基于改进Informer的蒸汽管网流量预测

提出了一种基于改进Informer的蒸汽管网流量预测模型Informer_BEST。该模型通过引入扩展的因果卷积、相对位置和季节特征编码以及梯度中心化技术等3种算法,对Informer模型进行了改进和优化。对5种预测模型进行实验,结果表明,所提出的Informer_BEST预测模型展现了令人满意的测试结果,预测曲线与实际数据的变化趋势相吻合,对供热调度决策具有良好的指导作用。

面向视频中人体行为识别的复合型深度神经网络

在视频人体行为识别研究中三维卷积神经网络和双流卷积神经网络均存在不足.针对此种情况,文中提出结合双流网络架构和三维网络架构的复合型深度神经网络.在双流架构的时间流子网络和空间流子网络部分均采用改进的R(2+1)D卷积神经网络,分别从视频的RGB图像序列和光流图像序列中学习行为表示和分类方法,并融合时间流子网络、空间流子网络的分类结果.进一步地,在网络训练过程中,提出基于梯度中心化算法改进的带动量的随机梯度下降算法,在不改变网络结构的情况下提高网络的泛化性能.实验表明,文中网络在UCF101、HMDB51数据集上均获得较高的识别精度.

基于通道注意力机制的行人重识别方法

针对行人特征表达不充分的问题,提出了一种基于通道注意力机制的行人重识别方法。将通道注意力机制SE模块嵌入到骨干网络ResNet50中,对关键特征信息进行加权强化;采用动态激活函数,根据输入特征动态调整ReLU的参数,增强网络模型的非线性表达能力;将梯度中心化算法引入Adam优化器,提升网络模型的训练速度和泛化能力。在Market1501、DukeMTMC-ReID和CUHK03主流数据集上对改进后的模型进行测试评价,Rank-1分别提升2.17%、2.38%和3.50%,mAP分别提升3.07%、3.39%和4.14%。结果表明:改进后的模型能够提取更强鲁棒性的行人表达特征,达到更高的识别精度。

基于注意力机制的海上小目标重识别方法

在海上由于涉及到目标的遮挡、背景及照明等的巨大变化,小目标重识别是一项极具挑战性的计算机视觉任务。针对传统小目标识别算法泛化性差,在目标重识别中特征提取不够充分有效的问题,提出一种基于通道和空间注意力机制的目标重识别方法。首先,通过将CBAM机制嵌入到重识别模型的骨干网中,通过引入通道注意力机制和空间注意力机制,反馈了更加关键的特征信息。针对骨干输出的三维特征量,为得到更有效的信息,沿垂直进行不同比例的平均分块,从而在多粒度的情况下,从全局和局部更加全面地关注图像信息,同时利用多损失函数分别优化模型,提升模型的可区分性。最后将梯度中心化算法引入Adam优化器,提升网络模型的训练速度和泛化能力,为海上小目标重识别提供了一种新的研究思路与方法。

面向浅层特征高频分量的深度伪造检测算法

近年来,深度伪造技术大幅提升了合成人脸的真实感,且相较于传统伪造方法,其生成的虚假视频更加难以分辨。基于深度伪造图像视觉伪影常常存在于特征提取网络浅层特征高频分量中这一特性,设计了一种面向浅层特征高频分量的深度伪造图像检测算法。针对高通滤波器的缺陷,本实验在拉普拉斯金字塔的基础上设计了一种具有更好的过滤性能的高频残差提取模块。在增强模块中,使用Convolutional Block Attention Module(CBAM)增加特征图关键区域以及关键特征通道的权重,提升特征图的空间以及通道相关性。针对深层网络中高频分量学习优先级低的问题,设计了一种图像梯度损失算法,防止高频信息随着网络的加深而丢失。将梯度中心化引入AdamW优化器,解决了深度伪造检测模型训练时间长、泛化性差的问题。所提两种模型在FaceForensics++和Celeb-DF数据集上的准确率均优于主流算法,证明了算法的有效性以及泛化性。

对抗型半监督光伏面板故障检测

目的传统的光伏面板故障检测主要依靠人工巡检,效率低下且误检率很高,而流行的基于机器视觉的智能检测方法又面临缺少大量负样例造成故障检测模型准确性偏低的问题。针对上述问题,本文提出一种基于对抗训练的半监督异常检测模型,通过应用梯度中心化(gradient centralization,GC)和Smooth L1损失函数,使模型具有更好的准确性和鲁棒性。方法通过构建半监督异常检测模型并定义目标函数,将正常的光伏面板图像作为正样例原图输入半监督异常检测模型进行模型训练。然后将待测光伏面板图像输入到训练好的半监督异常检测模型,生成该待测图像对应的重建图像。最后通过计算待测原图像与其重建图像隐空间向量之间的误差来判断该待测光伏面板是否存在异常。结果本文以浙江某光伏电站采集的光伏面板为实验对象,将本文方法与Pre-trained VGG16(Visual Geometry Group 16-layer network)、AnoGAN(anomaly generative adversarial network)、GANomaly等方法进行比较,AUC(area under curve)分别提高了0.12、0.052和0.033。结论实验结果证明,本文提出的基于生成对抗网络的半监督异常检测模型大幅提高了光伏面板故障检测的准确率。