融合全局增强-局部注意特征的表情识别网络

为抑制自然场景下遮挡和姿态变化等因素对人脸表情识别的影响,提出一种融合全局增强-局部注意特征(GE-LA)的表情识别网络。为获取增强的全局上下文信息,构建通道-空间全局特征增强结构,该结构采用通道流模块(CFM)和空间流模块(SFM),分别获取对称多尺度通道语义以及像素级空间语义,并结合两类语义生成全局增强特征;为抽取局部细节特征,将高效通道注意力(ECA)机制改进为通道-空间注意力(CSA)机制,并以此构建局部注意模块(LAM)获取通道和空间高级语义。为提升网络对遮挡、姿态变化等因素的抗干扰能力,设计一种自适应策略实现全局增强特征和局部注意特征的加权融合,并基于自适应融合特征实现表情分类。在自然场景人脸表情数据集RAF-DB和FERPlus上的实验结果表明,提出网络的表情识别率分别为89.82%和89.93%,比基线网络ResNet50分别提高了13.39个百分点和10.62个百分点。与相关方法相比,提出方法降低了遮挡、姿态变化的影响,在自然场景下具有较好的表情识别效果。

基于自适应模板更新和局部-全局策略的无人机场景下目标跟踪算法

基于孪生网络框架的跟踪算法在平衡精度和速度方面具有巨大的优势。然而在复杂无人机场景下的目标外观发生变化时,基于孪生网络的跟踪算法缺乏有效的更新机制来获取有效模板信息而导致目标漂移甚至目标丢失。此外,当目标丢失时,跟踪算法缺乏有效的搜索策略来提高在线更新的效率。针对以上问题,在SiamRPN的基础上,提出一种基于自适应模板更新和局部-全局策略的无人机场景下的跟踪算法,简称SiamATU。SiamATU采用自适应的在线策略,根据历史帧和当前帧累积的模板信息,可以准确预测后续帧中目标的位置。局部-全局策略可以有效地提高搜索目标的效率,以实现准确、高效的目标跟踪。

基于全局-局部特征和自适应注意力机制的图像语义描述算法

为了探究图像底层视觉特征与高层语义概念存在的差异,提出可以确定图像关注重点、挖掘更高层语义信息以及完善描述句子的细节信息的图像语义描述算法.在图像视觉特征提取时提取输入图像的全局-局部特征作为视觉信息输入,确定不同时刻对图像的关注点,对图像细节的描述更加完善;在解码时加入注意力机制对图像特征加权输入,可以自适应选择当前时刻输出的文本单词对视觉信息与语义信息的依赖权重,有效地提高对图像语义描述的性能.实验结果表明,该方法相对于其他语义描述算法效果更有竞争力,可以更准确、更细致地识别图片中的物体,对输入图像进行更全面地描述;对于微小的物体的识别准确率更高.

基于全局-局部策略的EMD概率主动轮廓模型

主动轮廓模型作为图像分割的有力工具,近年来得到了广泛的应用。在讨论前人工作的基础上,首先将基于区域直方图的概率估计方法和EMD距离引入主动轮廓模型,建立了基于EMD距离的能量泛函。为了解决图像局部的置乱现象容易产生分割误差的问题,提出一种全局-局部模型,提高分割精度,并应用于EMD距离,不仅扩大了模型的应用范围,而且使分割效果得到了进一步的提升。

一种基于L-函数的非单调自适应信赖域算法

利用函数L-就无约束优化问题提出了一种非单调自适应信赖域算法。算法中信赖域半径自动更新依赖函数L-,步长的求解采用了非单调wolfe线搜索技术。在一定条件下,证明了算法的全局收敛性,数值实验表明算法稳定有效。

基于局部搜索策略的混合自适应布谷鸟算法

为了提高布谷鸟算法的搜索精度和全局收敛速度,提出一种基于局部搜索策略的混合自适应布谷鸟算法。在该改进算法中,每个当前解的周围随机产生一个局部种群,利用正余弦算子的局部寻优能力得到局部最优解,并用局部最优解替换当前解,以提高局部搜索精度;同时采用自适应发现概率和搜索步长替代布谷鸟算法中的固定发现概率和搜索步长,以提高算法的全局收敛速度。对25个经典高维基准函数进行实验表明,所提算法在收敛速度和求解精度上优于布谷鸟算法,通过将其应用于拉压弹簧、三杆桁架设计和0-1背包问题,验证了算法的有效性。

带全局-局部最优步长比例因子的布谷鸟搜索算法

布谷鸟搜索算法利用Lévy Flights随机走动和Biased随机走动过程完成全局搜索和局部开发.针对原始的Lévy Flights随机走动仅采用固定的常数步长因子,介绍了一种使用每一代中个体的全局和局部最优适应值动态设置步长因子的方法,并提出了一种带全局-局部最优步长比例因子的布谷鸟搜索算法.在测试函数上的运行结果证明,该方法是可行的,且能够全面有效地加强布谷鸟搜索算法的收敛速度和求精能力,其性能总体上比采用固定因子、基于均匀分布随机数或基于贝塔分布随机数比例因子的布谷鸟搜索算法更优.

基于混沌初始化和自适应惯性权重及柯西变异的多策略海洋捕食者算法

针对海洋捕食者算法在搜索寻优过程中存在收敛速度慢和寻优精度低等问题,提出混沌初始化和自适应惯性权重及步长因子的多策略海洋捕食者算法。首先采用混沌映射的种群初始化操作,有寻优速度快、精度高的特点,有助于平衡局部最优和全局最优。其次采用根据迭代次数自适应改变惯性权重的策略,以更好地平衡全局搜索能力和局部搜索的精细程度。然后采用柯西分布变异,增强算法跳出局部最优和全局搜索的能力。最后在5个测试函数上对该算法进行仿真实验,并与其他4种群智能算法在高维和低维上进行比较和分析,验证了改进算法有更强的收敛能力和寻优能力。

一种求解高维约束优化问题的γ-PSO算法

PSO算法是一种随机搜索的群体智能算法,在求解高维约束优化问题,尤其是在约束条件较多时,PSO算法易陷入局部极值且收敛速度慢。针对上述问题,对PSO算法进行了改进,提出了γ-PSO算法,把PSO算法的随机数由(0,1)扩展到(-1,1),这样加大了粒子飞行速度和飞行方向的多样性,从而使PSO算法具有摆脱局部极值的能力。对γ-PSO算法进行了求解高维约束优化问题的实验,实验结果表明γ-PSO算法能收敛到全局最优值,收敛性能明显优于其他改进的PSO算法和其他优化算法。

基于稀疏约束滤波器剪枝策略的模型压缩方法

针对现有滤波器剪枝逐层固定比率修剪导致的模型性能及自适应能力不足,提出一种基于稀疏约束的滤波器剪枝方法。将批归一化(batch normalization,BN)层的比例因子作为特征图及滤波器重要性权重,对其进行稀疏正则化训练,经排序计算出全局最优阈值,修剪出最优子网络;通过提出全局-局部阈值策略,解决剪枝率过大导致的断层现象;采用过参数化卷积方法,在保持模型大小的前提下,提升剪枝模型性能。实验结果表明,提出方法在压缩性能及自适应性上优于现有剪枝方法。

混合遗传算法自适应策略研究

在针对性设计使得混合遗传算法可处理大规模组合优化问题的基础上,分析问题解空间的特征,研究相应自适应策略。提出和采用了交叉全局探索单个模因构造、候选解接受、局部搜索和种群多样性保持等自适应策略,大幅减少了混合遗传算法运行时间。以超大规模集成电路标准单元布局问题为测试实例,实验结果表明了这些自适应策略的有效性。

基于自适应学习策略的改进鸽群优化算法

鸽群优化(PIO)算法已广泛用于无人机编队和控制参数优化等领域,但标准PIO算法容易陷入局部最优。提出了一种基于自适应学习策略的改进鸽群优化(ALPIO)算法。该算法引入了基于容差的搜索方向调整策略、基于自学习的候选者生成策略以及基于竞争学习的预测策略,通过增强种群的多样性,可提高算法全局最优概率,其已在8个基准函数上进行测试。仿真试验结果表明:所提算法在多峰函数优化问题中的收敛精度和收敛速度有了显著提升,并且能够更有效避免陷入局部最优解。

基于十字注意力机制改进U-Transformer的新冠肺炎影像分割

针对新冠肺炎CT片病灶部分分割检测困难、背景干扰多以及小病灶点易被忽略的问题,提出一种基于注意力机制改进U-Transformer的分割方法。利用注意力机制提升分割精度,修改U-Transformer网络卷积层中间的注意力模块,并提出十字注意力机制,使网络对病灶边缘的分割更为精确。在网络结构中添加全局-局部分割策略,使得对小病灶点的提取更加准确。实验结果表明,改进方法较U-Transformer的精度提高了5.96%,召回率提高了7.11%,样本相似度提高了6.49%,说明改进方法对小病灶点提取具有较好效果。拓展深度学习方法到医疗影像诊断中,有助于放射科医生更快捷、有效地进行病情诊断。

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

一个新的非单调自适应信赖域方法

自适应信赖域方法是求解无约束非线性优化问题的一种有效方法.将非单调线搜索技术与自适应信赖域方法相结合,提出了求解无约束优化问题的一个新的非单调自适应信赖域方法.在适当条件下,证明了该算法的全局收敛性和局部超线性收敛结果.并对其进行了数值实验,结果表明该算法是可行的.

基于拉格朗日插值的教与学动态组自适应算法

为提高教与学动态分组优化算法的局部搜索能力,提出一种基于拉格朗日插值的教与学动态组自适应优化算法,通过引入拉格朗日插值作为局部搜索方法可处理求解多维度优化问题的加速收敛,使得求解精准度更高。为平衡算法的全局搜索能力和局部开发能力,引入自适应参数策略。通过引入这两种策略来提高局部搜索上的计算能力以及收敛速度,提高对全局的优化。选取6个单峰函数和4个多峰函数,将改进后的算法与另4个算法进行实验对比,研究结果表明,所提算法使计算结果更精准,收敛速度更快。

基于双种群两阶段变异策略的差分进化算法

针对差分进化算法差分策略优化问题上的不足,解决DE/best/1策略全局探测能力差, DE/rand/1局部搜索能力弱而带来的鲁棒性降低及陷入局部最优等问题,本文在差分策略上进行改进,并且加入邻域分治思想提高进化效率,提出一种基于双种群两阶段变异策略的差分进化算法(TPSDE).第一个阶段利用DE/best/1的优势对邻域向量划分完成的子种群区域进行局部优化,第二个阶段借鉴DE/rand/1的思想实现全局优化,最终两阶段向量加权得到最终变异个体使得算法避免了过早收敛和搜索停滞等问题的出现. 6个测试函数的仿真实验结果表明TPSDE在收敛速度、优化精度和鲁棒性方面都得到了明显改善.

基于变分贝叶斯层次概率模型的非刚性点集配准

非刚性点集配准是计算机视觉和模式识别领域的基础研究问题,现今的非刚性点集配准算法在存在大量离群点、噪声、点集对应关系缺失、旋转和形变情况下,不能非常准确地评估出两个点集间的对应关系.本文通过交替执行点集对应关系评估和空间转换更新两个步骤来逐步恢复点集间一一对应关系.在对应关系评估步骤,首先本文基于有限重尾学生t分布隐变量混合模型(student-t distribution Latent Mixture Model,简称TLMM)构造变分贝叶斯层次概率模型(Variational Bayes Hierarchical Probability Model,简称VBHPM)并将其分为对应关系评估组件和离群点聚合组件,分别用来评估点集间对应关系和聚合离群点,同时使用贝叶斯线性回归方法来抵抗噪声的干扰.其次本文加入Dirichlet先验分布来动态调节模型的混合比例,为对应关系缺失的点分配较小的混合比例以保持点集结构的稳定性.在空间转换更新步骤,本文基于变分贝叶斯(Variational Bayes,简称VB)框架来迭代更新模型参数,并提出树状平均场因式分解方法来维持模型参数间的依赖关系,以获得更紧致的变分下界.此外,本文提出自适应全局-局部约束策略来维持点集间结构的稳定性,抵抗形变和旋转影响的同时实现从局部到全局的约束过程.最后,本文采用了双阶段先验退火方案,在退火过程中使用Gamma先验分布来动态调节精度,实现由粗到精的配准过程.在实验部分,本文不仅测试了VBHPM的性能,而且展示了点集和图像配准的结果,并与当前流行的13种算法进行了比较,VBHPM皆能展现较准确的配准结果和较高的精度.

用双层重建法实现单幅图像的超分辨率重建

针对现有基于稀疏编码的单幅图像超分辨率重建算法易导致重建图像中出现不正确几何结构的现象,提出一种字典非相关性约束和稀疏系数非局部自相似性约束结合的稀疏编码方法.为解决引入这种自相似性约束造成的重建图像边缘过度平滑、模糊的问题,提出了基于平滑层和纹理层的双层重建框架.该方法运用一种全局非零梯度数目约束重建模型重建平滑层;通过提出的稀疏编码方法重建高分辨率纹理图像.最后,利用一个全局和局部优化模型进一步提升重建图像的质量.实验结果表明,与一些具有代表性的重建方法相比,该方法得到的峰值信噪比（PSNR）和结构相似度（SSIM）平均值分别提高了0.798 7～3.242 4 dB和0.018 6～0.083 5,不仅主观视觉效果上取得了明显的改进,鲁棒性得到增强,而且重建出了更加准确的结构和边缘,取得了更好的重建效果.

负荷分配问题的最陡增/减变量对寻优法

机组的经济目标函数以多段或二次项系数小于零的单段二次函数表示时,负荷分配问题就呈现出非凸、非线性特性,给高效求取全局最优解或具有较高性能的局部最优解带来了较大困难。该文提出了一种最陡增/减变量对寻优法,此方法每次迭代过程只有两个变量(变量对)发生变化,其中一个增大,另一个进行同等量值的减小,增/减的步长按照一定的规则动态控制,并确保满足约束条件;同时,从原目标函数关于增/减变量对的偏导数和最小的变量对中动态地选择变量对,以确保每次迭代都能够按照使原目标函数最陡下降的变量对方向进行。此方法可快速求得凸二次规划问题的全局最优解和非凸二次规划问题的局部最优解。进一步地,该文结合问题的特点引入一种简捷的进化策略,使最陡增/减变量对寻优法在进化规划的框架下获得了能够求得非凸二次规划问题全局最优解的能力,并在很大程度上保留了原方法快速寻优的优点。算例表明,该文方法和策略为非凸二次规划负荷分配问题提供了一种高效实用的分析工具。