基于渐进式生成对抗网络的农作物病虫害细粒度分类

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP-1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。

基于渐进式增长生成对抗网络的月度源荷场景生成

月度场景生成是月度时序生产模拟、制定电量计划以及细化场景分析的基础。针对月度源荷场景建模通常面临的多元高维变量拟合困难、源-荷不确定性加剧等问题,提出一种基于渐进式增长生成对抗网络的月度源荷场景生成新方法。对月度时序功率序列进行均值拆分处理,以得到多时间尺度功率序列,将源荷序列纵向拼接并结合多时间尺度特性设计相应的二维卷积结构;采用平滑渐进式增长方式及特殊训练策略,逐步生成多颗粒度的源荷场景;生成网络解构低维与高维特征,首先学习月、周下的日尺度特性,再逐渐拟合高维非线性特征,以生成小时级别的720月度场景。最后,基于实际风-光-荷数据集进行算例分析。结果表明所提算法在月度源荷场景生成的有效性,可为月度调度规划提供参考。

基于渐进式GAN逆映射的人脸超分辨率重建

为了缓解生成对抗网络(generative adversarial network,GAN)自身存在的训练不稳定问题,增强图像超分辨率重建的效果,提出一种基于GAN逆映射的图像超分辨率重建算法。通过渐进式网络增加模型的稳定性,通过逆映射金字塔充分学习低分辨人脸图像的语义特征,实现准确的隐空间转换,通过半空间特征调制进行图像增强。对所提算法进行实验验证,该算法在Celeb A数据集上重建8倍后的图像峰值信噪比为27.18 dB,相比超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN),提高了2.44 dB,模型的收敛速度也更快。实验结果表明,通过GAN逆映射和渐进的方式进行图像超分辨率重建具有较好的效果和更高的稳定性。

渐进式深度网络下盲运动图像去模糊方法

针对盲运动图像去模糊任务中渐进式深度神经网络缺少大范围感受野和难以合理交互各阶段图像特征的问题,提出具有扩张卷积和上下文注意力融合模块(contextual attention fusion module,CAFM)的渐进式深度网络(progressive depth network,PDNet)恢复清晰图像。该方法包括局部特征提取、图像特征整合和图像恢复3个阶段。其中局部特征提取阶段和图像特征整合阶段利用多分支扩张卷积模块(multi-branch dilated convolution block,MDCB)增加感受野,适应不同程度的运动模糊;在图像特征整合阶段和图像恢复阶段利用CAFM进行不同阶段图像特征的信息交互,以实现渐进式的图像特征增强。通过3个阶段的渐进式增强策略,提出的方法能充分利用局部和全局图像特征引导图像恢复,从而生成清晰的高质量图像。实验结果表明:与SRN等网络相比,提出的PDNet在GoPro数据集和RealBlur-J数据集上得到更好的效果,且峰值信噪比(peak signal to noise ratio,PSNR)平均提升2.9 dB,结构相似度(structural similarity index measure,SSIM)平均提升0.05。

基于耦合关系挖掘及渐进式分层提取多任务学习网络的风-光-荷短期预测

为应对可再生能源并网增加造成电力系统不确定性程度加深的情况,以风–光–荷为研究对象,提出了一种基于耦合特性挖掘及渐进式分层提取(progressive layered extraction,PLE)多任务学习(multi-task learning,MTL)的风–光–荷短期预测方法。首先,基于风–光–荷3种预测对象之间的关联关系,对非线性耦合关系进行提取;然后,以基于PLE的MTL神经网络作为预测算法对预测对象间的耦合关系进行进一步表示;最后,以西班牙地区实际采集的风–光–荷数据为例,将所提模型与不同模型的预测结果进行对比分析。实验结果表明,提出的模型具有更高的预测准确性。

多层渐进式特征对齐网络优化的空地影像稳健匹配

精细三维模型是智慧城市建设的关键空间基础信息,而视角变化、遮挡等因素导致基于航空影像生成的三维模型容易出现边缘不准确、孔洞以及建筑物立面纹理模糊等问题。地面影像可以很好地解决倾斜摄影建模底部缺失与区域遮挡的问题,因此,提出一种轻量化多层渐进式特征对齐网络优化的空地影像匹配方法,以实现空地影像的稳健匹配,为城市建模提供一定的技术支撑。设计多层渐进式匹配网络优化策略,利用EfficientNet-B3预训练模型的高层特征图进行双向匹配,取双向匹配的交集作为初始匹配点集。根据初始匹配点对,采用RANSAC策略计算初始单应矩阵,运用该矩阵对地面影像进行图像变换,得到近似空中视角的影像,从而完成特征匹配与粗差剔除。针对空中影像和近空视角影像,在前面多层特征图上进行匹配和优化。在每一层特征图上都计算该层特征图的匹配和对上层匹配点对的位置校正,最终得到精确的匹配点集。以无人机DJI-MAVIC2拍摄的航空影像及手持设备拍摄的地面影像等8组典型数据作为对象进行实验,结果表明,与SIFT、D2-net、DFM等方法相比,该方法具有良好的匹配性能,平均同名点匹配数量较次优方法提升了1.3倍。

基于渐进式神经网络的六足机器人避障策略迁移

六足机器人直接在现实环境中进行避障训练,会出现数据采样效率低、样机与障碍物产生碰撞造成零件出现不可逆损伤等情况。采用迁移学习中的渐进式神经网络(PNN)来实现模型的多环境迁移。实验基于双重深度(Double-DQN)强化学习预训练模型,将预训练后的模型有机结合为PNN结构,进而完成从源任务到目标任务的避障策略迁移。根据仿真实验的结果显示,相较于其他设计方法,PNN学习目标任务花费的时间大大降低。然后将仿真器中训练好的PNN结构移植到六足机器人样机中测试,最终测试结果表明:六足机器人能够成功完成避障任务。

一种渐进式增长条件生成对抗网络模型

渐进式增长生成对抗网络(PGGAN)是一种能够生成高分辨图像的网络模型,但是当样本间的类别不平衡或者样本类别过于相似或不相似时,容易出现模式崩溃现象而导致生成效果不佳。提出一种渐进式增长条件生成对抗网络(PGCGAN)模型,将条件生成对抗网络的思想引入PGGAN,在PGGAN的基础上加入类别信息作为条件,在网络结构和小批量标准差两个方面对PGGAN进行了改进,缓解图像生成过程中的模式崩溃现象。在对3个数据集的实验中,相比于PGGAN,PGCGAN在起始分数(IS)和Fréchet距离(FID)两个评价图像生成的指标方面都有较大程度的提升,生成的图像具有更高的多样性和真实性;且PGCGAN可以同时训练多个无关联的数据集而不崩溃,在类别不平衡或数据过于相似和不相似的数据集中均能产生高质量的图像。

基于相关性差异化迁移的渐进式神经网络

虽然经典的渐进式神经网络(PNN)通过获取先前任务的经验知识来提高神经网络在当前任务中的性能,但忽略了在渐进任务较多时渐进任务间的相关性差异对网络性能的影响。针对该场景,提出一种基于相关性差异化迁移的渐进式神经网络(CDT-PNN)。首先使用基于余弦相似度的算法评估两个渐进任务的相关性;然后利用当前任务和先前任务之间的相关性来决定神经网络的知识参数传递,并删除与当前渐进任务呈负相关的先前渐进任务的知识参数;最后依据任务间相关性按一定比例随机抽取与当前渐进任务呈正相关的先前渐进任务的知识参数进行参数迁移。在添加了不同程度噪声的cifar-100数据集和mnist数据集上进行实验。结果显示,与PNN相比,CDT-PNN在cifar-100和mnist数据集上的实验任务平均分类精度(AA)提高了6.6个百分点和1.58个百分点。这说明,在复杂多任务场景下CDT-PNN能获得比PNN更好的性能。

企业渐进式创新网络与政府制度行为演化分析

本文基于企业线性创新活动愈发呈现网状化现象,研究企业渐进式创新网络与政府创新制度行为的相互关系,在构建二者螺旋式片段演进模型的基础上采用博弈论对其进行演化分析,并以三家汽车企业渐进式创新网络为例展开实证检验。结果表明:①企业渐进式创新网络与政府创新制度行为相互促进与影响,拥有的线性正相关数量和强度越大,网络创新能力、政府制度行为的力度越大;②螺旋式同步演进的3.0阶段优于2.0和1.0阶段;③企业渐进式创新网络与政府创新制度行为正相关强度的总体趋势为由南向北递减。研究结果有助于降低企业创新活动的制度性成本,为创新效益提升给予启示。

基于渐进式卷积神经网络的焊缝缺陷识别

焊缝缺陷的形状不规则等特点导致传统算法及技术难以达到高精度识别的要求,为此提出一种复杂度较低的渐进式卷积神经网络(progressive convolutional neural network,P-CNN)对焊缝缺陷进行识别。该网络各层采用相同大小的特征图,避免重要特征遗漏,为避免过拟合和欠拟合,学习过程中先以少量样本为基数进行训练,之后成倍增加训练样本的数量,直至准确率达到98%时,不再增加样本数量。实验结果表明,该方法能有效识别多种焊缝缺陷,较传统的卷积神经网络识别精度有6.7%的提高,在工程的应用与推广中具有一定意义。

基于渐进式神经网络的机器人控制策略迁移

在机器人领域,通过深度学习方法来解决复杂的控制任务非常具有吸引力,但是收集足够的机器人运行数据来训练深度学习模型是困难的.为此,提出一种基于渐进式神经网络(progressive neural network,PNN)的迁移算法,该算法基于深度确定性策略梯度(deep deterministic policy gradient,DDPG)框架,通过把模型池中的预训练模型与目标任务的控制模型有机地结合起来,从而完成从源任务到目标任务的控制策略的迁移.两个仿真实验的结果表明,该算法成功地把先前任务中学习到的控制策略迁移到了目标任务的控制模型中.相比于其他基准方法,该算法学习目标任务所需的时间大大减少.

基于渐进式生成对抗网络的舰船红外图像仿真

红外图像仿真在红外导引头设计、仿真训练中起到十分关键的作用。针对如何生成高分辨率、视觉特征可控的红外图像,提出了一种基于渐进式生成对抗网络的红外图像仿真方法。本文利用舰船模型的红外图像数据集训练了图像合成网络,输入随机特征向量,输出高分辨率的红外仿真图像;设计了图像编码网络,实现红外图像到特征向量的转换;利用Logistic回归方法,在特征向量域找到了控制红外图像角度特征的方向向量,并据此生成了不同角度的舰船模型仿真图像;最后通过均值哈希算法和平均结构相似性算法来定量评价仿真图像和真实图像的差异,实验结果表明仿真的红外图像和真实图像的相似度很高,可以为真实舰船的可控化红外图像仿真提供参考。

渐进式神经网络多维说话人信息识别技术

提出了一种识别多维语音信息的方法,用来同时识别说话人身份、性别和情感信息,选择身份特征参数I-vector向量表示语句特征。首先基于深度置信网络(DBN)设计了一个性别相关的多维语音识别基线系统,然后在基线系统基础上又提出了一种基于渐进式神经网络技术(Progressive Neural Network,ProgNets)的多维说话人信息识别方法。在性别相关的基础上,将辅助语音识别模型知识迁移学习到主语音识别模型中,进而增强语音识别性能。实验结果表明,基线系统识别结果比非同时识别的单维语音识别DBN模型的平均识别率提升了4.73%,而基于ProgNets系统的多维系统识别精度比基线系统高1.8%。

基于渐进式神经网络的多任务强化学习算法

介绍了目前有关机器人强化学习和多任务学习的方法和成果。针对现有的强化学习算法在现实环境中采样效率低下和难以进行多任务学习的问题。提出一种基于渐进式神经网络的强化学习(PNNRL)算法。先根据现实原始图像,创建一个包含了现实中重要信息的高效模拟环境,在模拟环境中训练得到一个策略模型,然后基于渐进式神经网络,将模拟环境中训练得到的策略迁移到现实环境中,实现在加快模型收敛速度和数据采样效率的同时,还实现仿真域到现实域的策略迁移和避免了因为迁移学习造成的灾难性遗忘。结合机器人作业任务实验结果显示,PNNRL算法可以有效解决强化学习采样效率低的问题,并且利用渐进式神经网络的特性还可以做到多任务学习。最后对机器人多任务学习的研究前景做了展望。

粗糙面SAR图像渐进式生成对抗网络

粗糙面合成孔径雷达(SAR)图像在遥感和目标识别等领域有着非常重要的意义。目前,粗糙面SAR图像的仿真方法主要有三种:数值法、统计法和解析法。数值法的计算复杂度会随着粗糙面尺寸的增大而升高,导致计算速度变慢,这限制了该方法的应用;统计法如空间相关模型是从统计角度生成SAR图像;解析法如基尔霍夫近似法(KA)等适用于计算粗糙面的散射矩阵。相干空变双向散射分布函数(CSVBSDF)物理模型可以生成多维度参数下的粗糙面的SAR图像,但其计算速度不能满足实时仿真需求。基于CSVBSDF,本文提出了一种粗糙面SAR图像渐进式生成对抗网络(RSPG),提高了SAR图像生成的速度。实验结果表明,生成的SAR图像与真实SAR图像在平均结构相似性指标上达到0.8,并且生成的速度与CSVBSDF相比得到了提高。

一种图像分类中基于元学习的渐进式原型网络技术研究

分析了一种基于元学习的渐进式原形网络,只需要少量的图像样本,就可以完成模型的训练工作,并能快速识别新任务,具有极强的泛化能力.采用的渐进式训练策略,提升了模型的训练效率,降低了训练时间.

一种改进的渐进式图像超分辨率重建算法

针对单帧图像超分辨率重建不适定逆问题,提出一种改进的渐进式图像超分辨率重建算法。通过两层渐进式重建网络,第一层渐进是将整个重建网络分为放大重建和细节重建两个阶段,第二层渐进是在放大重建阶段采用两级放大策略对低分辨率图像进行粗放大。在放大重建阶段采用残差式网络,并在其残差块中加入注意力机制提升网络的性能。在细节重建阶段,先将网络提取的图像软边缘信息与第一阶段的粗重建结果相融合,再输入到细超分辨率重建网络中完成最终的图像重建。实验结果表明,与其他算法相比,改进算法对图像细节的重建效果好,在客观评价指标和视觉效果方面都有所提升。

采用对比学习的多阶段Transformer图像去雾方法

为了解决现有图像去雾方法在图像局部去雾以及纹理细节恢复等方面始终不理想以及处理非均匀雾质始终不彻底的问题,提出了一种采用对比学习的多阶段自注意力模块(Transformer)的图像去雾MSTCNet方法。首先,利用信道级Transformer模块作为基本的特征提取模块,充分地捕获特征信道之间的长距离依赖关系;其次,通过提出的多监督对比学习方法最大限度地挖掘正负样本信息,使去雾图像在投影后的隐空间中更靠近清晰图像,同时远离有雾图像;最后,利用多阶段渐进式网络结构和可变形自注意力机制有效地整合图像局部细粒度特征和全局粗粒度信息。本文在2个合成数据集和3个真实数据集上对所提出的方法进行了大量的实验,结果表明:所提出的MSTCNet方法在5个数据集上的峰值信噪比(PSNR)分别提高了1.49、1.45、0.11、1.45和0.22 dB,在通用数据集与非数据集的测试中均超越已有的方法,在浓雾质、非均匀雾质以及均匀雾质的测试中均表现出最佳的去雾视觉效果,并达到最高的客观评价指标值。

Web前端性能优化方法研究分析

介绍了一些常见的Web前端优化方法,包括使用HTTP/3协议、使用Web Components、渐进式网络应用(progressive web apps,PWA)程序等,并提供一个具体的优化典例分析。通过对典例进行优化,使用内容分发网络(content delivery network,CDN)加速、图片压缩、代码优化等技术可以将网站的响应时间降低约50%,并且实现懒加载并进一步缩短了页面加载时间。而采用新缓存模型,可以有效利用缓存,减少对服务器的请求次数和带宽消耗,从而提高Web应用程序的速度和用户体验。