融合张量合成注意力的改进ResNet图像分类模型

针对卷积神经网络处理图像分类任务时提取特征不充分以及提取到的特征不区分贡献度的问题,提出了一种融合张量合成注意力的改进ResNet-101(RTSA Net-101)网络模型.首先,利用ResNet-101骨干网络提取图像特征,并在残差网络卷积结构后嵌入张量合成注意力模块,对获取的特征进行三张量积计算,得到注意力特征矩阵;然后,使用Softmax函数对注意力特征矩阵进行归一化,从而为特征分配权重,以区分特征的贡献度;最后,将得到的权重和对应的键值加权求和,获取最终图像完整特征,以提升模型的图像分类精度.在自然图像数据集CIFAR-10、CIFAR-100和街牌号数据集SVHN上进行了对比实验,模型分类准确率分别为96.12%、81.60%、96.67%,图像平均测试运行时间分别为0.0258 s、0.0260 s、0.0262 s.实验结果表明:相比于其他7种先进图像分类模型,RTSA Net-101模型可以获得更高的分类准确率和更短的测试运行时间,且能够有效地增强网络的特征学习能力,具有一定的创新性、高效性.

旋转张量的表达及有限转动次序交换定理的证明

旋转张量在火箭发射和航天飞行中使用广泛,在航天器姿态描述、轨迹追踪和变质量研究等方面有重要应用。讨论了旋转张量的相关问题:从坐标变换和运动学角度出发,分别推导了转动张量的基本表达形式和指数映射形式,对旋转张量公式的来源进行了补充和完善;由旋转张量的指数映射形式,得出对于转轴的二阶反对称张量(-r·ε)与虚数i有相似的幂次规律,并明确其几何意义;从特定张量合成的角度出发,推导了旋转张量用转动平面内夹角为转角的任意两向量表达的新形式,在此基础上,给出了旋转张量合成的几何意义;最后,根据向量和张量转动的概念,给出两次有限转动次序交换定理的新的更简洁的证明方法,并通过实例验证上述结论。