基于上下文感知自适应卷积网络的实验室文本分类

当前卷积神经网络模型运用在实验室长文本分类时,存在着特征提取不恰当、语义信息表示不完全而导致的分类不准确的问题。为了解决这一问题,文中通过构建上下文感知自适应卷积网络(CACN),采用多尺度卷积核对潜在特征进行融合,从而更好地提取单词特征的上下文信息。为验证该方法的有效性,在三个公开长文本数据集上对改进后的CACN文本分类方法进行了性能评估,在AG News、Yelp_F、Yelp_P三个长文本数据集上分类准确率分别达到了92.6%、65.5%、95.8%。

基于自适应卷积的心电图心律分类方法

针对网络轻量化后,模型复杂度降低带来的检测性能不足等问题,提出一种基于自适应卷积的心电图(ECG)心律分类方法。首先,采用轻量级的卷积神经网络模型框架构建双分支结构,主分支提取ECG的波形特征,子分支提取ECG样本与正常心律的差异信息;然后,通过自适应卷积的方法,将ECG样本与正常心律的差异信息融入到主分支中,提高模型的检测性能;最后,在公开的数据集上进行实验,F1分数、准确率、召回率分别为93.58%、95.53%和91.70%,相较于未加入ECG样本与正常心律的差异信息的网络有明显提升,验证了该方法的有效性。

空间自适应卷积核滤波红外弱小目标检测

为了减少复杂红外图像中平滑背景边缘的影响,将具有各向异性特性的PM扩散模型应用到红外弱小目标检测,提出了空间自适应卷积核滤波检测算法,并对扩散系数进行了优化。针对模型中扩散参数难以确定的问题,提出了一种利用Sobel边缘检测算子估计扩散参数的方法。滤波后采用信噪比(SNR,Signal Noise Ratio)和接受机工作特性(ROC,Receiver Operating Characteristic)曲线进行性能评价,实验结果表明,与PM扩散模型滤波和中值滤波相比,该算法有效抑制了边缘,大大提高了信噪比,提高了检测概率,降低了虚警概率,具有更好的性能。

采用机器视觉与自适应卷积神经网络检测花生仁品质

该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法。构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征。为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络。为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测。试验结果表明,该方法对花生常见缺陷的平均识别率达99.7%,与传统的深度网络相比实现了更高的收敛速度与识别精度。

基于自适应卷积核的改进CNN数值型数据分类算法

针对卷积神经网络(Convolutional neural network,CNN)模型在对工业数值型数据分类方面存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel, ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取CNN中最优的卷积核大小,使得模型能够提取出最优的特征。采用TE过程的故障数据对其进行测试,并与支持向量机、极限学习机、最近邻等典型的数据驱动方法进行对比,测试结果表明,该算法能有效提升各类故障的分类精度。

基于自适应卷积的视差细化网络

为提高视差细化的精度,本文提出一种基于自适应卷积的视差细化与采样方法。利用细化假设为视差细化引入其它可用信息,在不同阶段附加不同的信息来增强细化假设。基于自适应传播方法构建局部代价卷,并将聚合操作从空间域转换至视差域,以缓解使用大卷积窗口带来的边界模糊问题,增强在无纹理或弱纹理区域的聚合效果。同时,使用自适应卷积从相似视差平面上更新视差,进而提高视差的精度。对于上采样过程,利用视差自适应采样克服双线性插值导致的精度下降问题。在SceneFlow和KITTI2015数据集上,对算法进行验证,实验结果表明,相比原始方法,本文算法在精度方面有了明显提升,特别是在KITTI2015数据集上,端点误差(EPE)和3像素错误率指标分别提升9.7%和12.5%。

基于双流自适应时空增强图卷积网络的手语识别

针对提取手语特征过程中出现的信息表征能力差、信息不完整问题,设计了一种双流自适应时空增强图卷积网络(two-stream adaptive enhanced spatial temporal graph convolutional network,TAEST-GCN)实现基于孤立词的手语识别。该网络使用人体身体、手部和面部节点作为输入,构造基于人体关节和骨骼的双流结构。通过自适应时空图卷积模块生成不同部位之间的连接,并充分利用其中的位置和方向信息。同时采用残差连接方式设计自适应多尺度时空注意力模块,进一步增强该网络在空域和时域的卷积能力。将双流网络提取到的有效特征进行加权融合,可以分类输出手语词汇。最后在公开的中文手语孤立词数据集上进行实验,在100类词汇和500类词汇分类任务中准确率达到了95.57%和89.62%。

基于增强自适应盲解卷积方法的齿轮故障诊断

针对最小熵解卷积(minimum entropy deconvolution,MED)在故障诊断中倾向于恢复少量伪主导冲击以及依赖经验选取滤波器长度的问题,提出了一种增强自适应盲解卷积方法。该方法设计一种非线性变换以增强滤波信号中的故障冲击特征,并将其融入滤波器系数的迭代求解中,从而解决MED因少量伪主导冲击造成峭度过大而无法有效恢复周期性故障冲击的问题。同时,所提方法提供一种可根据待分析信号自适应获得合适滤波参数的策略,进而克服传统依赖经验取值的不足。仿真信号与齿轮植入故障信号分析结果验证方法对于增强故障冲击及自适应选取滤波参数的有效性,实现周期性故障冲击的准确恢复。在列车齿轮故障诊断的工程实际案例中,所提方法准确诊断出齿轮传动系统中大齿轮的早期裂纹故障。与MED的对比研究,进一步表明所提方法在故障冲击增强与自适应恢复方面的优势。

自适应调控卷积与双路信息嵌入的城市街景实例分割

城市街道场景实例分割是无人驾驶不可忽略的关键技术之一,针对城市街景实例密集、边缘模糊以及背景干扰严重等问题,提出一种自适应调控卷积与双路信息嵌入的城市街景实例分割模型RENet.首先使用自适应调控卷积替代原有的残差结构,利用可变形卷积学习空间采样位置偏移量,提高模型对图像复杂形变的建模能力,同时对多分支结构进行通道混洗以加强不同通道间的信息流动,并应用注意力机制实现通道权重的自适应校准,提高模型对复杂场景下模糊、密集目标的分割精度;然后设计低维空间信息嵌入分支,对不同尺度特征图进行空间信息激励与重编码,在抽象语义特征中嵌入低维空间信息,提高模型轮廓分割准确性;最后引入高级语义信息嵌入模块,实现特征图与语义框的对齐,弥补特征图间语义与分辨率的差距,提高不同尺度下特征信息融合的有效性.在自建数据集上的实验结果表明,与原始YOLACT网络模型相比,RENet模型在复杂街道背景下的平均分割精度最高达到51.6%,提高了10.4个百分点;网络推理速度达到17.5帧/s,验证了该模型的有效性和在工程中的实用性.

基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术

随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。首先,对故障电流使用变分模态分解,得到一系列征模态函数;然后,使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;最后,经过Softmax分类器实现故障区段分类,完成故障定位。仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了5.63%、9.31%,验证了该方法的有效性。

复杂场景中多阶段自适应帽子检测算法

针对现有目标检测算法在复杂场景中对小尺度帽子存在误检漏检等问题,提出一种多阶段自适应帽子检测算法(MAHD)。首先,构建一个基于自适应卷积的区域预测网络(MA RPN),通过多阶段对锚框的特征进行细化,提高算法在复杂背景下的目标识别能力;然后,利用自适应采样策略动态分配正负样本,并结合焦点损失函数(Focal Loss)引导MA RPN的训练,提高对小目标的检测精度;最终,在自建的HAT4.5k数据集上进行实验,结果表明,该算法相比Grid R-CNN算法AP提高了2.6%,APS提高了5.1%;并在开源的VisDrone-DET 2019数据集上进一步验证了对小目标的检测效果,所提算法具有较高的检测性能,表明了该算法的可行性和有效性。

自适应最大相关峭度解卷积方法及其在轴承早期故障诊断中的应用

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,提出了基于自适应最大相关峭度解卷积的滚动轴承早期故障诊断方法。利用粒子群算法优良的寻优特性,并行搜寻最大相关峭度解卷积算法的影响参数,自适应地实现最佳的解卷积效果。故障信号通过影响参数优化的最大相关峭度解卷积算法处理后,冲击特性会得到增强,对解卷积信号做进一步包络解调分析,通过分析包络谱中幅值突出的频率成分可最终判定故障类型。仿真和实测信号分析结果表明,该方法可有效提取滚动轴承早期故障微弱特征频率信息。

稠密自适应生成对抗网络的爨体字风格迁移模型

爨体字作为典型的衬线字体,不同于黑体、微软雅黑、等线这些非衬线字体,其字形结构十分多样.为了防止爨体字在生成过程中笔画弯折处出现伪影和模糊的现象,提出一种基于稠密自适应生成对抗网络的爨体字风格迁移模型.首先,生成器通过稠密自适应卷积块更加充分地提取风格特征和内容特征;然后,像素判别器对真实图片和生成图片进行分辨;再采用对抗损失、迁移损失、梯度损失和边缘损失对生成网络进行参数调节;最后,将自行采集的爨体字数据集作为训练集送入模型进行训练.实验结果证明,所提模型能够有效地学习到风格特征,达到更好的生成效果;其生成结果在字形大小保持上优于Zi-to-zi模型,在笔画细节特征的保留上优于StarGANv2以及CycleGAN模型,并在SSIM和L1 loss指标上得到了验证.

自适应解卷积方法抑制管道TOFD周向扫查盲区

利用超声衍射时差法(TOFD)沿管道外表面实施周向扫查时,受管道曲率和直达纵波脉冲宽度共同影响,在近表面区域形成分层盲区。本文采用自适应解卷积方法,选取与混叠信号主频接近的子带直达纵波信号作为参考信号,进行解卷积与自回归谱外推处理,拓宽有效频带范围,实现时域信号脉冲压缩,并结合周向扫查图像中端点衍射波确定缺陷深度。实验结果表明,对于外壁半径100.0 mm、壁厚30.0 mm,以及外壁半径148.0 mm、壁厚27.0 mm的碳钢管道,在中心频率5 MHz、探头中心距87 mm的检测条件下,自适应解卷积方法能够将管道近表面分层盲区范围减少约60%,且到直达纵波声线距离不小于4.0 mm缺陷的深度定量误差不超过10.6%。同常规频谱分析方法和自回归谱外推方法相比,自适应解卷积方法具有更优的盲区抑制效果,且能够准确定量前者难以检测的缺陷,测量误差不超过5.8%。

避免卷积自适应码书搜索算法在G.722.2中的应用

介绍了ACELP的基本原理,讨论了G.722.2算法中自适应码书搜索算法,并省去了自适应码书搜索中的卷积运算,因此降低了这一部分的计算量。仿真结果表明,该方法既保持了G.722.2算法合成语音的质量,又使其复杂度大幅度下降。

基于自适应时序运动聚合的动作识别实验设计

视频动作识别是电子信息类学科的重要前沿应用领域。该文针对现有算法存在的参数量庞大及时空尺度固定问题,提出一种基于自适应时序运动聚合网络(ATMA-Net)的动作识别实验设计。引入多尺度运动注意力模块MMA和自适应时序聚合模块ATA,实现了对不同视频动作的多尺度运动特征提取及自适应时序建模。MMA通过拆分的大核卷积注意力关注有利于时序建模的运动特征;ATA根据输入视频的运动加权特征自适应地生成特定的时间卷积核,有利于灵活地进行时序运动特征聚合;将这两种模块嵌入到2D ResNet50残差模块中,并对具体的嵌入方式和嵌入位置进行了实验研究,确定了最佳网络结构。该实验设计网络在复杂动作识别数据集Something-Something V1上的大量实验结果表明,ATMA-Net在低FLOPs的情况下优于其他动作识别方法,证实了其对于复杂动作时序建模的有效性。

基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。

基于自适应可分离卷积核的视频压缩伪影去除算法

针对目前视频质量增强和超分辨率重建等任务中常采用的光流估计相关算法只能估计像素点间线性运动的问题,提出了一种新型多帧去压缩伪影网络结构。该网络由运动补偿模块和去压缩伪影模块组成。运动补偿模块采用自适应可分离卷积代替传统的光流估计算法,能够很好地处理光流法不能解决的像素点间的曲线运动问题。对于不同视频帧,运动补偿模块预测出符合该图像结构和像素局部位移的卷积核,通过局部卷积的方式实现对后一帧像素的运动偏移估计和像素补偿。将得到的运动补偿帧和原始后一帧联结起来作为去压缩伪影模块的输入,通过融合包含不同像素信息的两视频帧,得到对该帧去除压缩伪影后的结果。与目前最先进的多帧质量增强(MFQE)算法在相同的训练集和测试集上训练并测试,实验结果表明,峰值信噪比提升(ΔPSNR)较MFQE最大增加0.44 dB,平均增加0.32 dB,验证了所提出网络具有良好的去除视频压缩伪影的效果。

基于可穿戴设备的开放集动作识别技术研究

随着智能手表、手环等可穿戴设备的普及,将其用于人体行为识别领域并从中解码出人类行为活动,对于健康监测、日常行为分析、智能家居等应用具有重要意义。然而,传统的动作识别算法存在特征提取困难、识别准确率较低等问题,并且均基于封闭集假设,即所有的训练数据和测试数据均来自同一个标签空间,而现实世界中大多都是开放集(Open-Set)场景,在测试阶段可能会将未知标签样本送入模型,从而导致分类错误。文中针对人体动作识别问题,提出了多通道自适应卷积网络(Multi-channel Adaptive Convolutional Network,MCACN),针对传统CNN网络特征提取仅局限于一个小范围内的问题,自适应卷积模块能够使用不同大小的卷积核提取不同时间跨度的特征,并自动计算权重求和。此外MCACN的多通道结构使各传感器数据得以分头进行处理,获得能够区分相近动作的特征细节。最后,设计了基于标签的多元变分自编码器,提出了用于开放集识别的模型MCACN-VAE。该模型能够通过计算重建误差来识别未知类,聚焦于已知类别动作,提高了模型的健壮性。实验结果表明,在封闭集实验中,MCACN模型能够有效地对动作进行识别,对7种日常动作的识别准确率均达到了91%以上,总体准确率达到了95%。在开放集实验中,MCACN-VAE在不同开放度下对于已知类别的总体识别准确率均达到了89%以上,对于未知动作片段的识别准确率也保持在75%以上,证明了所提模型能够有效拒绝未知类,识别已知类。

基于自适应降频卷积的受电弓识别算法研究

受电弓图像中的结构区域定位是利用图像处理技术解决受电弓状态检测任务的核心和关键。本文提出了一种新的基于自适应降频卷积的视觉显著性网络模型。首先,输入受电弓图像到多尺度层级模块,由该模块中的自适应降频卷积和OctConv层同时对图像的底层特征和高层语义特征进行提取。其次,通过构造跨层融合策略对各阶段的多尺度特征进行融合。最后,通过构建受电弓图像数据集对本文方法进行大量的有效实验验证。实验结果表明:针对受电弓图像数据集,本文方法能获取目标区域的准确的显著性检测结果,并与其他算法相比具有明显的优越性和鲁棒性。