基于自适应多特征融合算法的变压器绕组故障诊断方法

提出了一种自适应多特征融合算法,通过多轮迭代自适应地获得对应不同特征支持向量机(SVM)的权值矩阵,并使用该权值矩阵将不同特征SVM的故障类型预测值进行融合,从而提高变压器绕组故障类型识别准确率。

时空差异增强与自适应特征融合的轻量级遥感影像变化检测网络

针对现有遥感影像变化检测方法存在多时相差异特征利用不足、多尺度特征融合不足等问题,提出一种时空差异增强与自适应特征融合的轻量级遥感影像变化检测网络。本文设计了轻量级时空差异增强模块,采用语义变化感知和空间变化感知的双分支结构,组合利用语义自适应增强机制和混合注意力机制,增强双时相特征图的空谱差异。不同尺度特征图通过边缘细化残差模块进一步优化变化区域边缘。还改进了双向特征融合金字塔结构,采用可学习的权重参数来量化不同尺度特征的重要性,实现多尺度特征的有效融合。选取10种主流的变化检测方法,在WHU-CD、LEVIR-CD、SYSU-CD和SECOND数据集上进行模型对比试验,结果表明:SEAFNet相较于多种主流的变化检测方法,在定性分析、定量分析、网络复杂度与准确度平衡方面均取得了比较优异的表现。

基于图神经网络的瑜伽动作多特征融合识别算法

针对现有瑜伽动作识别方法不能挖掘动作与形体特征等深层次信息的问题,提出了一种基于多特征融合图神经网络的改进瑜伽动作识别算法,该算法利用瑜伽的动作历史和形体信息,结合多特征融合和图神经网络的优势,通过建模形体和动作之间的关系图,得到形体信息对不同瑜伽动作类别的影响程度,以及历史动作的长时和短时性。在实验中,对比了该方法与其他算法在瑜伽动作识别任务中的表现。结果表明,该方法在准确率、精确率、召回率和F_(1)值等指标上有明显的提高,证明了该瑜伽动作识别算法的有效性。

基于自适应特征融合和任务对齐的小目标检测算法

小目标检测是计算机视觉领域具有挑战性的研究任务。针对小目标物体尺寸小、特征不明显、目标聚集等问题,提出了一种基于自适应特征融合和任务对齐的小目标检测算法C-SODNET。该算法在TOOD基础上进行优化与改进,引入ConvNeXt作为骨干网络,通过嵌入CBAM注意力机制和自适应特征融合模块的特征金字塔结构提升兴趣区域的特征提取能力,同时在检测头加入可变形卷积,显著改善了对于小目标物体的检测能力,最后引入CIoU回归损失函数来训练模型。实验结果表明,C-SODNET在VisDrone2019小目标检测数据集mAP_(50)为51.2%,相较于TOOD算法准确率提升了9.4%,小目标物体的精确率APs提高了7.3%,验证了算法的有效性。该算法可为高空或远距离场景小目标检测应用提供了有效解决方案。

基于自适应特征融合的无人机小目标检测算法

本文提出了一种针对无人机捕获图像的目标检测算法,旨在解决无人机视角下小目标检测存在漏检现象严重、检测精度低的问题。主要改进包括重新设计聚类算法生成更准确的先验框,引入自适应特征融合模块以使模型更灵活地学习上下文特征信息,更改检测头在较大的特征层上进行目标检测并解耦分类和回归任务。通过在VisDrone2019数据集上进行广泛实验,改进后的YOLOv5s模型相较于基准模型在mAP50上提高了5.8%,并且保持了较高的帧率(67 FPS)。实验结果表明该改进方法能够显著提高模型的检测性能,使其适用于复杂的无人机捕获场景。

自适应特征融合和条件随机场的乳腺病理图像诊断算法

肿瘤病理学分析是常见的癌症诊断方法之一。基于深度学习的病理检测方法取得了良好性能,然而针对组织切片的处理方法往往会忽略病理组织空间相关性,为了更加准确地获取乳腺癌分类结果和恶性肿瘤位置信息,提出嵌入自适应特征融合模块和均值条件随机场的Transformer框架,利用反向传播算法端到端地训练整个框架。自适应特征融合模块采用可学习参数将改进的自注意力和多感受野卷积模块自适应结合,获取多尺度语义特征,从全局和局部的角度增强模型特征提取能力;提出均值条件随机场与主干网络结合,整合组织切片间的空间相关性,获取病理组织间的形态学信息。实验结果表明:所提方法在切片级图像上准确率高达95.51%,在全切片扫描图像的AUC、FROC分别为0.974 5、0.810 2,有较好的可行性,提高了病理图像分类临床诊断准确率。

基于多特征融合和尺度自适应的核相关滤波算法

为了提高在复杂背景下进行跟踪的精度,在KCF(Kernel Correlation Filter)算法的基础上提出了一种改进方案。首先,提取HOG(Histogram of Gradient)、CN(Color-Naming)和LBP(Local Binary Pattern)三种特征进行融合,获得充分的目标特征信息;其次,引入尺度滤波机制用于估计目标最佳尺度大小,得出最合适的跟踪框;最后,提出了一个峰值更新策略,确保模型更新不受错误信息干扰。实验表明,改进后的算法比KCF算法在精确度和成功率上分别提升了6.5%和4.8%,并且在处理尺度变化、变形、旋转等方面也有很好的鲁棒性。

基于高光谱特征融合的榛子霉变检测方法研究

为实现对榛子霉变的快速无损检测,研究将光谱特征与纹理特征融合并结合机器学习算法建立榛子霉变检测模型。采集400~1000 nm的榛子样本高光谱图像,对样本的原始光谱使用标准正态变量变换法进行预处理,采用蜣螂优化算法、粒子群优化算法和连续投影算法3种特征波长选择方法对光谱进行特征选择;利用主成分分析法对高光谱图像进行降维,根据图像的贡献大小选择样本的最优主成分图像,结合灰度共生矩阵法提取样本4个角度上的5个纹理特征参数。分别基于样本光谱特征、纹理特征、光谱特征与纹理特征融合三类数据结合K最近邻算法构建榛子霉变检测模型。实验结果表明,基于蜣螂优化算法选择的特征光谱与纹理特征融合并结合K最近邻算法建立的模型效果最好,训练集和测试集准确率分别为99.20%和98.34%,实现了榛子霉变的快速无损检测。

基于注意力机制及多分支特征融合的实时语义分割算法

为了合理平衡语义分割中的精确度与实时性,基于快速卷积神经网络模型(Fast-SCNN)提出了一种基于注意力机制及多分支特征融合的实时语义分割算法模型。该算法模型首先通过注意力模块捕获空间特征之间的相互联系,增强空间细节信息;然后合理设计融合模块,最大化利用各分支信息,实现深层特征与浅层特征更好的融合;最后引入自适应特征增强注意力模块,捕获长距离像素间的相互依赖关系。实验结果表明,文中算法模型在Cityscapes数据集上获得了71.55%的分割精度,推理速度FPS达到97.6帧/s,模型参数量为1.39 M,验证了该算法所构成网络模型的有效性。

BEV特征下激光雷达和单目相机融合的目标检测算法研究

为提高自动驾驶汽车对周围目标物的检测精度,提出了一种激光雷达和单目图像数据在鸟瞰图特征上融合的目标物检测算法(monocular-bird’s eye view fusion,Mono-BEVFusion)。为构建相机BEV特征,搭建了简单高效的深度预测网络预测相机特征的深度,基于显式监督的方法用深度真值对其进行监督。构建激光雷达BEV特征时,将激光点云体素化为柱状网格转化到BEV特征下,设计BEV特征融合网络将激光点云BEV特征和相机BEV特征融合,将融合特征输入到目标检测框架得到目标物(汽车、行人和骑行人)检测结果。利用KITTI数据集和实车路采数据对Mono-BEVFusion融合算法进行评估,实验结果表明该算法相较于现有融合算法综合平均精度提升了2.90个百分点,其中汽车类和行人类单项检测精度分别提升3.38个百分点和4.13个百分点。Mono-BEVFusion融合算法对遮挡目标或者距离较远的目标有较稳定的检测效果,能够有效避免单传感器的漏检现象,具有较好的实际应用价值。

基于自适应特征融合和注意力机制的变电设备红外图像识别

针对变电设备红外图像复杂背景下多目标、小目标及遮挡目标识别效果差的问题,该文提出一种基于中心点网络(CenterNet)的变电设备红外图像识别方法。通过将自适应特征融合模块(ASFF)和特征金字塔(FPN)相结合,构建ASFF+FPN结构的特征融合网络,增强了模型对多目标和小目标的跨尺度特征融合能力,排除背景信息;针对网络对遮挡目标特征捕捉能力差的问题,在特征融合网络中添加全局注意力机制,增强目标显著度;为实现模型轻量化,引入深度可分离卷积,减少参数量和推理时间;最后,通过引入分布焦点损失函数,克服了原损失函数对遮挡目标敏感性差的问题,提升了模型收敛速度和识别精度。在包含7种红外变电设备图像的自建数据集上进行测试。实验表明该算法与原始算法相比,识别精度提升了3.55%,达到了95.19%,模型参数量仅为32.52M,与4种主流目标识别算法对比,该算法在识别精度和算法复杂度上具有明显优势。

融合切空间度量的判别相似自适应局部线性嵌入算法

局部线性嵌入(LLE)算法是一种经典的流形降维算法,具有良好的特征提取能力,在故障诊断领域应用广泛。然而,LLE算法固有的缺陷例如对邻域参数选择敏感、挖掘的结构单一等问题,使得它在实际应用中提取的特征存在判别能力较差的问题。为此,提出判别相似性和切空间自适应邻域的局部线性嵌入(DSTANLLE)算法,并将它用于轴承故障诊断。首先使用融合切空间的新度量方式评估样本之间的局部相似性,其次构造自适应邻域图为每个样本点选择邻居,最后加入判别相似信息以提取数据的判别结构。在2个人工合成数据集和2个轴承故障数据集上的实验结果表明,DSTANLLE算法可以提取数据中区分性显著的特征,且在轴承故障诊断应用中的总体识别精度(OA)最高可达100%。

基于依赖类型剪枝的双特征自适应融合网络用于方面级情感分析

现有的模型将基于依赖树的图神经网络用于方面级情感分析,一定程度上提升了模型的分类性能。然而,由于依赖解析技术的限制,语法解析结果的不精确导致依赖树存在大量噪声,使得模型的性能提升有限。此外,一些句子本身并不符合标准的句法结构。以往的研究以同样的置信度利用句法信息和语义信息,没有充分考虑它们对于确定方面词极性的贡献的不同,导致模型在相应的数据集上性能较差。为了克服这些困难,文中提出了一种基于依赖类型剪枝的双特征自适应融合网络。具体来说,该模型使用一种新型的混合方法,命名为依赖关系类型剪枝和邻接矩阵平滑,来缓解句法解析产生的噪声。此外,该模型通过双特征自适应融合模块充分考虑句子的句法信息的可用程度,以一种更灵活的方式将句法特征和语义特征结合起来用于方面级情感分析。在5个公开可用的数据集上进行广泛的实验,结果证明了该方法明显优于基线模型。

基于跨阶段特征融合算法的混合部位运动图像超分辨率修复方法

混合部位运动图像存在模糊、失真、低分辨率等问题,且峰值信噪比差值较小。提出基于跨阶段特征融合算法的混合部位运动图像超分辨率修复方法。结合非线性映射关系重构像素点,采用跨阶段特征融合算法,完成混合部位运动图像超分辨率修复。实验结果表明:得到完整的混合部位运动图像修复结果,表现出的峰值信噪比差值较大,修复后的图像分辨率更优,满足了混合部位运动图像的现实应用需求。

多算法融合的高性能稀疏特征点匹配研究型实验设计

影像间特征点匹配是图像处理领域的基础问题,是实现目标识别、影像拼接、三维重建、机器视觉等功能的基础。针对基于深度学习的SuperPoint特征点匹配算法具有很强的特征描述能力但特征点检测精度不高的问题,提出将SIFT亚像素特征点检测算法与SuperPoint特征描述相结合,改进SuperPoint提取的特征点精度,同时保留其强大的特征描述能力,最后通过SuperGlue特征匹配网络实现特征点的匹配筛选,从而得到多算法融合的高性能稀疏特征点匹配算法。实验测试结果表明,新方法获得的匹配点对数量是SIFT匹配算法的2.04倍,且对称极线距离小于等于10^(-4)的匹配点对比例较SIFT匹配算法提高了7.2%,对比其他ORB、SuperPoint等经典算法,新算法总体性能有一定提升。

基于小波变换的区域特征加权自适应图像融合算法

提出了一种基于小波变换的区域特征加权自适应图像融合算法。首先对源图像做小波变换,分解成低频和高频图像,分解后的低频图像选取一组区域特征进行自适应动态加权,高低频图像采用区域能量融合规则,再对得到的低频和高频图像进行小波反变换。实验结果表明该方法能得到较好的融合效果。

基于多特征融合的粒子滤波自适应目标跟踪算法

为解决用单一特征无法保持在复杂环境下跟踪的鲁棒性以及粒子数量增多导致的算法效率低下的问题,选择多个特征融合的策略来保证跟踪的持续稳定,并自适应地调整每个特征的权值来适应环境的变化;为提高算法的实时性,采用自适应的粒子数量。实验结果表明:本文算法有效地解决了目标旋转、目标遮挡以及背景混淆等诸多问题,具有较高的鲁棒性。

动态特征和静态特征自适应融合的目标跟踪算法

由于大多数目标跟踪算法只采用单一静态特征或单一动态特征对目标建模,但静态特征模型不能描述目标的动态特性,并且很难适应场景复杂、快速移动和旋转等问题;而传统运动光流能够描述局部动态特性,却存在孔径问题.提出一种自适应融合动态特征和静态特征的跟踪方法:通过双向光流预测和误差度量自适应提取动态特征,并提取候选目标区域的静态特征,然后构造融合权重函数有效地融合动态特征和静态特征并以此构造协方差矩阵估计误差椭圆,准确描述目标尺度和方向,实现对目标精确表示;通过on-line参数更新机制对权重分配参数进行更新,实现动态特征和静态特征分配的自适应调节,能够适应目标运动速度的变化和场景变化.实验结果表明,在背景复杂的情况下,当目标快速移动或旋转时,与其他相关算法相比,该算法能够获得更好的跟踪效果.

基于多特征自适应融合的目标跟踪算法

针对目标跟踪中部分遮挡及漂移问题,提出了一种基于多特征自适应融合和在线学习的目标跟踪算法。首先针对原始特征提取的相对简易性,提出了改进的特征提取方法,提高了特征的表达能力和判别能力,然后将多种特征自适应融合,最后进行在线学习。实验采用了具有挑战性的公共测试数据集PETS 2012,并用MOTP评测了跟踪性能。实验结果验证了提出算法的有效性,大大提高了复杂场景下的跟踪鲁棒性,有效地解决了部分遮挡和跟踪漂移问题。

多特征自适应融合的粒子滤波跟踪算法

针对跟踪过程中目标形态不断变化或部分遮挡导致鲁棒性差的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法.该算法从视觉特征集中选取了描述能力强的2种特征,并将其按照与目标模型的多尺度相似度进行线性融合;为了减小跟踪漂移,通过计算当前目标模型与初始目标模型的多尺度相似度自适应地更新目标模型.大量仿真实验结果表明,文中算法可以鲁棒地跟踪到部分遮挡和形态变化的运动目标.