基于通道注意力的协作智能特征压缩算法

由于越来越多的视频开始使用机器视觉进行任务分析,以往面向人眼的视频压缩方法难以保障视频目标检测等任务性能。对此,提出一种基于通道注意力的协作智能特征压缩算法。首先,选择分裂点特征,将其作为特征压缩网络的输入;其次,使用通道注意力对特征进行通道冗余去除,使用卷积进行空间冗余去除;最后,运用广义除法归一化减少噪声,以确保重建特征的还原度。实验结果表明,该特征压缩算法可以有效缓解通信带宽压力,高质量重建特征,保障目标检测任务性能。

基于码率-准确率优化的图像特征压缩

在智慧城市、智慧巡检、智慧交通等场景中,摄像头等终端设备会产生大量的图像视频数据,并在云端由智能处理算法进行图形分析。然而传统的源端图像视频压缩传输,后端特征提取与分析识别的处理框架易造成视觉特征受损,影响分析识别精度。因此,源端提取图像特征,压缩后传输到后端的处理框架成为新的热点。文中提出了一种基于码率-准确率优化的图像特征压缩方法。首先,提取图像特征,分析划分特征图重要性的标准,将特征图分为重要性和非重要性特征两部分,并分别进行量化。在此基础上,建立码率-准确率的模型,在给定码率条件下,求解最优的准确率,确定相应的量化参数。以图像分类作为智能分析任务开展了实验。实验结果表明,所提出方法可以优化选择不同区域的量化参数,获得更好的编码性能。在低码率的条件下,相较JPEG算法准确率提高9.73%。

面向协作智能应用的深度特征压缩方法

协作智能是一种实现深度神经网络(Deep Neural Network,DNN)分布式部署的新范式,广泛适用于物联网系统视觉场景感知应用。在该范式中,DNN模型被划分为边缘子模型和云端子模型两部分,分别部署在移动边缘设备和云服务器上,由两者协作完成推理任务。协作推理过程中需要对边缘子模型生成的深度特征进行压缩,通过无线信道传输给云端子模型,以降低传输延迟和传输能耗。为了提高深度特征的压缩率,提出了一种基于轻量级卷积神经网络的深度特征压缩方法(LCFC)。该方法设计了一种简单高效的深度特征压缩器,它利用轻量级卷积神经网络和均匀量化器对深度特征进行通道维度压缩、空间维度压缩和量化,能显著提升深度特征的压缩率,减少用于传输深度特征所需的比特数。所提出的方法在CIFAR-100图像分类任务上进行了充分实验,实验结果表明,在保证推理精度退化小于1%的情况下,与基线方法相比,该方法将深度特征压缩率最高提升了31.5%。

面向机器视觉任务的多尺度图像特征压缩算法

针对协作智能框架中机器视觉任务的中间特征数据量大、难以高效传输等问题,提出了一种多尺度图像特征融合压缩算法。首先,根据边缘设备上深度学习模型输出的多尺度特征,设计级联残差变换模块,通过不同尺寸特征的逐级相减,消除多尺度特征的相关冗余,并将残差特征压缩到统一尺寸;然后,设计自编码器,用算术编码来消除紧凑特征的统计冗余;接着,在云端根据解码的紧凑特征设计预测重建模块生成预测特征,并与残差特征相结合实现多尺度特征的精确重建;最后,通过构建联合优化函数对残差变换、自编码和预测重建3个模块开展协同优化,实现传输码率与信息表征能力的最优权衡。仿真实验结果表明:所提算法在空间压缩时不仅特征压缩率最大,而且重建特征最完整;在传输码率为0.1bit/像素时,与图像编码算法(VVC)和特征压缩算法(MSFC)相比,所提算法的模型精度分别提高了8.57%和3.87%。该研究可为机器视觉编码框架提供技术支撑,具有一定的工程应用价值。

深度学习模型中间层特征压缩技术综述

深度学习模型中间层特征压缩作为深度学习领域中一个新兴的研究热点被广泛关注并应用于边端—云端智能协同任务中。针对深度学习模型中间层特征压缩的研究现状,对当前压缩方式中存在的问题进行分析总结。首先,系统地分类阐述了基于图像/视频编解码框架、基于特征通道比特分配和基于深度学习网络结构的三种深度学习模型中间层特征压缩方式;随后,对比了三种深度学习模型中间层特征压缩方式在数据集上的表现;最后,探讨了当前深度学习模型中间层特征压缩研究面临的挑战,展望了中间层特征压缩技术未来的发展趋势。

基于自适应特征压缩与工况干扰抑制的汽轮机回热器故障预警方法研究

随着风、光等间歇性、波动性新能源的不断入网,渗透比逐渐增加,电网的调峰调频需求能力面临着严峻的挑战。火电机组承担了越来越重的调峰调频任务,并且在未来场景下火电机组会更加深入的参与电网调节中。这将影响运行的经济性并加剧设备的空载。给水加热器在机组中起着重要的作用,其及时的故障预警对提高机组的运行可靠性意义重大。然而,汽轮机作为庞大复杂系统,众多特征参数蕴含的信息是冗余的,淹没故障早期微弱征兆。基于此问题开展了回热器性能退化故障早期预警方法研究。考虑共模信息以及不同工况对故障早期预警干扰,提出利用稀疏自编码器进行特征自适应压缩的常模式建模方法。通过案例机组的实际数据验证了提出方法可实现灵敏的换热性能退化早期预警,相比于传统特征工程方法具有优势。

基于公共情感特征压缩与融合的轻量级图文情感分析模型

由于图文结合更能反映用户的态度和立场,图文情感分析已成为研究热点之一.然而,现有图文情感分析方法无法有效地提取融合图文信息,致使模型性能低、参数量大、不易部署.对此,提出了一种基于公共情感特征压缩与融合的轻量级图文情感分析模型.该模型结合卷积层和全连接层设计的图文特征压缩模块在提取图文特征的同时也进行了压缩,降低了特征维度.此外,提出了一种基于门控机制的公共情感特征融合模块,将图文特征映射到相同的情感空间,消除了图文特征间的异构性,通过提取、融合图像和文本的公共情感特征,减少了冗余信息.在Twitter,Flickr,Getty Images这3个基线数据集上的实验结果表明:所提模型比早期模型更有效地提取融合了图文情感信息;和最新模型相比,所提模型大大减少了模型参数并具有更优越的性能,更易部署.

一种新的基于信息论的PCA特征压缩算法

利用 Shannon信息论理论 ,针对矩阵本征值的内在特性 ,提出了广义信息函数 (GIF)、信息率 (IR)和累计信息率 (AIR)概念 ,用它度量了特征压缩的程度 ,建立了一种新的基于信息论的 PCA特征压缩算法 ,并进行了仿真应用 。

一种用于雷达HRRP功率谱的加权特征压缩方法

针对雷达高分辨距离像的平移不变特征———功率谱特征,提出了一种基于F isher判决率的加权特征压缩方法.该方法利用目标功率谱特征的F isher判决率迭代搜索最优权向量,并根据最优权值的大小对特征向量降维.与直接使用原始功率谱特征及基于F isher可分性判据的几种现有的特征压缩方法相比,加权特征压缩方法在降维的同时可提高识别性能,且运算简单,在基于外场实测数据的识别实验中对测试数据具有良好的稳健性.

基于核Fisher判别分析的粮虫特征压缩方法

针对粮仓害虫种类多、类别之间相似度比较高的特点,提出基于核Fisher判别分析的粮虫特征压缩方法.利用高斯径向基核函数,对特征选择后的10维原始数字特征进行核Fisher判别分析,即通过非线性变换将样本数据从输入空间映射到高维特征空间,然后在高维特征空间进行特征提取.从粮虫分类效果方面,将KFDA法与FDA法、PCA法和KPCA法3种方法进行了比较分析.应用KFDA法提取的前4个特征,由最近邻分类器对粮仓中常见的9类粮虫进行分类,验证集的识别率为93.33%.结果表明:KFDA法对粮虫特征的非线性比较敏感,在有效降低特征维数的同时,还提高了类别之间的可分性.

基于PLS的信息特征压缩算法

提出了基于偏最小二乘 (PLS)方法的信息特征压缩算法 较主成分分析 (PCA)方法 ,该算法具有简单、稳健、易于定性解释等优点 ,对于多重共线性资料 ,尤其当解释变量多 ,而样本量少时很有效 由于在考虑压缩数据矩阵X的信息的同时 ,顾及了与目标矩阵Y的最大相关性等优点 ,使之更符合实际 数值实例研究表明 ,文中算法是可行的、有效的 。

目标信号特征提取中的特征压缩及其算法研究

为在特征提取中充分利用目标信号的特征信息,对原始特征空间的建立和特征压缩的过程进行了讨论.采用对目标单一特征信号的λ水平能量聚点的序优化方法建立原始特征空间,通过建立基于对称相对熵分布的优化模型给出了特征选取的方法,在舰船声场通过特性研究中的算例表明算法效果良好.

尺度自适应特征压缩跟踪

为了对复杂环境中的目标进行长时间精确跟踪,提出一种尺度自适应特征压缩跟踪算法。通过结构约束性采样,获取不同位置不同尺度的扫描窗,离线计算不同尺度下的稀疏随机感知矩阵。在线跟踪时利用这些矩阵感知对应尺度的图像采样块,实现特征降维,提高运算速度。利用朴素贝叶斯分类器对降维特征进行判决,在线学习更新分类器参数,找出具有最高分类得分的采样块及其尺度作为新的跟踪结果,实现跟踪位置及尺度的自适应更新。实验结果表明,该算法能适应目标的基本姿态变化及尺度缩放,不依赖于目标初始跟踪区域尺度选取,跟踪结果具有较强的鲁棒性。

储粮害虫图像识别中的特征压缩研究

为了降低储粮害虫特征空间的维数,并去除粮虫特征之间的信息冗余,需要对特征选择后的特征进行压缩处理。运用基于总体类内离散度矩阵K-L变换的特征压缩和基于距离可分性准则的特征压缩2种压缩方法,分别在累积贡献率为88.11%和99.13%的情况下,将粮虫的10维特征压缩为5维。应用压缩后的5维特征,由基于模糊决策的模糊分类器对粮仓中常见的9类粮虫进行识别分类,识别率分别为93.33%和95.56%。结果证实了基于距离可分性准则的特征压缩更适合于粮虫的特征压缩。

基于改进LLE算法的机械故障特征压缩与诊断

局部线性嵌入法(locally linear embedding,LLE)是一种典型的流形学习算法。在分析LLE算法的基本计算思路的基础上,提出了一种基于最佳分类效果的k和d综合参数选择方法。此方法综合考虑了故障类内和类间的离散度,并以此作为LLE算法特征压缩效果的评价依据。根据LLE算法的局部线性特征保持的基本特点,提出了一种增量式LLE算法用于柴油机机械故障特征压缩与诊断中。以平均子带能量法构造特征向量空间,子带数目的确定以同种故障类型特征参数间方差最小为准则。实验中,分别使用基于最佳参数选择的LLE算法、传统的主成分分析(principal component analysis,PCA)、增量式LLE算法对柴油机特征向量进行压缩,并对这三种算法的特征压缩结果运用K近邻算法(K-nearest neighborm,KNN)进行故障诊断与分类。结果表明基于最佳参数选择的LLE算法的诊断分类效果要优于传统的PCA方法,增量式LLE算法也取得良好的分类效果。实验表明,对LLE算法进行有关改进可以很好地应用到机械故障特征压缩与诊断中。

基于SCEC的信息特征压缩算法

对交互熵理论进行了研究,提出了对称交互熵的概念,并论证了它是一种距离测度,可以用以度量两个随机变量的差异程度,我们把它作为信息特征压缩的类别可分性判据,称之为对称交互熵判据(SCEC),建立了基于SCEC的信息特征压缩算法.模拟应用表明,提出的算法是一种有效的、可靠的算法,为模式识别理论的研究提供了一种新的数据压缩方法.

基于K-L特征压缩的云计算冗余数据降维算法

提出一种基于K-L(Karhunen-Loeve Transform)特征压缩的云计算冗余数据降维算法.在冗余数据的重构相空间中进行高维特征提取,采用K-L特征压缩方法降低云计算冗余数据的维数,设计改进的FIR滤波算法实现冗余数据滤除.仿真结果表明,采用该算法能有效实现对云计算冗余数据的特征空间降维和滤除处理,提高云计算读写速度,降低计算开销.

特征压缩激活作用下U-Net网络的煤尘颗粒特征提取

为研究煤尘颗粒的图像特征内在机理,以选煤厂为项目背景区,包含6个工作面1500个煤尘图像信息为依托,搭建特征压缩激活U-Net卷积神经网络并对煤尘颗粒图像进行语义分割。首先通过现场采样获取煤尘颗粒样本,建立图像数据集并输入到分割网络;其次通过网络左半部模型完成煤尘特征的批量归一化和压缩激活,获得输出特征传递到网络右半部模型进行上采样以恢复煤尘特征图像尺寸,完成煤尘颗粒信息的二分类;最后运用二值交叉熵及合页协同损失函数训练网络并缓解分割任务中的颗粒特征类别不平衡问题。通过搭建模型进行仿真试验:①通过试验仿真二值交叉熵及合页协同损失函数对网络分割性能的影响;②通过试验评估所提出的优化网络与常规颗粒图像提取算法FCN,SegNet,DeepLab,SENet,U-Net网络的分割性能,并验证所提出的优化网络的特征信息提取能力;③在试验①,②结果基础上,采用八邻域特征算法实现煤尘颗粒的定位标注,提取颗粒占比特性参数。研究结果表明,二值交叉熵及合页协同损失函数可获得较优分割效果;所提出的Unet-SE改进网络模型对不同形状及粒径的颗粒类别具有较优的学习效果,其学习性能指标:准确率、召回率以及F_(1)分数分别提高到0.8732,0.8434和0.8580。与其他识别算法相比,改进算法可有效增强煤尘特征的学习能力,大幅缩短训练时间,并精确获取颗粒特征更多细节信息。

改进的模糊聚类特征压缩及其应用

针对模糊聚类特征压缩的特征数目确定问题,提出了一种改进的模糊聚类特征压缩算法。该算法通过引入聚类有效性函数,实现了最优特征数目的自动确定。通过模拟电路故障诊断的仿真实验,验证了算法的有效性。

基于二次特征压缩技术的油液监测方法研究

油液监测特征众多信息冗影响了识别速度和效率,需要对特征进行选取和压缩,论文利用最小错误概率判别方法,得出各个特征的敏感性,根据所分析特征的敏感性的不同,对油液监测特征进行了选择。在此基础上提出对称相对熵油液监测特征进行二次压缩,得到新的特征向量。实验结果表明该算法在保留油液监测特征大部分信息的基础上,减少了特征量,提高了油液监测的计算速度和识别效率。