YOLOv5预测边界框分簇自适应损失权重改进模型

目标检测的精确程度是计算机视觉识别任务的主要影响因素.针对单阶段目标检测模型YOLOv5存在的检测精度问题,从多任务损失优化角度,提出一种在不同分辨率特征图上基于同一目标的预测边界框分簇自适应损失权重改进模型.该模型由GT(ground true)目标边界框UID分配器、GT目标边界框UID匹配器、边界框位置及分类损失权重算法构成,通过改善YOLOv5的位置精度和分类精度实现模型整体精度的提升.实验结果表明,改进模型的平均精度均值(mean average precision, mAP)较YOLOv5.6标准模型相对提升5.23%;相较于更为复杂的YOLOv5x6标准模型,改进模型mAP取得8.02%的相对提升.

基于注意力和自适应权重的车辆重识别算法

为了解决车辆重识别算法受类内差异性与类间相似性的干扰无法充分表示车辆特征的问题,提出基于注意力机制和自适应损失权重的车辆重识别算法.该算法采用改进的主干网络ResNet50_ibn,避免了颜色、光照、视角等客观因素的干扰,提取关于目标的不变性特征.搭建基于注意力机制的组表示网络,融合特征间的相互依赖关系,从不同分组的特征表示中提取更加丰富的特征信息.设计自适应损失权重计算损失函数,使用多损失函数策略对网络模型进行训练.该算法在公开数据集VeRi776与VehicleID上的首位击中率和平均精度均值分别达到了96.0%、79.8%和81.5%、80.9%.实验结果表明,利用该算法提取的特征更具判别性,综合性能优于现有的其他车辆重识别算法.

多尺度多任务注意力卷积神经网络滚动轴承故障诊断方法

针对振动信号时间尺度不一、故障特征分布差异及信息冗余等问题,提出一种多尺度多任务注意力卷积神经网络(MSTACNN)的滚动轴承故障诊断方法。首先,在参数共享单元构建多尺度卷积神经网络,提取多任务之间共享信息的多尺度通用特征;其次,利用多任务学习机制对故障类型、故障尺寸以及运行工况同时训练,规避单任务学习效率低下问题;然后,采用注意力机制对多尺度特征信息进行筛选,识别并保留有效特征;最后,设计了一种自适应损失权重算法,动态调整子任务的损失权重,控制不同任务的学习进度,实现了对轴承故障类型、故障尺寸以及运行工况同时识别的目标。在西储大学数据集和帕德博恩大学数据集分别对方法有效性进行验证,其中故障类型的识别准确率分别达到了99.95%和98.41%。实验结果表明,所提方法均展现出较高的识别准确率、良好的收敛速度和稳定性,具有较强的特征提取学习能力和泛化性能。