多深度特征增强与顶层信息引导的边缘检测网络

针对现有边缘检测网络在复杂自然场景下的检测结果仍存在边缘缺失、噪声过多等问题,提出多深度特征增强与顶层信息引导的边缘检测网络.首先,采用UNet++作为主干网络提取不同深度的特征,并通过特征叠加使不同尺度的边缘更加完整;然后,在每个卷积层的侧输出后添加特征增强模块,通过引入空洞卷积增大感受野,增强多尺度信息;最后,设计顶层信息引导模块,通过在跳跃连接中引入高层的语义特征增强边缘检测效果.实验结果表明,在BSDS500,NYUDv2和Multicue这3个数据集上进行训练均取得了较好的效果,其中,BSDS500数据集上的ODS,OIS和AP指标分别达到了0.821,0.839和0.869,整体上高于现有边缘检测网络,且噪声少,主观效果也更接近真值.

深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的"黑箱"难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络(DFS,Deep Feature Selection)应用到雷达信号识别技术中. DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.

关于提高大学生信息选择能力问题的思考

随着科学技术的迅猛发展,网络信息量急剧增长,信息的内容变得极其复杂。为了有效地查找所需信息、识别虚假信息、防范有害信息、揭露欺骗信息,学会科学的信息选择已成为时代的呼唤。信息选择主要包括选择性注意、选择性理解、选择性记忆和选择性应用4个环节。由于每个人的生活经验、价值取向、文化修养、知识背景、心理结构、性格特征等各不相同,致使个体在信息选择时表现出明显的个性化特征。鉴于此,我们应了解信息选择的基本原则,明确信息选择的引导策略,掌握信息选择的有效方法。

一种基于信息度量的流特征遴选算法

提出一种基于信息度量的流特征选择算法。该算法可分为粗粒度选择和细粒度选择2个选择步骤。粗粒度的选择通过计算特征集合中各个特征与不同业务类别的互信息,选择在流分类中最具代表性的特征。对于选取的这些特征进行细粒度的选择处理,通过计算已选特征集合中特征之间的一致性,排除多余的特征。实验结果表明,该算法遴选出的特征在用于数据流分类时,准确率和召回率都较同类算法高,且时间复杂度较低。

一种改进的动态流特征选择算法

流特征选择算法在深度流检测技术中发挥着重要作用,数据流的正确识别和分类都需要选择流特征,通过这些流特征在业务流中的差异区分业务流类型。当前基于信息度量的特征选择算法在整个样本空间中计算特征的信息熵,没有将特征选择过程中的动态变化信息加入计算,因此不能准确地度量特征选择过程中各个特征之间的相互关系程度,冗余信息的存在影响特征选择结果,导致分类算法性能降低。提出一种改进的动态特征选择算法,该算法基于信息标准,充分考虑特征选择过程中信息标准的动态变化,通过删除由信息动态变化导致的冗余及无用信息,避免动态选择过程的干扰,达到准确并高效选择特征的目的。实验数据说明,提出的动态流特征选择算法的分类性能比当前其他选择算法较好。

融合动态特征与注意力的敦煌壁画修复模型

敦煌壁画图像含有丰富的纹理和结构信息,在破损壁画修复过程中,容易忽略受损特征信息与完整特征信息之间的区别,从而误导修复过程生成不合理的壁画内容。针对该问题,提出一种融合动态特征选择和像素级通道注意力的壁画修复模型。设计基于U-Net的网络生成器,实现对破损图像的编码与解码操作;采用有效可迁移卷积模块,通过动态选择采样空间位置,实现对有效特征信息的灵活提取,采用区域综合归一化模块减少修复区域与完整区域的期望和方差的偏移,从而加强对有效特征信息的选择和利用;在解码层设计像素级通道注意力模块,在增强有效特征权重的同时使模型可从相隔较远的空间位置学习有效特征。在敦煌壁画数据集上的实验结果表明,该算法能够利用有效信息修复掩膜区域比例不一的不规则破损壁画图像,相比PConv、PRVS、DSNet算法,在峰值信噪比(PSNR)指标上平均提升0.502 d B,在结构相似性(SSIM)指标上平均提升1.384%。

面向带宽受限场景的高效语义通信方法

语义通信为通信系统优化和性能提升提供了新的研究角度,然而,目前语义通信的研究忽略了通信开销的影响,未考虑语义通信性能和通信开销的关系,导致带宽资源受限时语义通信性能难以提升。为此,针对带宽受限场景,提出一种基于信息瓶颈的语义通信方法。首先,该方法采用Transformer模型进行语义和信道联合编解码,并设计特征选择模块以识别和删除冗余语义信息,构建了端到端语义通信模型;进而考虑语义通信性能与通信开销之间的折衷关系,基于信息瓶颈理论设计损失函数,在保证语义通信性能的同时,降低通信开销,完成语义通信模型的训练和优化。实验结果显示,在欧洲议会平行语料库上,与基线模型相比,所提方法在保证通信性能的同时可降低约20%~30%的通信开销,在相同带宽条件下该方法的BLEU分数可提升约5%。实验结果表明,所提方法可以有效降低语义通信开销,从而提升带宽资源受限场景下的语义通信性能。

RGB-D语义分割:深度信息的选择使用

目的 在室内场景语义分割任务中,深度信息会在一定程度上提高分割精度。但是如何更有效地利用深度信息仍是一个开放性问题。当前方法大都引入全部深度信息,然而将全部深度信息和视觉特征组合在一起可能对模型产生干扰,原因是仅依靠视觉特征网络模型就能区分的不同物体,在引入深度信息后可能产生错误判断。此外,卷积核固有的几何结构限制了卷积神经网络的建模能力,可变形卷积(deformable convolution, DC)在一定程度上缓解了这个问题。但是可变形卷积中产生位置偏移的视觉特征空间深度信息相对不足,限制了进一步发展。基于上述问题,本文提出一种深度信息引导的特征提取(depth guided feature extraction, DFE)模块。方法 深度信息引导的特征提取模块包括深度信息引导的特征选择模块(depth guided feature selection, DFS)和深度信息嵌入的可变形卷积模块(depth embedded deformable convolution, DDC)。DFS可以筛选出关键的深度信息,自适应地调整深度信息引入视觉特征的比例,在网络模型需要时将深度信息嵌入视觉特征。DDC在额外深度信息的引入下,增强了可变形卷积的特征提取能力,可以根据物体形状提取更相关的特征。结果 为了验证方法的有效性,在NYUv2(New York University Depth Dataset V2)数据集上进行一系列消融实验并与当前最好的方法进行比较,使用平均交并比(mean intersection over union, mIoU)和平均像素准确率(pixel accuracy, PA)作为度量标准。结果显示,在NYUv2数据集上,本文方法的mIoU和PA分别为51.9%和77.6%,实现了较好的分割效果。结论 本文提出的深度信息引导的特征提取模块,可以自适应地调整深度信息嵌入视觉特征的程度,更加合理地利用深度信息,且在深度信息的作用下提高可变形卷积的特征提取能力。此外,本文提出的深度信息引导的特征提取模块可以比较方便地嵌入当下流行的特征提取网络中,提高网络的建模能力。

基于CIFE-FOA-DELM的SCR脱硝入口NO_(x)浓度预测方法研究

针对脱硝入口NO_(x)浓度监测值作为脱硝前馈输入导致的喷氨控制滞后问题,提出了基于炉膛参数的脱硝入口NO_(x)浓度CIFE-FOA-DELM预测方法。采用互信息特征选择方法进行预测模型的特征变量筛选;引入经果蝇寻优算法优化的深度极限学习建立NO_(x)浓度预测模型;并利用某660 MW火电机组历史运行数据进行模型验证,与反向传播、支持向量机、深度极限学习机、FOA-SVM模型的预测结果进行对比。结果表明:CIFE-FOA-DELM预测方法具备更高的预测精度,平均绝对百分比误差SMAPE、均方根误差SRMSE、拟合优度R2分别为0.261%、1.384、0.965。与CEMS监测数据对比,脱硝入口NO_(x)浓度预测值提前了180 s,有利于解决喷氨控制滞后问题。

基于改进CDBN的电力系统暂态稳定评估

为进一步提高暂态稳定评估模型对失稳样本的识别能力,提出一种基于改进卷积深度置信网络(CDBN)的电力系统暂态稳定评估模型。首先,基于归一化互信息(NMI)构建特征选择框架对模型输入特征进行筛选,降低数据维度,提高模型计算效率;然后,在CDBN中引入注意力机制,建立基于改进CDBN的暂态稳定评估模型;最后,设计模型更新机制来适应电力系统运行工况的变化,提高评估模型的泛化能力。在新英格兰10机39节点系统上的实验结果验证了所提方法的有效性。

深度学习多模态图像语义分割前沿进展

图像语义分割旨在将视觉场景分解为不同的语义类别实体,实现对图像中每一个像素的类别预测。多模态图像语义分割通过联合利用不同模态图像(即通过基于不同成像机理的传感器获取的图像)间的互补特性,能够全面且准确地实现复杂场景信息的学习与推理。目前基于深度学习的多模态图像语义分割前沿成果较多,但缺少系统且全面的调研与分析。本文首先总结并分析了目前主流的基于深度学习的可见光—热红外(red-green-bluethermal,RGB-T)图像语义分割算法和可见光—深度(red-green-blue-depth,RGB-D)图像语义分割算法。依据算法侧重点不同,将基于深度学习的RGB-T图像语义分割算法划分为基于图像特征增强的方法、基于多模态图像特征融合的方法和基于多层级图像特征交互的方法;依据算法对深度信息的利用方式,将基于深度学习的RGB-D图像语义分割算法划分为基于深度信息提取的方法和基于深度信息引导的方法。然后,介绍了多模态图像语义分割算法常用的客观评测指标以及数据集,并在常用数据集上对上述算法进行对比。对于RGB-T图像语义分割,在MFNet(multi-spectral fusion network)数据集上,GMNet(graded-feature multilabel-learning network)和MFFENet(multiscale fea⁃ture fusion and enhancement network)分别取得了最优的类平均交并比(mean intersection-over-union per class,mIoU)(57.3%)和类平均精度(mean accuracy per class,mAcc)(74.3%)值。在PST900(PENN subterranean thermal 900)数据集上,GMNet仍然取得了最优的mIoU(84.12%)值,而EGFNet取得了最优的mAcc(94.02%)值。对于RGB-D图像语义分割,在NYUD v2(New York University depth dataset v2)数据集上,GLPNet(global-local propagation network)的mIoU和mAcc分别达到了54.6%和66.6%,取得最优性能。而在SUN-RGBD(scene understanding-RGB-D)数据集上,Zig-Zag的mIoU为51.8%,GLPNet的mAcc为63.3%,均为最优性能。最后,本文还指出了多模态图像语义分割领域未来可能的发展方向。