新型正畸粘接剂聚合特征和剪切粘接强度的研究

目的本研究测量一种新型丙烯酸类正畸粘接剂的聚合特征和剪切粘接强度,以评估其作为正畸粘接剂的可能性。方法将甲基丙烯酸甲酯、甲基丙烯酸羟乙酯、氟化钠和聚甲基丙烯酸甲酯按不同比例混合,构成3个实验组。分别测量样本的聚合特征、剪切粘接强度和粘接剂残留指数。聚合特征实验中的对照组为聚甲基丙烯酸甲酯,粘接强度实验中的对照组为光固化复合树脂(Transbond XT)。采用单因素或双因素方差分析和Kruskal-Wallis与Mann Whitney检验对数据进行统计分析。结果在同一温度下,实验组和对照组间的放热量无显著差异,实验组在23℃和37℃时的聚合时间均小于对照组。30min时实验组的粘接强度大于光固化复合树脂,1个月后光固化复合树脂的粘接强度大于实验组。1个月后实验组的粘接剂残留指数明显小于光固化复合树脂。结论这种新型粘接剂具有作为正畸粘接材料的潜力。

基于不同划分优度的因特网拓扑聚合特征

因特网拓扑的社区聚合特征对网络性能具有重要影响.本文选取两种不同的社区划分算法:基于模块度Q的MOME算法与基于伸缩变换覆盖测度SCM的SACA算法,利用10年实际测量数据,对因特网AS层拓扑分别进行社区划分,获得的社区结构具有显著差异,究其根源在于两种算法采用的社区划分优度不同.分析发现:微小社区占大多数的幂律分布以及社区结构以星型为主的现象是SCM测度自身限制的效果.基于模块度Q的社区划分显示因特网拓扑聚合程度显著且呈增长趋势,社区规模随网络规模增长,社区结构以稠密的非星结构为主.研究表明,设计适当的社区划分优度及划分算法对于正确理解实际网络真实聚合特征具有重要意义.

基于聚合特征的人群定位与检测分析

提出了一种基于改进视觉背景提取(ViBe)算法与多通道聚合特征的人群定位与检测方法。先通过检测运动目标获得运动目标候选区域,再对候选运动区域使用分类器检测行人目标。针对传统聚合通道特征(ACF)算法在行人头部目标检测过程中存在特征信息描述不强导致误检率较高的问题,提出了一种结合局部二值模式(LBP)通道特征和ACF的人头增强特征信息描述方法;针对非极大值抑制(NMS)算法输出窗口融合误检窗口较多的问题,提出一种基于得分与尺度信息比的改进NMS算法和基于全局得分比的动态阈值方式,有效去除多余干扰误检框。在校园监控数据集和PETS数据集上平均绝对误差(MAE)达到1.88,准确率提升15%,具有更好的检测性能,实验证明所提方法检测性能良好且具有较高的准确性和鲁棒性。

基于多时间划分的深度聚合特征的行为识别

重点研究了视频中的人体行为识别问题,提出了基于多时域划分的深度聚合特征的行为识别算法。通过多时间划分的采样形式,丰富行为深度特征的多样性,并引入多聚合中心,量化深度特征与聚合中心的残差关系,进而形成人体行为的结构化建模方法,构建可以学习复杂行为特征分布的深度聚合模型,解决时间跨度较长时的人体行为分类问题。通过在开源行为数据集UCF101与HMDB51上的实验,验证了算法的有效性和先进性。

利用模糊聚合特征向量的视频人体识别方法

针对传统视频人体动作识别中的错误警报和冗余计算问题,提出了一种模糊聚合特征向量融合隐马尔可夫模型(HMM)的识别方法。首先,利用模糊推理系统检测前景目标轮廓,使用边缘检测算法获得轮廓边缘;然后,利用特征提取技术获取距离特征、角度特征和CA比率特征,并将其聚合为一种特征;最后,通过矢量量化将聚合特征量化为相应的符号,并利用HMM完成人体动作识别。实验结果表明,提出的方法对近目标的检测精度可达99.8%,相比其他几种较新的方法,提出的方法取得了更好的识别性能,表明多特征聚合可有效解决视频人体识别问题。

混合采样下多级特征聚合的视频目标检测算法

针对现有基于深度学习的视频目标检测算法无法同时满足精度和效率要求的问题,在单阶段检测器YOLOX-S的基础上,提出基于混合加权采样和多级特征聚合注意力的视频目标检测算法.混合加权参考帧采样(MWRS)策略采用加权随机采样操作和局部连续采样操作,充分利用有效的全局信息与帧间局部信息.多级特征聚合注意力模块(MFAA)基于自注意力机制,对YOLOX-S提取的分类特征进行细化,使得网络从不同层次的特征中学到更加丰富的特征信息.实验结果表明,所提算法在ImageNet VID数据集上的检测精度均值AP50达到77.8%,平均检测速度为11.5 ms/帧,在检测图片上的目标分类和定位效果明显优于YOLOX-S,表明所提算法达到了较高的精度,具有较快的检测速度.

面向真实战场环境的Transformer-CNN多特征聚合图像去雾算法

军事智能系统的发展对现代战争的作战方式和制胜机理产生重大影响,然而这些系统容易受到雾霾等天气的影响导致获取的图像出现模糊、退化等问题,给后续识别、追踪等作战任务带来挑战,因此对战场含雾图像进行复原非常重要。鉴于获取同一场景下的含雾、清晰图像对难度极大,现有网络大都采用合成数据进行训练;但真实雾图和合成雾图之间的间隙,会导致在合成数据下训练的模型在真实场景中泛化性差。为此,提出一种面向真实战场环境的自注意力模型-卷积神经网络(Transformer-Convolutional Neural Network,Transformer-CNN)多特征聚合图像去雾算法。采用半监督框架,利用合成和真实战场含雾图像训练网络,使模型能够更好地应对真实含雾场景。采用双分支特征聚合架构,将CNN分支提取的局部特征和Transformer分支学习的全局特征进行聚合,以进一步提高模型去雾能力。为模拟真实战场含雾场景,构建了一套含雾战场图像数据集。实验结果表明,与8种最先进的图像去雾算法相比,所提算法在合成数据和真实图像上均表现良好。

基于注意力机制的残差特征聚合网络超分辨率图像重建研究

针对单图像超分辨率算法级联残差块的输出特征仅在局部作用的问题,提出了一种结合注意力机制的残差特征聚合网络。该网络通过跳跃连接将各残差块输出不同层次的特征聚合到残差组的尾部,实现特征的充分提取与复用,扩大网络的感受野并增强特征的表达能力,使得不同层次的特征图更充分地参与到图像重建中。同时,为增强特征信息空间上的相关性,引入增强空间注意力机制以改善残差块的性能。大量实验表明,此模型可以获得良好的超分辨率性能。在×4倍SR任务中与RCAN,SAN和HAN等主流方法相比,在5个基准测试集上取得的峰值信噪比平均提升0.07 dB,0.06 dB,0.006 dB,结构相似度平均提升0.0012,0.0011,0.0008,重建图像质量明显提高,细节更加丰富,充分说明了所提方法的有效性与先进性。

双路混合注意力的跨层次特征聚合图像增强

针对低照度图像存在亮度低、噪声大、颜色偏差和细节纹理丢失等问题,提出一种双路混合注意力的跨层次特征聚合图像增强方法。首先,设计多尺度双路注意力残差模块(Multi-scale Dual-path Attention Residual module,MDAR),MDAR包括并行多尺度特征采样块(Parallel Multi-scale Feature Sampling Block,PMFB)和双路混合注意力块(Dual-path Hybrid Attention Block,DHAB)。其中PMFB用于提取和融合多尺度特征信息,促进局部特征的全局化表示,使图像细节信息得到有效增强,而DHAB能够对图像噪声区域和颜色信息给予更大关注,缓解不同注意力间特征的差异,有效抑制噪声,提高图像质量。此外,设计跨层次特征聚合模块(Cross-level Feature Aggregation Module,CFAM),将不同层次特征进行融合,弥补深层特征与浅层特征之间的差异,强化对浅层特征的感知,实现图像增强。实验结果表明,所提方法在LOL数据集上的PSNR,SSIM,LPIPS和NIQE分别达到了22.347 dB,0.850,0.178和4.153;在MIT-Adobe 5K数据集上的PSNR,SSIM,LPIPS和NIQE分别达到了22.703 dB,0.903,0.137和3.822。与其他算法相比均有较大提升,证明了所提方法的有效性。

基于局部特征聚合网络的三维语义分割

激光雷达采集的自动驾驶场景点云数据规模庞大且包含丰富的空间结构信息,一些方法将点云变换到体素化网格等稠密表示形式进行处理,但却忽略了点云变换引起的信息丢失问题,导致分割性能降低。为此,提出了一种基于局部特征聚合网络的三维语义分割方法。其中的局部特征融合模块,聚合中心点的K个最近点的特征,并通过强大的注意力机制,得到增强的点特征,从而弥补丢失的信息,提高网络的分割精度。此外,为了提高小物体的分类精度,提出了3D注意力特征融合块,通过摒弃常规的特征图拼接,使用注意力机制来决定不同层次语义特征的权重,得到更加丰富的语义特征,提高网络的性能。在SemanticKITTI和nuScenes数据集上的大量实验表明了该方法的优越性。

基于多尺度特征聚合的图像超分辨率重建

针对图像超分辨率重建过程中,存在提取特征信息单一、图像细节缺失的问题,提出了一种新的生成式对抗网络(DAMFA-GAN),以获得更加逼真和自然的重建图像。在生成器方面,设计融合动态注意力机制的多尺度特征聚合模块(DAMFA)以获取低分辨率图像中每个上采样特征的多尺度高频信息,提高重建图像的质量;在判别器方面,设计ConvTrans Encoder模块以增强特征信息提取能力,提高判别的准确率。在Set5、Set14、BSD100和Urban100数据集上的实验结果表明,DAMFA-GAN在峰值信噪比(PSNR)和结构相似性(SSIM)上较于SRGAN分别平均提高了0.50 dB、0.015 2。同时,超分辨率重建图像的高频细节和视觉效果也得到了明显改善。

基于特征聚合和传播网络的图像超分辨率重建

基于深度学习的图像超分辨率重建通过网络加深提升图像重建性能,但复杂网络会导致参数量急剧增加,限制其在资源受限设备上的应用.针对此问题,文中提出基于特征聚合和传播网络的图像超分辨率重建方法,采用逐步提取融合特征的方式获取图像丰富的内部信息.首先,提出上下文交互注意力模块,使网络学习到特征图丰富的上下文信息,提高特征的利用率.然后,设计多维注意力增强模块,提高网络对关键特征的判别能力,分别在通道和空间两个维度提取高频信息.最后,提出特征聚合传播模块,有效聚合深层细节信息,去除冗余信息,并促进有效信息在网络中传播.在Set5、Set14、BSD100、Urban100等基准数据集上的测试实验表明,文中方法性能较优,重建后的图像细节纹理较清晰.

基于信息提炼与残差特征聚合网络的单通道语音增强

针对语音增强的深层神经网络中对丰富的全局语音相关信息提取困难、未充分利用中间层次特征的问题,本文以尽可能小的参数为前提,基于注意力U型网络,设计了一种基于信息提炼和残差特征聚合的新型卷积编解码网络来进行语音增强。本文在编解码部分提出一种2维的层次细化残差(HRR,Hierarchical Refinement Residual)模块,该模块能显著降低训练参数并扩大感受野,对多尺度上下文信息进行不同层次的提取;传输层提出一种轻量级的1维通道自适应注意力(1D-CAA,One-Dimensional Channel Dimension Adaptive Attention)模块,结合门控机制和范数归一化,选择性地传递特征并提高网络表达能力,并联合门控残差线性单元搭建了一种门控残差特征聚合(GRFA,Gating Residual Feature Aggregation)网络,增强了层间信息流动并充分利用中间层次特征细节,获取更多时序相关信息。实验部分,本文在21种噪声环境下训练和测试,最终以1.23×106的参数相比于其他方法取得更优的客观与主观指标,具备较强的增强效果与泛化能力,并在模型复杂度与精度上取得良好平衡。

基于特征加权聚合的传感网络多模式攻击检测方法

多模式攻击特征存在一定的差异性,其对传感网络的攻击危害性较大.为避免传感网络入侵干扰,提高传感网络多模式攻击检测性能,提出基于特征加权聚合的传感网络多模式攻击检测方法.利用多模式攻击环境下的多条攻击路径函数,构建传感网络多模式攻击特征分布函数.结合攻击信号的抗干扰抑制,加权融合传感网络多模式攻击信号特征.通过将网络数据的非线性关系转换为线性关系,建立风险评估函数.根据传感网络多模式攻击行为的分布状况,计算不同攻击行为之间的攻击关联度,完成传感网络多模式攻击行为的判定.结合传感网络多模式攻击检测算法设计,在传感网络中检测出多模式攻击行为.结果表明:所提出的方法能够检测出传感网络中不同类型的攻击,并将误检率和漏检率控制在5%以下.

基于视觉Transformer的多级特征聚合图像语义分割方法

针对传统卷积神经网络在图像语义分割领域进行特征提取时未能充分利用上下文信息的问题,提出一种基于视觉Transformer的多级特征聚合图像语义分割方法。首先,将输入图像分割成一系列切片进行线性投影,并加入可学习的位置嵌入,获得编码输入序列;通过一个基于视觉Transformer的编码器,将图像编码为一系列补丁,从而在整个网络中建模全局上下文。Transformer编码器可与一个简单的线性解码器组合来获得优秀的效果,通过多级特征聚合解码器能进一步提升性能。大量实验表明,所提出的方法能够有效建模全局上下文信息,以进行图像特征提取。实验在3个公开数据集(ADE20K(49.97%mIoU)、Pascal Context(55.43%mIoU)、Cityscapes(82.03%mIoU))的语义分割任务中达到了良好的分割精度。设计的消融实验结果也充分证明了所提方法的有效性,能够更好地运用在高精度的图像语义分割领域。

基于Swin Transformer和混合特征聚合的红外与可见光图像融合方法

红外与可见光图像融合可以生成包含更多信息的图像,比原始图像更符合人类视觉感知也有利于下游任务的进行。传统的基于信号处理的图像融合方法存在泛化能力不强、处理复杂图片融合性能下降等问题。深度学习有很强的特征提取能力,其生成的结果较好,但结果中存在纹理细节信息保存少、图像模糊的问题。针对这一问题,文中提出一种基于多尺度Swin-transformer和注意力机制的红外与可见光图像融合网络模型。Swin-transformer可以在多尺度视角下提取长距离语义信息,注意力机制可以将所提特征中的不重要特征弱化,保留主要信息。此外本文提出了一种新的混合特征聚合模块,针对红外和可见光图像各自的特点分别设计了亮度增强模块和细节保留模块,有效保留更多的纹理细节和红外目标信息。该融合方法包括编码器、特征聚合和解码器三部分。首先,将源图像输入编码器,提取多尺度深度特征;然后,设计特征聚合融合每个尺度的深度特征;最后,采用基于嵌套连接的解码器重构融合后的图像。在公开数据集上的实验结果表明本文提出的方法对比其他先进的方法具有更好的融合性能。其中在客观评价指标中EI、AG、QP、EN、SD指标达到最优。从主观感受上,所提红外和可见光图像融合方法能够使结果中保留更多的边缘细节。

基于特征聚合与多元协同特征交互的航拍图像小目标检测

针对无人机航拍图像目标尺寸太小、包含的特征信息较少,导致现有的检测算法对小目标检测效果不理想的问题,提出一种基于特征聚合与多元协同特征交互的无人机航拍图像小目标检测算法。首先,针对主干网对特征提取不足的问题,采用Swin Transformer作为RetinaNet主干网络,以增强算法对全局信息的提取能力。其次,为提高网络对远处目标即小目标的检测能力,设计出一种高效的小目标特征聚合网络(SFANet),实现对浅层特征图小目标细节信息的充分整合。最后,为进一步提高网络对多尺度目标的检测性能,使低层特征信息流向高层,提出全新的多元协同特征交互模板(MCFIM)。在公开无人机航拍数据集VisDrone2019-DET上的实验结果表明,所提算法相较于原RetinaNet基线网络检测精度提高7.6%,对于小目标具有更好的检测效果。

基于特征聚合的铜合金金相图分类识别方法

针对铜合金成分检测过程中产生的时滞问题,提出一种基于特征聚合的铜合金金相图分类识别方法。首先,在特征提取阶段,构建灰度共生矩阵(GLCM)和基于卷积注意力模块的残差网络(ResNet)模型分别提取图像的全局与局部特征;其次,在特征聚合阶段,将提取到的特征规范化后进行简单的级联;最后,在分类识别阶段,使用支持向量机(SVM)精确分类。实验结果表明,所提方法的准确率达到了98.963%、宏F1达到了98.996%,优于基于单特征的机器学习方法。可见,不同的方法提取的特征经过聚合后可以更全面地描述铜合金金相图的纹理及边缘信息,所提方法可以通过金相图识别不同铜合金,提升了识别的准确率,且具有良好的鲁棒性。

面向部件分割的PointNet注意力加权特征聚合网络

为解决PointNet最大池化损失次要特征导致部件分割精度降低的问题,提出一种面向部件分割的PointNet注意力加权特征聚合网络,能够充分利用点云的不同特征进行部件分割。首先利用多层感知机提取点云的空间几何特征,将特征乘以共享权重矩阵,以获取每个点的每一个特征的注意力分数;接着把归一化的分数作为权重乘以对应的全局特征并求和,得到聚合的全局特征;最后使用多层感知机将聚合的特征映射到部件分割结果。实验结果表明,相比于传统PointNet方法,该方法提升了部件分割的总平均交并比,同时在网络鲁棒性和计算复杂度方面具有显著优势,有效优化了PointNet。

基于残差特征聚合的图像压缩感知注意力神经网络

基于深度学习的图像压缩感知方法由于其具有强大的学习能力和快速的处理速度受到了广泛关注。随着卷积神经网络深度的增加,现有使用神经网络的图像重构方法未充分利用网络中的残差特征。为了解决这一问题,通过联合优化采样和逆重构过程,提出了一个基于残差特征聚合的图像压缩感知注意力神经网络框架。首先,构建了块压缩感知采样子网络和初始重构子网络,以自适应地学习测量矩阵并生成初步的重构图像。然后引入残差学习与空间注意力机制,构建残差特征聚合注意力重构子网络使残差特征更加集中于关键的空间内容,以进一步提高重构图像质量。实验结果表明,所提网络在重构时间相当的情况下优于现有的图像压缩感知重构算法,获得了更加优良的图像压缩感知重构质量。具体地,在采样率为0.10的情况下,使用11幅图像进行测试,与其他基于深度学习的方法相比,其平均峰值信噪比提高了0.34~6.18 dB。