管道漏磁信号分类的多特征融合网络研究

【目的】地下管道如预应力钢筒混凝土管(PCCP)等检漏是城市基础设施管理和维护中至关重要的一项工作。提出一种识别地下管道弱磁分布类型的磁异常多特征融合网络(MMF)。【方法】充分利用标准正交基函数(OBF)和最小熵(MED)两种检测特征,以全面而准确地捕捉漏磁信号的复杂特性。首先,在不同物径距离上利用OBF和MED进行磁异常检测,获取实测目标磁场特征;其次,融合磁场特征设计多特征融合网络MMF,并引入多头注意力机制捕捉序列磁场中的复杂关系和特征;最后,采用多特征熵权法MFEW,根据输入特征熵分配网络权重。【结果】实验结果显示,MMF网络异常分类达到了98.86%的精度,AUC评估结果为99.25%,同时模型更加精简,具有更高的计算效率,能够在相对较短的训练时间内取得令人满意的性能。

基于多时间特征融合网络的ADS-B实采信号分离

不同于以往单天线广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)信号分离中利用仿真的ADS-B信号制作数据集,将单天线接收的真实飞机发射的ADS-B原始信号通过调整信号起始时间以及功率并人为增加噪声来制作数据集。为了提高信号分离的时域波形精度,提出一种多分辨率多时间特征融合重采样(Multi-Temporal fusion Resampling of Multi-Resolution Features,MTRM-RF)网络,通过卷积将信号转化成不同采样率的信号并分别使用多层堆叠逐渐膨胀的一维卷积提取不同时间间隔的特征,以获得更多的时间信息。对多种基于深度学习的语音分离网络进行比较发现,MTRM-RF网络能够有效地融合ADS-B信号的不同采样率、不同时间间隔采样点的特征进行训练。并且随着训练集数据量的增加,分离信号的平均解码正确率达到88.39%,证明该网络可有效分离单天线实采的ADS-B交织信号。

基于多尺度特征融合网络的苹果病害叶片检测

准确地检测出苹果叶片的病害对提高苹果产量和质量具有重要意义。针对现有苹果叶片病害检测模型信息利用不充分,导致检测性能不佳的问题,提出一种基于多尺度特征融合网络的苹果病害叶片检测方法。首先,利用深度可分离卷积改进传统Vgg-16网络,并作为苹果叶片病害图片的全局特征提取器;其次,利用Swin Transformer网络作为局部特征提取器;然后,提出一种多尺度特征融合网络将局部和全局特征进行融合,构造多尺度特征;最后,将融合的多尺度特征作为全连接网络的输入,实现苹果病害叶片的检测。实验结果表明,所提出方法可以实现93.98%的准确率、94.11%的精准率、93.93%的召回率和94.62%的F_(1)值。相比当前主流的苹果病害叶片检测模型,在检测精度和模型参数计算量等方面,均具有很强的竞争力。

基于域特征融合网络的跨工况下多组件设备寿命预测方法研究

针对不同工况下多组件设备退化数据分布存在差异导致设备的寿命预测模型精度下降的问题,本文提出一种能适应于不同工况的域特征融合网络(DFF-Net)。首先,把不同工况的退化数据输入到特征提取网络以获取跨工况特征,然后利用域特征融合网络(DFF-Net)对跨工况特征进行域适应调整,最后把调整后的数据输入寿命预测模型,输出不同工况下设备的寿命预测结果。通过在公开数据集上的试验表明,相比于没有增加域特征融合网络的寿命预测模型,本文模型在测试集上预测结果的MAE和RMSE分别降低了6.5%和7.4%,说明本文模型能有效地提高跨工况设备寿命预测的准确率。

基于增强特征融合网络的行人重识别方法

针对行人重识别技术受遮挡、背景冗余、光照、姿态以及检测误差等问题的影响,鲁棒的行人特征表达对正确检索行人越来越重要.为了利用对齐特征和度量学习的优势,进一步分析局部空间语义特征.首先,在特征层面:一是在ResNet50框架中嵌入空间变换结构,自适应对齐局部区域空间特征,解决因局部区域不对齐导致的空间语义不一致的问题;二是通过对齐的局部特征设计一种增强特征融合网络,充分利用语义信息间的关联性提取图像的细节特征.然后,在损失函数层面:提出一种排序矩阵方法选取区域样本对,设计了一种局部三元组损失计算方法,联合正则化分类损失共同训练网络,充分利用融合的增强特征,达到高效度量的效果.最后,文中方法结合现有的重排算法进一步提高了Rank-1与mAP检索精度,在行人重识别基准数据集Market-1501上的实验结果,证明了本文方法的有效性.

基于特征金字塔的多尺度特征融合网络

特征金字塔网络(FPN)是CNN网络对图像信息进行表达输出的一种有效方法,在目标检测网络中广泛应用.然而,FPN没有充分地将浅层的细节信息传递到深层的语义特征,存在特征融合不足的缺陷,因而只能依靠深层语义信息来进行预测,从而忽略了网络低层细节信息,对各种视觉学习的效果造成了一定的影响.针对FPN存在的以上问题,本文提出基于特征金字塔的多尺度特征融合网络模型,在FPN主干网络的基础上,设计了混合特征金字塔和金字塔融合模块,并结合注意力机制,对特征金字塔进行了多尺度的深度融合.本文在PASCAL VOC2012和MS COCO2014数据集上,以Faster R-CNN作为基础检测器进行实验,验证了MFPN对特征融合的有效性.

基于特征融合网络的行人重识别

行人重识别旨在大规模的分布式监控系统中进行行人目标匹配,紧凑且具有鲁棒性的特征表达对其至关重要,为此,本文提出了一种基于特征融合网络的特征提取方法.首先,利用STEL算法增强了LOMO特征对背景噪声的抗噪性能,利用KPCA算法降低维度以便于后续融合.随后,本文探索了手工特征和CNN特征的互补性,将改进LOMO特征融入至卷积神经网络之中,得到了区分度更高的融合特征.在VIPeR和CUHK01数据集上的测试结果表明,本文融合特征的区分度明显高于单一特征和级联特征, Rank-1较级联特征分别提高了3.73%和2.36%.

基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其次利用多维堆栈稀疏自编码器提取各域特征。最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果。经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性。

基于特征融合网络的短波信号规格识别

针对目前短波信号规格识别中特征选取单一、相同调制类型信号区分能力弱的问题,提出了基于特征融合网络的信号规格识别算法,设计了一种以信号矢量图和数据流作为网络输入的识别模型。首先,通过信号预处理,得到矢量图和标准化的信号数据矩阵作为特征源,并由此设计了基于特征融合网络的信号规格识别模型;其次,利用模型的密集连接卷积算法,在避免网络退化的同时,对矢量图和数据矩阵进行深度特征提取、融合与学习,实现对目标信号的规格识别;此外,在构造短波信号数据集时设计了随机频偏策略,进一步提高网络模型的泛化能力。仿真实验表明,所提算法对含有相同调制方式的信号集识别效果较好,且模型空间小、运算速度快,当信噪比为0 dB时识别准确率可达98%。

基于多特征融合时差网络的带式输送机区域违规行为识别

现有的煤矿井下带式输送机区域违规行为(如攀爬、跨越、倚靠带式输送机等)识别方法对特征提取不充分、难以考虑到行为时间差异,导致违规行为识别准确率不高。针对该问题,基于ResNet50模型,提出了一种基于多特征融合时差网络(MFFTDN)的带式输送机区域违规行为识别方法,将多特征融合和时间差分进行结合,对不同时间段的行为进行多特征融合。首先在原始模型ResNet50的第2和第3阶段引入短期多特征融合(STMFF)模块,将来自多个连续帧的时间和特征拼接在一起,再对融合后的特征进行时间差分计算,即相邻帧的特征差值,以在短期内捕捉局部动作变化。然后在原始模型ResNet50的第4阶段引入长期多特征融合(LTMFF)模块,将来自连续帧的短期多特征拼接在一起,再对相邻时间点的特征进行时间差分计算,以获取行为的长期多特征。最后将融合后的特征进行分类,输出识别结果。实验结果表明:①该方法的平均精度和准确率较原始模型ResNet50分别提高了8.18%和8.47%,说明同时引入STMFF和LTMFF模块能够有效提取到不同时间段的多特征信息。②该方法在自建煤矿井下带式输送机区域违规行为数据集上的准确率为89.62%,平均精度为89.30%,模型的参数量为197.2×10^(6)。③Grad−CAM热力图显示,该方法能够更有效地关注到违规行为的关键区域,精确捕捉到井下带式输送机区域的违规行为。

用于单图像超分辨率的全局特征高效融合网络

现有图像超分辨率网络中普遍存在对层间特征利用水平较低的现象,使得在图像重建过程中有细节特征丢失,最终处理结果纹理模糊、图像质量欠佳。为此提出一种用于图像超分辨率的全局特征高效融合网络模型。主体使用对称卷积神经网络实现浅层特征的逐级提取,并结合Transformer完成浅层与深层特征的融合利用。设计的对称自指导残差模块可以在浅层网络实现不同层间特征更具表达性的融合,同时提升网络的特征提取能力;特征互导融合模块可以增强网络对浅层特征与深层特征的融合能力,促进更多的特征信息参与到细图像重建过程。在Set5、Set14、BSD100和Urban100数据集上同近年来的经典网络(HR、CARN、IMDN、MADNet、LBNet)进行性能对比,实验结果表明:所提网络模型在峰值信噪比上有所提升,并在视觉直观对比中取得了较好的图像超分辨率效果,可改善超分辨率图像质量欠佳的问题。

用于胸片分类的自校正特征融合金字塔网络

胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金字塔网络.该网络使用自校正卷积增强疾病部位在特征图上以及通道之间的位置联系,在不引入额外参数量的条件下增大了卷积的感受野,避免无病区域的信息干扰;然后通过特征融合金字塔网络整合多尺度图像特征信息,在获取高分辨率特征图的同时,能够准确地定位病变区域,可以更好地识别不同尺度疾病的特征,在多标签分类任务上具有独特的优势;同时引入频率通道注意力机制强化网络对疾病特征的提取能力,在上采样和特征融合变换之前,减少全局平均池化过程中造成的特征丢失;最后提出一种轮次焦点损失函数区分不同种类胸部疾病的训练程度,根据分类难易程度区分样本,并在不同的训练轮次调整权重,以解决胸部疾病样本分布不平衡问题.在ChestX-ray14数据集上的平均AUC值可达0.853,在CheXpert数据集上的平均AUC值可达0.903,超过了近年来较为先进的网络模型.实验结果表明,该网络与传统的胸部疾病分类网络相比能有效地提高胸部疾病的分类精度,并且具有较强的泛化能力.

基于双层DCT-Mask特征融合算法的堆叠垃圾实例分割

复杂堆叠场景下的垃圾实例分割受到严重遮挡和高密集性特点的影响,具有更大的检测难度。针对该问题,提出了一种结合DCT-Mask和双层特征融合网络思想的实例分割方法,用于高度堆叠场景下的垃圾实例分割。在网络结构层面,首先在数据预处理环节对特征数据进行解耦,并通过双分支特征融合降低堆叠对遮挡物体特征的影响,从而解决复杂堆叠遮挡下的实例分割问题。针对该场景下的密集混淆问题,在候选框分类回归部分融入了级联分类器,并优化了分割网络分支的损失函数。实验采用堆叠垃圾分类实例分割数据集进行实验验证,实验结果表明,该方法的AP_(50)、平均准确率mAP等指标有较大提升,且具有较好的分割效果和一定的可解释性。

基于特征融合网络的糖尿病视网膜病变分类

糖尿病视网膜病变是糖尿病最常见也是最严重的并发症之一。为提高对糖尿病视网膜病变严重程度的诊断准确率,进一步为糖尿病视网膜病变治疗的精准用药提供依据,提出一种新型的特征融合网络模型。首先利用轻量化网络EfficientNet-B0提取眼底图像的不同层特征,使用高层特征结合三个不同空洞率的空洞卷积形成多尺度特征。然后引入多尺度通道注意力模块(MS-CAM),赋予高层特征和低层特征新的权重,对高低层特征进行融合,形成最终的特征表征,从而完成对糖尿病视网膜病变严重程度的分类。实验结果表明,所提模型的分类准确率达85.25%,表明其具有较好的可行性,在临床上给医生诊断起到了辅助作用,能更有效地预防糖尿病视网膜病变的进一步恶化。

基于增强全局-局部特征融合的视频描述生成方法

现有的视频描述生成方法提取的特征及特征组合的方式较为简单,导致模型丢失了部分与视频描述相关的重要语义信息,限制了对视频内容的准确描述和理解。分析存在的不足,提出了一种基于增强全局-局部特征融合的视频描述生成方法。首先采用不同特征提取器分别对视频片段提取局部特征和全局特征,为了建模不同级别特征(局部和全局)的相关性,利用特征融合增强网络进行特征融合,丰富模型的特征信息。解码器使用的双向长短期记忆网络,并在其后加入重构网络,重构经编码器处理得到的视频特征序列,最终经过长短期记忆网络生成视频的描述语句。在MSVD与MSR-VTT数据集上的实验结果表明,提出的模型可以显著提高生成的描述语句的准确性。

基于特征融合并行优化模型的环境γ辐射剂量率数据分析与预测

核电辐射环境监测网(ERMS)能提供实时、连续的监测数据,是核电最重要的外围监督性设施,为辐射环境评估提供数据依据。为掌握影响辐射数据质量的特征要素与及时发现环境的辐射异常,开展高压电离室探测器(HPIC)剂量率数据的特征挖掘与预测研究,提出一种基于奇异谱分析算法(singular spectrum analysis,SSA)的γ辐射剂量率数据预处理方法,从其历史数据中学习涨幅趋势和拐点细节变化;针对数据的多维度特点,设计一种特征融合并行优化模型预测框架,以福建宁德核电站外围11个自动站辐射监测数据、天顶方向总电子含量(VTEC)数据进行实验验证。实验结果表明,该模型对环境γ辐射剂量率预测取得了较好的预测性能与精度。

多模态融合的三维目标检测方法研究

针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。

基于深度学习网络融合的自动调制分类方法

基于深度学习网络的自动调制分类(Automatic Modulation Classification, AMC)方法虽然对大多数通信调制信号能够取得满意的分类效果,但对WBFM(Wide Band Frequency Modulation)信号和MQAM(Multiple Quadrature Amplitude Modulation)信号的分类并不理想。针对WBFM信号误判的问题,使用判决法来筛选WBFM信号;考虑到信号样本不平衡的情况,引入数据增强方法扩充筛选后的WBFM信号。针对MQAM信号混淆的问题,利用分数阶傅里叶变换(Fractional Fourier Transform, FRFT)获取时频维度更多的特征信息。在此基础上,提出一种基于特征金字塔网络和长短时记忆网络并联的多通道特征融合网络(Multi-channel Feature Fusion, MFF)来提取信号的深层特征和浅层特征进行分类。实验结果表明:本文所提方法在一定程度上能够解决WBFM信号的误判问题和MQAM信号的混淆问题;与CNN(ConvolutionalNeuralNetwork)、ResNet(ResidualNetwork)、LSTM(LongShortTerm Memory)、CLDNN(Convolutional Long Short-term Deep Neural Network)网络相比,所提网络具有更高的分类准确率。

融合多模特征注意力机制的伪造文本检测

伪造文本检测是保证社交安全的重要条件。融合多模特征注意力机制的伪造文本检测,实现多类型伪造文本的检测,并提高其精度。针对目前数据集的不足,根据不同的文本生成模型GPT-2、Grover、LSTM等制作了对应的多伪造类型数据集。融合GLTR、Grover和LP(Language and Physical)3个多模特征,使用注意力机制将该3个模型输出进行融合。设计时空特征融合网络充分提取时序信息和局部空间信息。最后添加分类层完成伪造文本的分类。实验结果表明:融合多模特征和时空特征融合网络可提取更多的伪造信息,同时充分融合了时序和局部空间信息,提升了伪造文本的表征能力,且泛化能力也优于以往网络。

基于时空多特征融合网络的三维人体姿态估计

目前,常见的三维(3D)人体姿态估计算法在表征学习上取得很好的效果,但是在人体骨架关节点处依然存在估计精度不佳等问题,因此,如何从单目RGB图像中利用冗余的二维(2D)姿态序列时空信息来估计人体姿态的有效方式是一个研究的难点。本文提出一种基于时空多特征融合网络的三维人体姿态估计算法,具体是结合一种图像外观信息和运动时序信息时空多特征融合层级方法,该方法利用一种紧凑的卷积神经网络(convolutional neural network, CNN)学习时空信息将二维关节点位置信息建模为三维关节点位置。实验结果表明,本文所提出的方法能实现较为先进的端对端姿态估计精度,而且不需要任何后处理阶段的姿态优化方法,本文得到的姿态估计在平均精度上得到有效的提升,证明本文方法能够有效提高人体姿态估计的准确性。