基于注意力机制与条件卷积的行人重识别方法

行人重识别是计算机视觉领域的一个重要部分,但是容易受到行人图片实际采集环境的影响,导致行人特征表达不充分,进一步导致模型精度不高。提出一种基于注意力机制和条件卷积改进的行人重识别方法,使行人特征得到更充分的表达。将注意力机制引入特征提取网络ResNet50中,对输入图像空间和通道上的关键信息进行加权强化,同时抑制可能的噪声;将条件卷积模块引入主干网络,动态调整卷积核参数,使模型能够在保持高效推理的同时提高容量和性能;利用Market1501、MSMT17和DukeMTMC-ReID主流数据集对改进方法进行评估,Rank1分别提升1.1%、2.4%、1.3%,mAP分别提升0.5%、2.3%、1.3%,结果表明:改进方法能够使行人特征得到更好的表达,识别精度得到提升。

基于条件卷积与极化自注意力的单目深度与位姿估计

基于运动恢复结构与视图合成的自监督范式,引入条件卷积与极化自注意力,提出新的单目深度与位姿估计模型。条件卷积对不同输入数据进行多组动态的卷积权重赋值,所有权重在经过加权整合后共享一次卷积操作,在不显著增加计算量的情况下实现模型容量的提升。图像信息完整性对深度估计任务的性能有极大影响,极化自注意力通过极化滤波使数据在通道或空间维度上保持高分辨率,防止图像的细粒度信息或结构信息丢失;同时压缩与通道或空间正交的维度,减小计算量,并通过非线性函数对压缩过程中损失的特征强度范围进行增强与动态映射。自注意力机制可以实现数据在各维度上的长距离建模。在KITTI数据集上进行实验,证明了所提出模型在自监督单目深度与位姿估计任务中有优异的性能表现。

基于条件卷积与注意力的肝脏分割算法

鉴于现有肝脏CT影像分割算法中存在的对比度较低、边界模糊、分割效果差问题,提出一种基于条件参数化卷积与注意力的分割网络(CPat-Net)。首先用条件参数化卷积替代残差网络中的常规卷积,其次将融合后的条件残差卷积模块集成至编码器中,用以提升模型容量和保持高效计算。然后利用特征注意(CPat)模块中的空间和通道注意力获取特征图的语义和细节信息,从而将局部特征与其全局依赖性更好地结合起来,最后利用深度监督进行多尺度语义信息的融合,提升方法的性能与鲁棒性。实验表明,在肝脏CT影像数据集中本文方法的Dice相似系数、交并比、Jaccrad系数分别达到了94.1%、90.3%、92.4%。相较于UNet、CENet、CSNet等前沿方法,本文方法在肝部分割上的准确度更为优异。

用于个性化推荐的条件卷积隐因子模型

在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息.为此,提出一种新的条件卷积方法.通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性.在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐.实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%.

多尺度条件卷积的OCT视网膜图像降噪研究

散斑噪声存在于光学相干层析成像(OCT)中,影响OCT图像质量。在使用OCT设备诊断各种常见眼科疾病时,高质量的OCT图像是极为重要的。利用深度神经网络对OCT图像进行降噪处理,使图像在保留空间结构细节的基础上能展示更多的信息。提出了一种基于残差学习网络的新型OCT图像降噪网络—CMCNN,其具有多尺度、多权重和多层次特征融合等特点,并且在保留图像空间结构细节的基础上降低图像噪声;再将提出的模型与传统降噪算法、深度学习降噪模型进行比较。实验表明,CMCNN在峰值信噪比(PSNR)和结构相似性(SSIM)方面比其他深度学习方法提高了2.5%左右,验证了方法可以有效地保留OCT图像中的细节信息,同时有效地抑制噪声,提高图像质量。

基于条件深度卷积生成对抗网络的语音增强研究

语音交互技术日益在现实生活中得到广泛的应用,由于干扰的存在,现实环境中的语音交互技术远没有达到令人满意的程度.为了提高现实环境中语音交互性能,本文提出了一种基于条件深度卷积生成对抗网络(C-DCGAN)的语音增强模型,这是在GAN的基础上加入卷积层和条件信息.C-DCGAN利用卷积层提取语音特征,同时利用条件信息,生成高质量的语音.通过TIMIT数据集、NOISEX-92噪声库、Aurora2噪声库及环境噪声数据集对所提出的语音增强模型进行验证.结果表明,与谱减法、DNN等语音增强方法相比,C-DCGAN模型在PESQ和STOI指标上均有提高,表明本文提出的模型能取得良好的语音增强效果.

基于深度卷积生成对抗网络场景生成的间歇式分布式电源优化配置

风电和光伏等间歇性分布式电源(distributed generation,DG)在配电网中接入比例不断提高,对配电网规划影响显著,需对其出力的不确定性进行建模,以提升含DG的配电网规划的效益与实用性。建立了考虑出力不确定性的DG双层优化配置模型。通过改进的条件深度卷积生成对抗网络模型对DG出力的不确定性进行建模,并在模型中加入月份标签信息以生成面向规划的风光联合出力场景;基于高斯混合模型确定月份标签对应的风光出力的上下限,从而刻画DG出力的不确定性范围。最后,考虑DG出力的运行边界,建立了社会综合成本最小化的DG双层优化配置模型。IEEE 33节点算例验证表明,提出的DG优化配置方案能够提升DG的接入容量,有效降低社会综合成本,提高配电网运行的经济性。

基于改进型YOLOv8的复杂环境烟火检测

为解决森林火灾烟火检测识别较慢、检测准确性较低的问题,将Backbone部分的传统卷积替换为条件参数化卷积,显著增强模型性能,通过实验验证凸显了改进型YOLOv8在烟火检测方面的有效性,表现出平均均值精度(mAP)的mAP50达到99.499%且mAP50-95达到97.392%,识别达到99.539%的同时模型召回率也提升至99.746%。相较于原始的YOLOv8,降低了模型的复杂度且有效提升了模型识别的实时性,FPS提升56.41,达到256.41,且模型复杂度下降0.3GFLOPs。

基于三目注意力机制的高效轻量化麦穗检测算法

针对复杂大田环境下基于卷积神经网络的麦穗检测方法实时性差、检测精度低的问题,提出一种基于三目注意力机制的高效轻量化麦穗检测算法。采用MobileNetV3作为主干网络对特征进行高效提取;通过融合通道、空间和位置的特征信息设计三目注意力机制,提升模型对关键特征的敏感度;基于条件卷积设计全局多头自注意力机制,增强全局特征的提取能力;选择CIOU作为边框回归损失函数,增强遮挡及重叠目标的检测效果。实验结果表明,与其它优秀的算法相比,所提算法在减少模型容量的同时,提升了检测精度和速度。

适用于具有多分类器的卷积神经网络训练方法

为了提升视条件而定的深度卷积网络(conditional deep learning network,CDLN)的分类准确率,提出一种多分类器联合训练的方法.在训练网络时将多个分类器的输出误差同时进行反向传播,以校正网络权重.以Le Net-5、Alex Net为基础构造神经网络CDLN-L和CDLN-A,以MNIST、CIFAR-100和Pascal Voc数据集为实验样本进行实验,网络的分类准确率均得到提升,最高提升了4.39%.实验表明,提出的联合训练方法能够提升CDLN的分类准确率.

基于深度学习的产品色彩情感化设计

为准确把握用户对于产品色彩的情感意象感知规律,创新性生成符合用户情感偏好的产品色彩设计方案,提出一种基于深度学习的产品色彩情感化设计方法。首先运用语义差异法和GoogLeNet模型构建产品色彩情感意象数据集;然后,基于产品色彩情感意象数据集与条件深度卷积生成对抗网络(C-DCGAN)搭建产品色彩设计方案生成模型,创新性生成产品色彩设计方案。最后,以出租车色彩设计为例,验证了所提方法的有效性与适用性。

基于CCGAN和ResNet34的滚动轴承故障诊断方法

在实际的工业过程中,由于滚动轴承故障数据的小样本或样本分布不平衡问题很常见,导致许多算法难以准确地识别不同故障。针对这一问题,提出了一种基于条件卷积生成对抗网络(CCGAN)和ResNet34的深度神经网络故障诊断方法。首先,采集了滚动轴承振动信号数据,并将振动信号转换为灰度图像,并增强了其数据特征;然后,采用CCGAN网络学习了原始小样本数据的特征,扩展了小样本不平衡数据集;最后,在滚动轴承振动信号的数据扩充和特征增强的基础上,采用ResNet34深度网络进行了一维振动信号的小样本不平衡故障诊断和分类。研究结果表明:随着小样本不平衡数据集逐步扩展到多维平衡数据集,该方法在不同数据集中故障诊断的准确性均得到了有效提高,在分类精度上达到了99.5%;诊断证明了其特征提取能力优于典型的机器学习和深度学习网络,从而验证了该方法在小样本不平衡故障诊断中的优势。

高比例新能源接入下计及工业负荷特性的电网需求响应调控策略

为挖掘需求侧调节潜力,提出一种高比例新能源接入下计及工业负荷特性的电网需求响应调控策略。设计一种基于工业负荷需求响应的滚动调度框架,通过分析不同类型工业负荷的生产特性,挖掘工业负荷的需求响应潜力;针对新能源和负荷的不确定性,提出一种结合特征损失的条件深度卷积生成对抗网络场景生成方法,为系统调控提供不同时间尺度下的典型场景集;基于生成的场景集,以系统总运行成本最小为目标,提出多场景随机规划结合随机模型预测控制方法,构建多时间尺度滚动调度优化模型,求得不同阶段工业负荷需求响应的最优策略。改进IEEE 30和IEEE 118节点系统的仿真结果验证了所提模型及策略的适用性和有效性。

改进SSD算法在交通标志检测中的应用

针对交通标志检测存在误检率高、鲁棒性差等问题,提出了一种改进SSD(single shot multibox detector)的交通标志检测方法。首先从不同维度提取交通标志的位置和方向感知信息,改善目标在浅层特征图上的感受野区域。其次使用特例化的卷积内核对深层特征图进行条件参数卷积,增强交通标志的特征表达能力。最后对通道注意力机制进行改进,在特征通道中融入目标空间信息,提升交通标志目标的显著性。实验结果表明,提出的方法相较于原始SSD在CCTSDB数据集上的检测精度提升了7.6个百分点,检测速度达到87.5 FPS;在LISA数据集上的平均准确率为94.6%,检测速率为85.0 FPS。相比于其他的检测方法,改进后的SSD算法在复杂的自然场景中对交通标志具有更好的鲁棒性。

基于残差SDE-Net的深度神经网络不确定性估计

神经随机微分方程模型(SDE-Net)可以从动力学系统的角度来量化深度神经网络(DNNs)的认知不确定性。但SDE-Net面临2个问题,一是在处理大规模数据集时,随着网络层次的增加会导致性能退化;二是SDE-Net在处理具有噪声或高丢失率的分布内数据所引起的偶然不确定性问题时性能较差。为此设计了一种残差SDE-Net(ResSDE-Net),该模型采用了改进的残差网络(ResNets)中的残差块,并应用于SDE-Net以获得一致稳定性和更高的性能;针对具有噪声或高丢失率的分布内数据,引入具有平移等变性的卷积条件神经过程(ConvCNPs)进行数据修复,从而提高ResSDE-Net处理此类数据的性能。实验结果表明:ResSDE-Net在处理分布内和分布外的数据时获得了一致稳定的性能,并在丢失了70%像素的MNIST、CIFAR10及实拍的SVHN数据集上,仍然分别获得89.89%、65.22%和93.02%的平均准确率。

基于知识蒸馏的轻量级番茄叶部病害识别模型

目前,基于迁移学习诊断农作物病害已经成为一种趋势,然而大多数研究使用的模型参数众多,占用了大量设备空间并且推理演算耗时较长,导致对存储和计算资源有严格限制的设备无法利用深度神经网络的优势。为此,本研究以PlantVillage数据集中的番茄病害样本为研究对象,基于条件卷积及通道注意力机制,提出1种新颖的轻量级模型,同时使用知识蒸馏法指导模型训练,在保证模型性能的前提下压缩模型大小。将AlexNet、VGG16、GoogLeNet、ResNet50及DenseNet121进行对比,并利用类激活图(CAM)可视化模型分类决策的图像区域。结果表明,经过蒸馏的自定义模型可以精准定位番茄病叶的发病区域,在测试集中的平均识别准确率达97.6%,不仅优于其他模型,而且模型大小仅为4.4 M。

基于改进的U-Net肺结节分割方法研究

由于肺部CT图像的特征信息复杂程度高,经典U型卷积网络对肺结节分割存在准确率较低和误分割等问题。针对这一问题,提出一种改进的U型卷积网络模型。该模型将U-Net网络和DenseNet网络融合,将解码器浅层特征连接至深层特征来增强特征的复用性。通过U-Net网络与卷积条件随机场(ConvCRF)的端到端结合训练来增强边缘特征,解决了边界模糊的问题。提出一种改进的focal loss损失函数,该函数提高了结节所占的权重,解决了正负样本不平衡的问题。在LUNA16数据集中作对比实验验证了模型的性能,分割精准度达到0.9374,敏感度为0.941,该结果证明了改进模型在肺结节分割中更优。

地下目标体散射特性的MPSTD算法模拟

为有效提高时域有限差分法的计算精度和效率,将CPML边界条件在MPSTD算法中实现,并将采用CPML边界条件的MPSTD算法用于模拟探地雷达,分析了大范围有耗媒质中目标体的散射特性.仿真结果表明,MPSTD算法只需平均每波长分成5个网格就可以达到较好的计算精度,可高效准确地模拟电大尺寸空间曲面形状目标体的散射特性.

生成式对抗网络在抑郁症分类中的应用

深度学习领域中的条件深度卷积生成式对抗网络(CDCGAN)是一种能够生成与训练数据同分布样本的生成模型。针对抑郁症f MRI(functional Magnetic Resonance Imaging)数据难采集、用于研究的被试数远小于数据特征维数的问题,首次将CDCGAN应用于生成抑郁症f MRI数据并提出一种混合特征选择方法用于分析f MRI数据。采用组独立成分分析提取41名被试的独立成分并构建全脑动态功能连接网络;通过肯德尔排序相关系数法选出具有较强辨别能力的特征并使用CDCGAN扩充数据;采用所提出的混合特征选择法进行特征选择;对41名被试的数据进行分类。实验结果表明,采用CDCGAN的分类正确率为92.68%,明显优于不应用CDCGAN的分类结果 68.29%,同时说明了抑郁症f MRI数据采用CDCGAN方法扩充数据的可行性以及混合特征选择方法能选出更有效的特征。

基于TTUR的C⁃DCGAN机械故障诊断模型稳定训练方法

针对条件深度卷积生成式对抗网络(conditional deep convolutional generative adversarial network,简称C⁃DCGAN)在训练过程中出现的不稳定性问题,提出具有随机梯度下降的双时间尺度更新规则(two time⁃scale update rule,简称TTUR)用于C⁃DCGAN机械故障诊断模型训练中,在判别器和生成器具有单独学习速率的情况下提高模型的稳定性。首先,给出了TTUR在C⁃DCGAN模型中收敛性证明;其次,在西储大学轴承数据集(Case Western Reserve University,简称CWUR)和实验室行星齿轮箱数据集上验证其有效性;最后,引入Jensen⁃Shannon散度(Jensen⁃Shannon divergence,简称JSD)指标评估模型捕获到的真实数据和生成数据之间的相似度。实验结果表明,TTUR提高了C⁃DCGAN的学习能力,优于传统的C⁃DCGAN。