空间位置矫正的稀疏特征图像分类网络

为稀疏语义并加强对重点特征的关注,增强空间位置和局部特征的关联性,对特征空间位置进行约束,本文提出空间位置矫正的稀疏特征图像分类网络(SSCNet)。该网络以ResNet-34残差网络为基础,首先,提出稀疏语义强化特征模块(SSEF),SSEF模块将深度可分离卷积(DSC)和SE相融合,在稀疏语义的同时增强特征提取能力,并能够保持空间信息的完整性;然后,提出空间位置矫正对称注意力机制(SPCS),SPCS将对称全局坐标注意力机制加到网络特定位置中,能够加强特征之间的空间关系,对特征的空间位置进行约束和矫正,从而增强网路对全局细节特征的感知能力;最后,提出平均池化残差模块(APM),并将APM应用到网络的每个残差分支中,使网络能够更有效地捕捉全局特征信息,增强特征的平移不变性,延缓网络过拟合,提高网络的泛化能力。在多个数据集中,SSCNet相比于其它高性能网络在分类准确率上均有不同程度的提升,证明了其在兼顾全局信息的同时,能够更好地提取局部细节信息,具有较高的分类准确率和较强的泛化性能。

融合项目特征级信息的稀疏兴趣网络序列推荐

在以往提取多兴趣嵌入的序列推荐模型中仅能通过聚类的方法发现少量兴趣概念,忽视项目交互序列中特征级信息对最终推荐结果的影响。针对此问题,对传统的多兴趣序列推荐模型进行改进,提出一种融合项目特征级信息的稀疏兴趣网络序列推荐模型。实验结果表明,相比其它模型,该模型可以更好捕捉用户的多样化偏好并缓解冷启动问题。在给定数据集上,该模型比传统的序列推荐模型在命中率上平均提高了6.4%,归一化折损累计增益平均提高了8.7%。

基于点云稀疏空间特征聚合激励的单阶段3D目标检测模型

针对目前基于点云的3D目标检测中单阶段体素法存在感受野固定、特征尺度单一,导致模型对点云特征学习不够充分、模型检测效果存在瓶颈等问题,提出了一种可端对端训练的基于体素的单阶段3D目标检测模型.首先,利用多尺度稀疏空间特征聚合模块,聚合点云在不同稀疏空间尺度上的特征,使特征充分保留点云的空间信息;然后,对特征进行分层激励,通过多尺度感受野对特征进行分层学习,强化特征的表达能力,降低噪声信息对检测结果的影响;最后,将特征输入检测头进行候选框的分类和回归.在公开的自动驾驶数据集KITTI上与主流单阶段3D目标检测模型进行了对比实验,包含对3类目标共9个的难度等级目标的检测.所提模型在其中5个等级中的平均准确率有明显提升,尤其对点云稀疏的目标,表现出较好的检测效果.实验结果表明,所提模型能够充分提取点云空间信息并有效地学习点云多尺度特征.

基于稀疏矩阵结构的特征选择算法现状研究

在信息时代,数据获取方式简单快捷,使得数据量呈指数型增长。然而这些数据往往是多源高维的,增加了模型的复杂度,容易造成模型过拟合,并且数据中存在的冗余特征会降低模型分类精度。特征选择算法旨在通过去除不相关、冗余或嘈杂的特征,从原始特征中选择一小部分最有效特征,达到降维的效果。目前特征选择算法种类繁多,其中,基于稀疏矩阵结构的特征选择算法由于具有模型简单易懂和易求解的特点而被学者们广泛关注。本文归纳总结了基于稀疏矩阵结构的特征选择算法分类,重点介绍了鲁棒特征选择模型和多视图特征选择模型。首先,介绍了基于稀疏矩阵结构的特征选择算法基本框架;然后,介绍了基于稀疏矩阵结构的一般模型、鲁棒特征选择模型、多视图的特征选择模型,比较了它们在解决目前特征选择算法研究难点中存在的优势和不足;最后,对基于稀疏矩阵结构的特征选择算法进行了总结。文章阐明了理论研究中存在的问题和难点,探讨了基于稀疏矩阵结构的特征选择算法发展思路。

混合高斯噪声条件下稀疏表示方法及其在冲击类故障特征提取中的应用

传统稀疏表示方法因其在冲击类信号特征提取中的独特优势而在故障诊断领域被广泛研究。然而,传统稀疏表示理论基于对干扰噪声的高斯分布假设,导致其难以适用于多种噪声分布混合的实际现场。针对上述问题,提出一种混合高斯噪声条件下的冲击类故障特征稀疏表示方法。基于传统稀疏表示理论的贝叶斯框架,借助混合高斯分布的万有逼近性质,建立了基于db4小波字典的混合高斯噪声稀疏分解模型,并推导了基于EM(Expectation-maximum,EM)和ADMM(Alternating direction method of multipliers,ADMM)的优化求解算法用于模型求解。仿真和实验结果表明,所提出的方法能够有效提取混合噪声干扰下的冲击类微弱故障特征信号。

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。

双支路注意力特征融合的卷积稀疏编码目标检测

针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

基于单目SLAM稀疏特征的避障方法

为在使用单目相机的低成本移动机器人上实现避障,提出一种基于现有单目SLAM系统生成的稀疏特征的可通行区域检测方法。通过使用单目SLAM生成的稀疏地标点标识障碍物,根据环境信息恢复构建三维体素地图,生成二维栅格代价地图。为解决单目SLAM中尺度不明确的问题,提出一种基于视觉-轮式编码器的尺度求解器。通过直接使用机器人已有的SLAM框架生成的地标点,在降低系统整合成本同时降低计算量。实验结果表明,在KITTI和DRE数据集上构图的耗时在10 ms~20 ms,可以很好满足在性能受限的设备上的实时避障需求。

基于输入特征稀疏化的图神经网络训练加速

图神经网络(graph neural network,GNN)是处理图数据的重要方法.由于计算复杂、图数据容量大,在大规模图上训练图神经网络依赖于CPU-GPU协作和图采样训练方法,其中图结构和特征数据存储在CPU内存中,而采样得到的子图及其特征则传输至GPU进行训练.然而,这种方法面临着严重的图特征数据加载瓶颈,显著降低了端到端训练性能,且图特征占用过多内存,严重限制了可训练的图规模.为了解决这些问题,我们提出了基于输入特征稀疏化的数据加载方法,显著减少CPU内存占用和跨PCIe总线传输的数据量,大幅缩短数据加载时间,加速GNN的训练,使其可以充分利用GPU计算资源.针对图特征和GNN计算特性,我们提出了适用于图特征数据的稀疏化方法,在压缩比和模型准确度之间达到平衡.我们在3个常见GNN模型和3个不同规模的数据集上进行了实验评估,包括最大的公开数据集之一MAG240M.结果表明,此方法将特征尺寸减小了一个数量级以上,并实现1.6-6.7倍的端到端训练加速,而模型准确度的降低不超过1%.此外,在仅使用4个GPU的情况下,仅需40 min就可以在MAG240M上完成GraphSAGE模型的训练并达到目标准确度.

基于一种改进稀疏动态慢特征分析的高速公路服务区空调空气处理单元故障检测研究

高速公路服务区暖通空调空气处理系统表现出很强的双向动态特性,为了通过处理空气处理系统的双向动态特性和对提取的潜在变量施加稀疏性,本文提出一种改进的稀疏动态慢特征分析策略来检测空气处理系统的故障。在提出的稀疏动态慢特征分析中,采用自回归移动平均模型来揭示变量之间的自相关关系。然后应用多路数据分析,通过将扩充的三维数据集转换为展开的矩阵,计算出在多个批处理运行中的分批动态特性。进一步建立动态慢特征分析模型充分处理批运行中的时间动态特性。最后,融入特征稀疏表示技术,通过对负载向量进行稀疏约束,消除了无意义变量之间的耦合。在ASHRAE研究项目RP-1312实验数据集上进行的案例研究验证了所提出的故障检测方案的有效性。

基于Haar-like特征分类器的列车受电弓智能定位研究

弓网系统在高速行驶的动车组运行过程中发挥着至关重要的作用,列车在运行过程中,受接触网高度变化、列车运行线路复杂背景等因素影响,给受电弓的准确定位及后续故障检测带来巨大干扰。本文提出了一种基于Haar-like特征分类器的列车受电弓智能定位方法。该方法采用积分图方式来高效计算受电弓监测视频帧下的Haar-like特征,利用Adaboost算法训练受电弓分类器,从而得到级联boosted分类器,以完成受电弓的实时位置检测。上述方法的有效性和泛化性在2段真实的受电弓监控视频流中得到验证,实现了在复杂背景噪声下的受电弓区域的准确有效定位。

基于无人机可见光图像Haar-like特征的水稻病害白穂识别

实现稻田精准植保的关键是自然环境下病变区域的准确识别。为实现大面积稻田中白穗的精确识别,该文提出一种小型多旋翼无人机水稻病害白穂识别系统,该系统以无人机平台作为图像采集、处理和识别的基础,首先对白穗图像提取Haar-like特征,其次以Adaboost算法进行白穗训练识别。以4类Haar-like特征及其组合构建弱分类器,用采集的稻田白穗和背景共700个样本点训练生成强分类器。所得强分类器对测试集中65幅图像中的423个白穗样本点进行识别验证,结果表明:白穗识别率可达93.62%,误识别率为5.44%,该方法可有效抑制一般的稻叶遮挡、稻穗黏连以及光照等复杂背景的影响,适合于自然环境下的稻田白穗现场识别。

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法.Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征.结合Haar-Like矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测.人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果.

一种Haar-like和HOG特征结合的交通视频车辆识别方法研究

由于前向和后向车辆的表观特征不同,单纯使用主流的HOG或者Haar-like特征来识别车辆会存在对某一方向行驶的车辆识别率低或者误识率高的问题.针对上述问题,提出了一种Haarlike和HOG特征结合的交通视频车辆识别方法.在训练阶段,对前后向车辆分别采用Haar-like和HOG特征来提取车辆特征,引入反馈式的AdaBoost算法训练车辆分类器,提高车辆识别的速度以及准确率;在识别阶段,根据车辆运行状态确定前后向车辆,再利用对应的车辆分类器进行多尺度遍历识别.在不同光照强度的高速公路视频中进行车辆识别实验,前后车辆的平均识别率达到93%,误识别为9%.

基于Haar-like特征的实时L1-跟踪算法

稀疏表示技术已成功应用于视觉跟踪,但是仍然存在跟踪算法效率低的问题。提出一种基于Haar-like特征的视频跟踪算法,该算法是基于粒子滤波框架的L1-跟踪算法,其特点是运用Haar-like特征及特征块的思想对完备基进行重新构造。将正负小模板由单个像素改为像素块,降低稀疏表示中过完备基的维数,大幅减少稀疏矩阵的计算量;同时,在保证跟踪质量的前提下适当减少目标模板数量,减少稀疏计算的次数,并控制模板更新频率。实验结果表明,所提算法能大幅提高跟踪的实时性,同时很好地解决了跟踪问题中的短时间遮挡、目标物体的形变以及光照变化等问题。

融合L2范数最小化和压缩Haar-like特征匹配的快速目标跟踪

在贝叶斯推理框架下,基于PCA子空间和L2范数最小化的目标跟踪算法能较好地处理视频场景中多种复杂的外观变化,但在目标出现旋转或姿态变化时易发生跟踪漂移现象。针对这一问题,该文提出一种融合L2范数最小化和压缩Haar-like特征匹配的快速视觉跟踪方法。该方法通过去除规模庞大的方块模板集和简化观测似然度函数降低计算的复杂度;而压缩Haar-like特征匹配技术则增强了算法对目标姿态变化及旋转的鲁棒性。实验结果表明:与目前流行的跟踪方法相比,该方法对严重遮挡、光照突变、快速运动、姿态变化和旋转等干扰均具有较强的鲁棒性,且在多个测试视频上可以达到29帧/s的速度,能满足快速视频跟踪要求。

基于扩展的Haar-Like特征和LBP特征的人脸压缩跟踪算法

针对传统的压缩跟踪算法采用简单的Haar-Like特征而在遮挡、光照变化、物体形变及背景干扰等情况下易产生目标漂移而导致跟踪失败的问题,提出了一种基于扩展的Haar-Like特征和局部二值模式(LBP)特征相结合的改进压缩跟踪算法,并运用于特定目标即人脸的跟踪。利用扩展的Haar-Like特征搜索目标的粗略位置,应用LBP特征充分表征人脸并进行精确跟踪来定位人脸目标的最佳位置。与简单的Haar-Like特征相比,LBP可以构建更稳定的目标表观模型,并扩展原有的Haar-Like特征,使算法在不同环境干扰下更鲁棒,同时也提高了跟踪算法的精度。实验证明:改进后的人脸压缩跟踪算法比传统的算法性能更优越。

基于稀疏表示的数控机床主轴故障特征提取

数控机床主轴振动信号中包含丰富的设备运行状态信息,对故障监测分析而言具有重要价值。振动信号在时域呈现出非平稳特性,在噪声背景下难以有效提取故障信息。对此,提出一种基于稀疏表示的数控机床主轴故障特征提取方法。采用希尔伯特-黄变换对原始时域信号进行处理,在展开的瞬时频率谱上构建信号的过完备字典,并运用稀疏主成分分析对信号的字典系数矩阵进行求解,得到故障特征的稀疏表示。通过仿真,验证了这一方法的优点和有效性。

基于Haar-like矩形特征的交通标志识别

针对道路交通标志识别系统中的识别精度和识别实时性问题,提出一种基于Haar-like矩形特征的交通标志识别算法。为了提高提取速度,用积分图像先对样本库进行处理,提取Haar-like矩形特征做为特征向量。提取的特征向量因维数过高,应用PCA降维法对数据进行降维。将降维后的特征向量用来对支持向量机训练。实验结果表明,Harr-like矩形特征向量具有形式简单,计算速度快等优点。在小样本的目标识别中,利用SVM进行分类识别,取得很好的识别效果,并在识别耗时上有所优化。

基于Haar-like和肤色特征的驾驶员脸部检测融合算法

对驾驶员面部疲劳状态进行视觉监测的前提是脸部区域的准确、快速检测。采用改进的基于Haar-like特征的人脸检测算法检测出可能存在的初始人脸区域,然后适当扩大初始人脸区域范围,并在此基础上利用肤色特征和区域连通算法在YCbCr和rgb颜色空间上对人脸区域进行二次定位,最后根据定义的脸部区域重合度和人脸几何特征,实现脸部区域的融合检测。实验结果验证了该算法的准确性和可靠性。