基于自适应聚合与深度优化的三维重建算法

针对现有基于多视图的三维重建方法未充分考虑像素点在其余视图的可见性,从而导致重建完整度不足,且在弱纹理和遮挡区域重建困难等问题,提出了一种应用于高分辨率的三维重建网络。首先提出了一种引入可见性感知的自适应成本聚合方法用于成本量的聚合,通过网络获取视图中像素点的可见性,可以提高遮挡区域重建完整性;基于方差预测每像素视差范围,构建空间变化的深度假设面用于分阶段重建,在最后一阶段提出了基于卷积空间传播网络的深度图优化模块,以获得优化的深度图;最后采用改进深度图融合算法,结合所有视图的像素点与3D点的重投影误差进行一致性检查,得到密集点云。在DTU数据集上与其他方法的定量定性比较结果表明,提出方法可以重建出细节上表现更好的场景。

自适应聚合和代价自学习的多视图立体重建

近年来,基于卷积神经网络的多视图立体(MVS)重建应用广泛,可依然存在重建结果整体性和完整性不理想问题,对多视图三维重建中的特征提取模块和匹配代价体优化模块进行改进,提出一种自适应聚合和代价自学习的多视图立体重建方法。首先,从输入图像中提取不同尺度图像特征,通过可变性卷积把不同尺度图像特征自适应聚合,以提高特征提取的准确度和丰富度;然后,通过可微分单应性变换构建匹配代价并进行正则化,再通过代价自学习模块进一步优化,进而得出每个像素在不同深度假设平面的概率值;最后,将深度假设平面和概率值加权求和得到最终的深度图。经过在DTU数据集上进行测试,与现有的基准方法MVSNet相比,整体性提高了3.0%,完整性提高了10.7%,得到了质量更优的三维重建结果。

基于自适应聚合的立体视觉合作算法

提出了一种恢复高质量稠密视差图的立体视觉合作算法.该算法采用基于形态学相似性的自适应加权方法,迭代地进行局部邻域的自适应聚合和抑制放大,实现高效率和高质量稠密视差图计算.将该算法推广到三目摄像机立体匹配系统中,通过重建摄像机坐标系实现图像校正,并根据连续性假设和唯一性假设,建立视差空间中的支持关系和三目摄像机之间的抑制关系.实验结果表明,三目立体合作算法能够得到精确的场景视差映射,并可以实现多基线方向的遮挡检测.该算法特别适用于由多个廉价摄像机组成的立体视觉系统,在几乎不增加软件和硬件资源的情况下,就可以得到高质量的稠密视差图.

基于自适应聚合距离的多目标进化算法

随着目标数的增多,种群收敛性与分布性的冲突愈加激烈,传统的多目标进化算法的选择算子难以平衡种群的收敛性与分布性.对此,提出一种基于自适应聚合距离的多目标进化算法.首先,采用参考点支配关系替代原有的Pareto支配关系,以增加选择压力,加强收敛性;其次,提出自适应聚合距离,通过动态变化的惩罚参数来自适应调整收敛性与分布性的比例;最后,设计一种带有淘汰算子的方法以改进小生境选择策略,根据自适应聚合距离的大小进行选择和淘汰操作.为验证算法的可行性,将所提出算法在测试问题上与其他4种优秀的多目标进化算法进行比较,并应用于两个实际应用中,仿真结果表明,所提出算法的综合性能更优,能有效平衡种群的收敛性与分布性.

多层自适应聚合的自监督小样本图像分类

目的在图像分类领域,小样本学习旨在利用从大规模数据集中训练到的知识来处理仅包含少量有标记训练样本的下游分类任务。通常情况下,下游任务只涉及新类样本,由于元训练阶段会构造大量任务随机抽取训练集中不同类别的样本且训练集与测试集类别间存在领域间隙,因此模型训练周期长且可能对训练集过拟合,以致元知识无法迁移到测试集,进而导致模型泛化性差。针对以上问题,提出一种多层自适应聚合的自监督小样本图像分类模型。方法首先使用分组卷积对残差块进行改进,减少神经网络参数量,降低训练难度,缩短训练时间;然后采用多层自适应聚合的方法改进骨干网络,对网络各层语义信息加以提炼聚合,自适应分配各层权重,将聚合后的特征图作为后续分类的依据;最后加入自监督对比学习结合有监督学习挖掘样本自身潜在的信息,从而提升样本特征表达能力。结果在mini-ImageNet数据集和CUB(Caltech-UCSD birds-200-2011)数据集上与当前主流模型进行分类效果对比实验,与baseline相比,所提模型的准确率在mini-ImageNet数据集的5-way 1-shot与5-way 5-shot实验上分别提升了6.31%和6.04%,在CUB数据集的5-way 1-shot与5-way 5-shot实验上分别提升了8.95%和8.77%。结论本文模型能在一定程度上缩短训练时间、增强样本特征表达能力和优化数据分布,并缓解领域间隙所带来的问题,从而提高模型泛化性与分类效果。

基于自适应聚合权重联邦学习的肺结节CT图像分类

针对目前医学影像面临多中心数据存在数据孤岛以及非独立同分布的问题(Non-IID),提出了一种基于自适应聚合权重的联邦学习算法(FedAaw)。在全局模型聚合过程中,提出准确率阈值来筛选出本地模型,并由中心服务器采用筛选后模型的准确率计算相应的聚合权重,从而对全局模型进行聚合,使得分类性能较佳的模型参与全局模型的构建,以达到缓解多中心数据Non-IID的问题。同时,为提高模型挖掘图像长短距离信息之间的能力,在本地和全局模型中引入多头自注意力(MHSA)机制。此外,为缓解端对端的冗余特征造成的模型过拟合问题,提取全局模型中卷积核的特征,并采用基于L1范数的稀疏贝叶斯极限学习机(SBELML_(1))的集成学习方法完成各中心数据的特征分类。最后,通过多次打乱不同中心的数据分布来验证FedAaw算法的抗干扰能力。5个中心的测试集AUC变化范围为中心1(0.7947~0.8037)、中心2(0.8105~0.8405)、中心3(0.6768~0.7758)、中心4(0.8496~0.9063)、中心5(0.8913~0.9348),该结果表明:FedAaw在多中心数据上具有良好的分类性能且抗干扰能力较强。

面向节点分类任务的节点级自适应图卷积神经网络

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

自适应构造与聚合多尺度代价体的双目立体匹配

基于卷积神经网络的双目立体匹配算法取得了重要进展,但现有方法在弱纹理区域、细节和边缘等位置仍然存在匹配不准确的问题.立足于双目立体匹配任务中常用的匹配代价体(cost volume),提出自适应构造与聚合多尺度代价体的双目立体匹配网络.首先将多个尺度的输入特征融合成为重组特征;然后设计可学习的特征增强模块,为各个尺度的匹配代价体恢复所需的细节信息;最后基于全局注意力对各尺度匹配代价体进行尺度内聚合,并提出自适应多尺度加权方法进行尺度间聚合,筛选出适用于回归各尺度视差的匹配特征.在SceneFlow和KITTI2015数据集上的实验表明:所提方法在较小网络规模的情况下取得了有竞争力的性能表现,验证了所提方法的有效性.

基于化学环境自适应学习的掺杂石墨氮化碳纳米片光学带隙预测

一直以来,从新药物的发现到最终应用的过程被认为是非常耗时且消耗资源密集的。在化学领域,经典传统方法密度泛函理论(DFT)使用非常广泛,其计算出分子的密度泛函并推导出各种性质。然而,传统的量子模拟技术既昂贵又难以探索潜在大范围的掺杂分子结构。为了降低成本并提高效率,提出了一种基于化学环境的图神经网络模型,希望能在新型材料和药物的研发上推动发展。本文探索领域聚焦于石墨氮化碳(g-C3N4)及其掺杂变体。鉴于石墨氮化碳(g-C3N4)的分子性质带隙在现实中的重要性,准确预测材料的光学带隙成为了本研究的目标。本文使用基于化学环境的图神经网络有效地捕捉了分子的复杂结构,即使同时探索具有多个变体的掺杂g-C3N4结构,它也能精确预测它们的带隙,相比于传统的图神经网络有极大的提升,提供了一种方便快捷且精确的工具。

基于自适应分段聚合近似的户变关系聚类识别方法

低压配电变压器台区广泛存在户变关系不准确的现象,导致台区线损统计异常、停复电通知不及时等问题。目前,台区档案校验主要依靠电力员工现场排查,过程耗时耗力。针对此,依据智能电表记录的电压数据,提出基于自适应分段聚合近似和谱聚类的低压台区户变关系识别方法。首先,采用零均值标准化放大原始电压数据间的相对差异;其次,采用自适应分段聚合近似方法对电压数据进行降维处理,提取电压曲线特征;然后,应用谱聚类算法对电压特征数据进行聚类,实现用户与所属台区的识别;最后,通过算例分析的结果验证了所提模型的可行性和有效性。

基于自适应噪声完整聚合经验模态分解-极限学习机的短期血糖预测

糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型。首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量IMF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警。利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.116 4%);低血糖预警虚警率和漏警率分别为0.97%和7.55%。血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果。

基于自适应实例优化的弱监督目标检测算法

针对现有弱监督目标检测算法存在局部最优问题,提出一种基于上下文感知和自适应多实例细化相结合的弱监督目标检测算法。设计全局上下文注意力模块激活目标对象的整体特征,缓解局部区域支配问题;提出参数化空间丢失模块,利用生成掩模遮挡最具辨别力的区域,避免检测器将其所在的候选区域作为目标对象,从而使模型跳出局部最优解,以便选出包含更完整目标对象的候选框;通过引入自适应监督聚合函数,动态改变聚合标准,挖掘出用于训练在线细化分支的有效监督,并经过多次迭代优化提升检测性能。实验结果表明,在Pascal VOC 2007和VOC 2012数据集上检测精度分别为52.1%、46.6%;定位精度分别为68.1%、66.4%,优于已有检测算法,且有效解决了局部最优问题。

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。

联盟链下基于联邦学习聚合算法的入侵检测机制优化研究

近年来,联邦学习备受关注,因为它能在保护用户隐私的前提下训练和聚合入侵检测模型。联盟链作为一种高效且可控的分布式账本技术,与联邦学习技术结合被应用于多节点入侵检测场景。然而,传统的联盟链下基于联邦学习聚合入侵检测模型的算法存在缺陷,无法根据网络环境动态调整聚合算法参数,导致通信成本过高。因此,文章根据联盟链网络环境设计自适应联邦学习聚合算法,动态调整入侵检测模型聚合间隔,以平衡模型准确度与通信成本。理论分析和实验结果表明,相较于传统联邦学习聚合算法,该入侵检测模型的聚合过程在保证了模型准确度的前提下降低了系统通信成本,提高了模型聚合效率,具有良好的应用前景。

一种基于802.11n的帧长自适应二级帧聚合方法

针对无线局域网中MAC层吞吐量受限的问题,分析了802.11n帧聚合机制和差错信道下采用DCF接入机制时系统饱和吞吐量,讨论了帧长度、误码率对系统吞吐量的影响。在此基础上,提出一种帧长自适应的二级帧聚合方法。该方法根据误码率的不同,自适应地调节第一级聚合数目,以使聚合长度在该误码率下达到最佳,从而使吞吐量达到最优。理论分析与仿真结果表明,在误码率多变的信道中,该方法与现有802.11n中的聚合方法相比,可以通过选择合适的帧聚合长度使吞吐量有较大提高。

相位谱提示多特征聚合的视觉显著性检测方法

针对现有深度学习视觉显著性检测模型对自下而上显著性检测能力差的问题,本文将频域分析与深度学习相结合,提出一种端到端编-解码显著性检测方法.本文首先设计了相位谱提示模块,改进编码网络浅层特征的提取,之后利用ResNet-50的残差模块进一步提取高级语义信息.为了充分利用编码网络各层中提取到的全局显著性特征与各级局部显著性特征,本文在解码端设计了自适应特征聚合模块.本文方法在自然图像数据集SALICON上达到了先进水平并且在合成图数据集SIDVAM上各项指标取得第一.实验结果表明,本文方法同时具备对自上而下以及自下而上显著性的检测能力.

IEEE 802.11ax基于时延敏感的上行链路自适应帧聚合传输方案

帧聚合传输技术因其高效的传输效率被广泛使用.针对密集部署环境,下一代无线局域网标准IEEE 802.11ax基于帧聚合传输技术提出多流量标识符技术,允许多种不同流量类型的数据聚合传输,提升了密集环境下帧聚合传输性能.然而,上行链路多用户随机接入机制无法保障诸如视频、语音等高吞吐率低时延的传输业务需求.因此,本文利用帧聚合多流量标识符技术,对密集部署站点流量随机到达过程建模分析,推导出帧聚合时延表达式,并提出自适应时延敏感帧聚合传输方案.该方案根据站点缓存数据包的时延约束,使用二分搜索算法动态地调整帧聚合数目来最大化网络整体吞吐率.仿真结果表明,所提方案能够有效地降低站点时延和丢包率,提升网络吞吐率.

一种改进的WLAN中基于MPDU最小帧间间距的帧聚合机制

为降低帧聚合机制开销,提高无线局域网的网络吞吐率,设计了一种改进的基于MPDU最小帧间间距的帧聚合机制。首先分析了帧聚合机制开销受数据帧长度的影响,根据最小MPDU帧间间距设定聚合门限来选择聚合方式,并进一步提出了一种自适应A-MSDU聚合算法。通过仿真分析验证了所提出的改进帧聚合机制可以保证较高且平稳的吞吐率性能。

面向交通场景解析的局部和全局上下文注意力融合网络

为解决交通场景解析中局部和全局上下文信息自适应聚合的问题,提出3模块架构的局部和全局上下文注意力融合网络(LGCAFN)。前端的特征提取模块由基于串联空洞空间金字塔池化(CASPP)单元改进的ResNet-101组成,能够更加有效地提取物体的多尺度局部特征;中端的结构化学习模块由8路长短期记忆(LSTM)网络分支组成,可以更加准确地推理物体邻近8个不同方向上场景区域的空间结构化特征;后端的特征融合模块采用基于注意力机制的3阶段融合方式,能够自适应地聚合有用的上下文信息并屏蔽噪声上下文信息,且生成的多模态融合特征能够更加全面且准确地表示物体的语义信息。在Cityscapes标准和扩展数据集上的实验结果表明,相较于逆变换网络(ITN)和对象上下文表示网络(OCRN)等方法,LGCAFN实现了最优的平均交并比(mIoU),达到了84.0%和86.3%,表明LGCAFN能够准确地解析交通场景,有助于实现车辆自动驾驶。

自适应迁移鲁棒特征的个性化联邦医学图像分类

目的针对联邦学习中多中心医学数据的异质性特征导致全局模型性能不佳的问题,提出一种基于特征迁移的自适应个性化联邦学习算法(adaptive personalized federated learning via feature transfer,APFFT)。方法首先,为降低全局模型中异质性特征信息影响,提出鲁棒特征选择网络(robust feature selection network,RFS-Net)构建个性化本地模型。RFS-Net通过学习两个迁移权重分别确定全局模型向本地模型迁移时的有效特征以及特征迁移的目的地,并构建基于迁移权重的迁移损失函数以加强本地模型对全局模型中有效特征的注意力,从而构建个性化本地模型。然后,为过滤各本地模型中异质性特征信息,利用自适应聚合网络(adaptive aggregation network,AANet)聚合全局模型。AA-Net基于全局模型交叉熵变化更新迁移权重并构建聚合损失,使各本地模型向全局模型迁移鲁棒特征,提高全局模型的特征表达能力。结果在3种医学图像分类任务上与4种现有方法进行比较实验,在肺结核肺腺癌分类任务中,各中心曲线下面积(area under the curve,AUC)分别为0.7915,0.7981,0.7600,0.7057和0.8069;在乳腺癌组织学图像分类任务中,各中心准确率分别为0.9849、0.9808、0.9835、0.9826和0.9834;在肺结节良恶性分类任务中,各中心AUC分别为0.8097,0.8498,0.7848和0.7923。结论所提出的联邦学习方法,降低了多中心的异质性特征影响,实现基于鲁棒特征的个性化本地模型自适应构建和全局模型自适应聚合,模型性能有较大提升。