融合残差反卷积的图像分割算法研究

针对FCN算法在处理复杂场景时出现误分割问题,本文提出一种融合残差反卷积的图像分割算法RDM-FCN。在编码器部分,采用VGG16网络来提取图像特征;在解码器部分,通过构建残差反卷积模块和引入残差连接,以增强跨层特征的传递。通过采用交叉熵损失函数,提升模型的分割精度。测试结果显示,本文算法与FCN算法相比较,准确率提高了0.0347,平均交并比提高了0.0215,平均像素准确率提高了0.005。实验结果表明,本文算法的分割精度较高,能够较好地保留物体边缘和细节部分的信息。

基于卷积—反残差和组合注意力机制的航天器多余物检测

航天器密闭电子设备内腔多余物给航天器飞行安全带来了巨大隐患。由于多余物体积小、与设备内常规组件形态结构相似且易被其他组件遮挡,采用现有的方法对其进行检测时误检、漏检频发。为解决上述问题,提出一种基于卷积—反残差和组合注意力机制的航天器密闭电子设备多余物检测网络RPDN。首先,网络通过构建卷积—反残差模块,保证了多余物细粒度特征的完整性;其次,设计组合注意力机制,增强了多余物特征的表征能力;最后,结合多尺度特征融合模块与目标检测层从多维度进行目标预测。实验结果表明RPDN在各项评价指标上均取得了良好的效果,mAP达到92.16%,检测效率达到了13FPS,实现了航天器密闭电子设备内腔多余物高效、精准检测。

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。

基于深度学习的高速公路交通流数据监控方法研究

用深度学习的方法对高速公路上的定时交通流进行监测,有关部门根据监测到的数据结果进行交通管控,缓解道路压力,保障交通安全。首先,用递归神经网络RNN进行短期交通流量预测,然后利用残差反卷积形成深层网络从而实现长期的交通流量预测。在此基础上,创新性的使用图卷积进行特征提取,提高模型的鲁棒性。通过实验证明,基于深度学习的长短期交通流量预测具有重要的研究意义和使用价值。

基于MPBiLSTM的短期光伏发电功率预测

由于化石能源对环境有一定程度的危害,太阳能作为可再生的绿色能源,受到广泛关注。光伏发电是太阳能的利用途径之一,其相关技术正飞速发展。然而,光伏发电由于受到天气及其他因素的影响,具有不稳定性的特点。因此,为了保证发电策略的科学性,光伏发电功率预测极为重要。为了提高短期光伏发电预测的准确性,提出了一种基于特征融合和多路径的深度学习模型。首先,该模型使用变分模态分解(Variational Mode Decomposition,VMD)对历史发电功率序列进行分解,并结合斯皮尔曼相关系数(Spearman Correlation Coefficient,SCC)处理无关序列和异常值,形成每个包含本征模函数序列的矩阵。接着,将矩阵数据输入预测模型,该模型利用残差反转一维卷积(Residual Reverse One-dimensional Convolution,RROC),通过为每个结构提供不同数量的卷积核以及多路径结构来实现特征融合。此外,该方法还引入了堆叠的双向长短期记忆网络(Bidirectional Long Short Term Memory,BiLSTM)和Luong注意力机制,使网络更加精密。最终,将每个本征模函数的输出相加得到每个点或区间的预测值。与其他方法相比,基于多路径双向长短期记忆网络(Multiple-Path BiLSTM,MPBiLSTM)的模型具有更好的预测结果。