进了单图像超分辨率的性能.更深的网络往往能获得更好的性能.但是,加深网络会导致参数量急剧增加,限制了它在资源受限设备上的应用,比如智能手机.提出了一个融合多层次特征的轻量级单图像超分辨率网络,主要构件是双层嵌套残差块.为了更好地提取特征,减少参数量,每个残差块采用对称结构:先两次扩张,然后两次压缩通道数.在残差块中,通过添加自相关权重单元,加权融合不同通道的特征信息.实验证明,该方法显著优于当前同类方法.

基于感知监督和多层次特征融合的去雾算法

现有图像去雾方法在网络训练时没有考虑去雾后的图像是否满足人类视觉感知;其次以编解码结构为主要结构的去雾网络,不可避免丢失细节信息,去雾后的图像存在纹理模糊、颜色失真等问题。针对上述问题,提出了一个基于感知监督和多层次特征融合的图像去雾网络。在网络结构中设计了不同层次的特征融合模块。在编码阶段设计分辨率层次特征复用与融合模块,更好地提取不同尺度下表达能力更强的特征,为重建高质量图像提供更多细节信息;特征转换阶段设计空间上下文层次特征提取与融合模块,提取与融合不同感受野的空间上下文的特征,以提供更加精准的图像结构信息;解码阶段设计自适应特征融合模块,自适应地融合下采样阶段生成的不同分辨率层次的特征及特征转换阶段输出的不同空间上下文层次的特征;其次在训练阶段的损失函数中引入感知损失和多尺度结构相似度损失,引导网络学习更多的视觉感知属性。与当前主流方法相比较,该方法在定量和定性指标得到明显提升的同时提高了对去雾图像的视觉效果。实验结果表明在RESIDE合成数据集以及真实有雾图像上取得显著的去雾效果。

多层次特征融合网络的语义分割算法

目标多尺度性质、高层语义信息不足等造成现有算法很难在目标边界取得非常准确的分类精度。为此,提出了一种基于多层次特征融合的语义分割算法。在解码阶段,设计了三个特征提取分支,分别为空间细节分支、语义补充分支和上下文信息分支。空间细节分支采用浅层较高分辨率特征图来生成最终分割图,主要用于保留大量空间细节信息。语义补充分支用于增加更多的高层语义抽象信息。上下文信息分支主要负责提取多尺度全局信息。在语义补充分支中,设计了一种特征融合指导模块(FFGM),建模不同特征图之间像素的对应关系,从而有效地融合不同层次的特征。在空间细节分支中,提出一种自增强特征模块(SEM),对低层次特征进行精调细化,旨在得到清晰的目标边界。在上下文信息分支中,采用金字塔池化模块(PPM)获得多尺度上下文信息,解决目标多尺度性带来的像素错分问题。最后,采用注意力机制融合三个分支提取的特征图,从而强化重要特征,抑制非显著特征。在主流的语义分割数据集PASCAL VOC2012与Cityscapes上,该网络模型获得了81.12%的平均交并比和74.56%的平均交并比,明显优于实验比较算法。

基于RoBERTa和多层次特征的中文事件抽取方法

针对中文事件抽取中语义表征不充分、特征提取不全面等问题,提出一种基于RoBERTa和多层次特征的中文事件抽取方法。通过RoBERTa预训练模型构建字向量,并基于词性标注和触发词语义信息融入进行字向量扩展;其次使用双向长短时记忆网络和卷积神经网络抽取全局特征和局部特征,并通过自注意力机制捕捉不同特征之间的关联,加强对重要特征的利用;最后通过条件随机场实现BIO序列标注,完成事件抽取。在DuEE1.0数据集上,触发词抽取和事件论元抽取的F1值达到86.9%和68.0%,优于现有常用事件抽取模型,验证了该方法的有效性。

多层次特征融合的对抗网络图像隐写

针对基于神经网络的图像隐写方法无法同时捕捉载体图像的纹理信息和语义特征,导致存在大量的信息丢失的问题,提出一种基于多层次特征融合的对抗网络图像隐写方法。通过在生成网络中添加多尺度卷积与池化操作对图像进行特征提取,使用跳跃连接融合多层次特征信息,利用隐写分析性能更先进的判别网络与生成网络进行对抗学习,生成嵌入修改图并模拟生成隐写图像。实验结果表明,在高维特征隐写分析与深度学习隐写分析检测下,该方法均具有更高的隐写安全性。与目前所提出的基于深度学习的隐写方法相比,综合安全性能提升3.8%。

基于注意力机制和多层次特征融合的目标检测算法

为了提高目标检测的准确率,提出一种基于注意力机制和多层次特征融合的图像目标检测算法。该算法在Cascade R-CNN模型的基础上,以RseNet50为主干网络,通过嵌入简单的注意力模块(SAM)来提高网络的判别能力;其次,利用深度可分离卷积改进特征金字塔网络(FPN),设计了多层次特征融合模块(MFFM),对多尺度特征进行融合,以丰富特征图的信息量,并对不同层次的特征图赋予相应的权重以平衡不同尺度的特征信息;最后,结合目标检测方法中的区域建议网络(RPN)结构获取目标的候选区域进行分类和回归处理,确定检测目标的位置和类别。实验结果表明,相较于Cascade R-CNN目标检测算法,该算法的检测精度提升了约2.0%。

图像深度层次特征提取算法

完成众多视觉任务的关键是提取具有较强表达能力的图像特征,传统的图像特征仅描述图像某一方面的信息,表达能力受到很大限制.文中基于卷积神经网络提出图像深度层次特征(DHF)提取算法,通过对图像的层层抽象表达,可以有效挖掘隐藏在图像内部的本质信息.首先基于卷积神经网络产生图像特征图,选取卷积输出层的特征图构建图像阶层结构.然后基于匹配实验选择最佳的层级组合,采用信息熵描述低层级特征图,采用区域平均的方法描述高层级特征图,最终构建具有较强表达能力的DHF特征.实验表明,相比已有特征,DHF特征优势明显,可以高效准确地完成图像匹配任务.

基于多层次特征表示的场景图像分类算法

针对场景图像种类增多、场景复杂度增加和场景内容增大的趋势,本文提出了一种基于多层次特征表示的场景图像分类算法。首先采用Object Bank目标属性的高层特征表示方法,经分类器预测出该图像所属的场景主题;然后在同一场景主题内,采用基于底层特征的局部约束低秩编码方法提取图像特征;在低秩编码方法中加入局部约束正则化并采用F-范数替代核范数的优化方法,减少计算复杂度,实现对场景图像较为细致的理解。这种由高层特征和底层特征相结合的多层次特征表示方法,从对象特征的粗理解到底层细节特征的详细解析,充分利用了不同特征间层层递进和互补的关系,实验结果证明了本文算法的有效性。

层次特征构建下的汽车外观造型设计方法

基于现有外观特征的构造手段,提出将造型特征曲面进行重要性层次划分的构思,分析了现代汽车造型曲面设计技术的组成,描述了完成汽车造型表达的"线-面-体"不同的层次特征,提出一种汽车车身造型曲面构建设计的方法。该方法面向车身外观质量的优化,通过实例分析表明其应用价值及可行性,有助解决汽车车身造型设计过程的方向盲目与效率不高的问题,为汽车造型设计提供参考。

质心层次特征的无约束手写体数字识别

光学字符识别（ＯＣＲ）是模式识别最为成功的应用之一．目前，ＯＣＲ的研究重点是无约束手写体字符识别．采用了基于字符质心的层次特征对无约束手写体数字进行分类识别．基于字符质心的不均匀分块方法，在一定程度上可以克服无约束手写体数字字形千变万化所引起的不稳定性．层次特征将字符在空间的二维分布转化为一维，特征抽取过程简单，易于实现．将该算法应用于无约束手写体数字的信函分拣系统，单字的平均识别率达９７％以上．

基于层次特征描述子的三维CAD模型检索

为提高三维CAD模型检索对模型局部细节特征的区别能力,提高相似性比较和检索效率,提出一种基于图谱及空间词袋表征的CAD模型层次特征描述子构建和检索方法。依据模型的B-Rep表示形式,提取其必要的几何拓扑属性等信息,将三维CAD模型用属性邻接标记图表示;将模型训练集合中的各模型分割成面面互连且具有一定工程意义的局部区域,依据图谱理论对其进行局部特征描述,并通过聚类构建词汇本;基于局部区域图谱及空间词袋表征构建CAD模型由细粒度到粗粒度的层次化特征描述子,并据此采取一种粗检索与精匹配相结合的两层检索机制进行三维CAD模型检索。实验结果表明,该方法能较好地区别模型局部细节特征,检索质量和效率均有明显提高,可有效支持CAD模型的重用。

融合层次特征和混合注意力的目标跟踪算法

目标跟踪任务中,全卷积孪生网络的目标跟踪(SiamFC)算法在目标遮挡、光照变化等场景时会表现出鲁棒性较差、丢失跟踪目标等问题,为此提出一种结合特征融合和注意力机制的目标跟踪算法。首先,采用ResNet50作为主干网络提取更充分的目标特征;其次,结合注意力机制对特征进行筛选,将筛选后的低层模板特征与高层模板特征分别同对应搜索特征做互相关操作后进行自适应加权融合,提升网络对正负样本的辨别力。在OTB100数据集上测试,所提算法的精度和成功率分别为81.25%和64.06%;在LaSOT数据集上测试,该算法的精度和成功率分别为49.4%和50.1%。实验结果表明,该算法目标跟踪性能优于全卷积孪生网络算法,且在处理复杂场景时有更好的鲁棒性。

论虚拟思维的层次特征及价值意蕴

基于数字化世界的虚拟思维,其生成逻辑是符号关系的演变,是人类思维抽象能力在当代的表达。虚拟思维构建的问题性、求解性、"基因突变"性、非线性、自组织性是其新质。共在性和非现实性、主体间性和交互性、个性化和构想性、合成性和综合性是虚拟思维的特征所在。虚拟思维实现了思维的时代创新,使人类视野获得根本性拓展,亦使得人类拥有两个世界——现实世界和虚拟世界。虚拟世界亦是人之所以是人的生存方式。

失重生理效应的层次特征

失重生理效应的层次特征魏金河（北京航天医学工程研究所１０００９４）人类长期生存在地球表面，适应于地球的引力作用。一旦进入空间飞行的失重状态，人体的生理系统就不可避免地发生一系列适应性变化。由于重力作用的普遍性，失重的生理效应必然涉及从分子、细胞到整体...