用于旋转机械状态趋势预测的量子注意力循环编码解码神经网络

提出了基于量子注意力循环编码解码神经网络(QAREDNN)的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼近能力;采用量子神经元构建了一种活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU),QGRU不仅能够更加精细地遍历解空间,还具有大量的多重吸引子,因此QGRU能代替传统编码器和解码器中的循环单元以提高QAREDNN的泛化能力和响应速度;通过引入Levenberg-Marquardt(LM)法来提高QAREDNN的量子旋转矩阵的旋转角和注意力参数的更新速度。滚动轴承状态趋势预测实例验证了该方法的有效性。

基于编码-解码神经网络遥感图像语义分割应用研究

图像分割的实现经历了从传统方法到神经网络方法的演变。本文从图像分割的发展过程入手,介绍了图像分割与语义分割的区别,对最近几年传统图像分割方法在遥感图像分割领域的应用进行梳理分析,总结了传统遥感图像分割方法的不足。基于此,归纳了几种经典编码-解码神经网络架构在遥感图像语义分割领域的应用,对其改进方式进行了综合性分析,并对其未来的发展趋势进行展望。

一种基于神经网络的图像去雾算法

针对传统暗通道去雾算法在处理大面积天空区域部分时易出现光晕的缺点,提出了一种传统算法与神经网络相结合的去雾网络。首先经由暗通道去雾算法和Retinex算法分别获得两幅待融合图像,然后基于编码解码的神经网络构建一个图像融合去雾网络系统。训练阶段在编码网络中加入密集块结构,增强了模型的稳健性,便于从更高维度提取特征信息;测试阶段利用gamma校验因子预处理待融合的图像,减少了图像处理过程中的光晕现象问题。合成有雾图像处理的实验结果表明,该算法合理地将传统算法和神经网络去雾算法融合起来,构建一个新型去雾模型,提高了去雾精度,无论是在室内、室外合成数据集中去雾效果均有提升;较现有经典算法峰值信噪比至少提高18.7%,而且对自然雾天图像的处理效果明显;在图像物理细节信息处理方面对比已有算法有了一定的提高,为研究图像去雾提供了新思路。

ED-NAS:基于神经网络架构搜索的陶瓷晶粒SEM图像分割方法

为了提高深度卷积神经网络(Convolutional Neural Network,CNN)设计的自动化程度并进一步提高陶瓷晶粒扫描电子显微镜(Scanning Electron Microscope,SEM)图像分割的准确性,提出了一种基于神经网络架构搜索的陶瓷晶粒图像分割方法 .该方法设计多分支结构编码空间和链式结构解码空间,并构造多分支结构编码Cell和链式结构解码Cell;同时基于强化学习分别搜索最佳编码Cell和解码Cell;此外,基于编码-解码神经网络架构堆叠最佳Cell构建陶瓷晶粒图像分割CNN,并采用池化索引在解码阶段恢复丢失的细节信息.实验在包含了629张的陶瓷晶粒SEM图像数据集上进行,搜索最佳Cell耗时约148 GPU-时.与U-Net、SegNet等SOTA方法相比,该方法在陶瓷晶粒测试集上获得了更高的分割准确性(mIoU≈68.9%).

基于编码—解码模型的D类功率放大器行为建模

D类功率放大器具有优异的传输效率,属于开关类功放,其输出信号存在较大的非线性失真。对D类功率放大器进行行为建模时要同时考虑其非线性和记忆特性。文中将小波变换引入到编码—解码神经网络模型中,提出了小波编码—解码神经网络模型。使用基于门限循环单元的编码—解码模型和小波编码—解码模型进行D类功率放大器的行为建模。实验结果表明,文中提出的D类功率放大器行为模型相比于传统的Voterra-Laguerre模型而言,在信号的时域和频域都具有更高的精度。

多战场环境军事人员图像分割技术应用研究

目的:针对多战场环境中军事人员目标较小以及军事人员与环境背景难以区分导致分割效果较差的问题,提出一种分割神经网络。方法:以U-Net为主干神经网络,基于空洞空间金字塔池化模块和双特征交叉融合模块提出编码-解码神经网络ASPP-DFCF-U-Net(以下简称“AD-U-Net”)。将多环境迷彩分割数据集(Multi Environment Camouflage Dataset,MECD)按比例分为训练集、验证集和测试集并进行数据增强,在MECD上对AD-U-Net进行训练并测试。为验证AD-U-Net的有效性,采用平均交并比、召回率、精确度、F1分数指标将AD-U-Net与U-Net、SegNet、FCN-8s 3种神经网络的分割结果进行对比分析。结果:AD-U-Net的平均交并比、召回率、精确度、F1分数分别为83.04%、89.58%、91.49%和90.52%,均高于U-Net、SegNet和FCN-8s,在目标较小、分割目标与背景高度相似的情况下具有更好的分割效果。结论:AD-U-Net在MECD上具有优良的分割效果,将其应用于搜救装备中进行人员搜救可大大提高军事人员的分割准确率,提高搜救效率。