基于自适应融合的实时车辆检测

针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

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。

基于多尺度深度图自适应融合的单目深度估计

深度估计网络通常具有较多的网络层数,图像特征在网络编码和解码过程中会丢失大量信息,因此预测的深度图缺乏对象结构细节且边缘轮廓不清晰。本文提出了一种基于多尺度深度图自适应融合的单目深度估计方法,可有效保留对象的细节和几何轮廓。首先,引入压缩与激励残差网络(SE-ResNet),利用注意力机制对不同通道的特征进行编码,从而保留远距离平面深度图的更多细节信息。然后,利用多尺度特征融合网络,融合不同尺度的特征图,得到具有丰富几何特征和语义信息的特征图。最后,利用多尺度自适应深度融合网络为不同尺度特征图生成的深度图添加可学习的权重参数,对不同尺度的深度图进行自适应融合,增加了预测深度图中的目标信息。本文方法在NYU Depth V2数据集上预测的深度图具有更高的准确度和丰富的物体信息,绝对相对误差为0.115,均方根误差为0.525,精确度最高达到99.3%。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

基于空洞卷积和增强型多尺度特征自适应融合的滚动轴承故障诊断

传统卷积神经网络(CNN)在识别故障类型时存在从原始振动信号中提取特征不足以及提取特征过程中需要更大的感受野以充分捕获信号的时间相关性的局限.针对轴承振动信号固有的多尺度特征,提出基于空洞卷积和增强型多尺度自适应特征融合的模型(DC-MAFFM).利用空洞卷积的大感受野提取信号特征,同时引入残差连接来减少卷积层上的信息损失,从而有效过滤信号中的噪声;设计改进的多尺度特征提取模块,在不同尺度上捕获互补的诊断特征,同时在各层都进行不同尺度特征融合,充分学习信号的高频和低频特征;利用提出的特征自适应融合模块对不同尺度的特征自适应赋予权重,增强判别特征学习的能力.在2个轴承数据集上进行验证,结果表明所提模型在噪声和变工况下有较强的诊断能力.在强噪声情况下,故障诊断准确率分别达到88.08%和75.56%,与其他方法相比有显著优势.

基于样本内外协同表示和自适应融合的多模态学习方法

多模态机器学习是一种新的人工智能范式,结合各种模态和智能处理算法以实现更高的性能.多模态表示和多模态融合是多模态机器学习的2个关键任务.目前,多模态表示方法很少考虑样本间的协同,导致特征表示缺乏鲁棒性,大部分多模态特征融合方法对噪声数据敏感.因此,在多模态表示方面,为了充分学习模态内和模态间的交互,提升特征表示的鲁棒性,提出一种基于样本内和样本间多模态协同的表示方法.首先,分别基于预训练的BERT,Wav2vec 2.0,Faster R-CNN提取文本特征、语音特征和视觉特征;其次,针对多模态数据的互补性和一致性,构建模态特定和模态共用2类编码器,分别学习模态特有和共享2种特征表示;然后,利用中心矩差异和正交性构建样本内协同损失函数,采用对比学习构建样本间协同损失函数;最后,基于样本内协同误差、样本间协同误差和样本重构误差设计表示学习函数.在多模态融合方面,针对每种模态可能在不同时刻表现出不同作用类型和不同级别的噪声,设计一种基于注意力机制和门控神经网络的自适应的多模态特征融合方法.在多模态意图识别数据集MIntRec和情感数据集CMU-MOSI,CMU-MOSEI上的实验结果表明,该多模态学习方法在多个评价指标上优于基线方法.

多模态特征自适应融合的虚假新闻检测

为解决社交媒体新闻中多模态新闻检测难以充分利用图文信息问题以及探索高效的多模态信息交互方法,提出了一种多模态特征自适应融合的虚假新闻检测模型。分别对新闻文本语义特征、文本情感特征和图文语义差异特征进行提取和表示;通过添加自适应权重参数的方式对多种特征进行加权拼接融合,以减少模型拼接时引入的冗余信息;将融合特征送入分类器中进行新闻的真假分类。实验结果表明,所提出的模型在F1值等评价指标上都优于当前先进的模型。有效提升了虚假新闻检测性能,为社交媒体中虚假新闻的检测提供了有力支持。

结合自适应融合和双边界光幕估计的图像去雾

针对图像去雾算法存在的细节丢失、颜色失真、去雾不彻底等问题,提出一种利用通道估计光幕上下边界、自适应融合大气光的去雾算法。首先,根据有雾图像最小通道估计大气光幕上边界,以雾图B通道为主、RG通道差补偿结合线性变换得到大气光幕下边界,对上下边界进行逼近优化,经过小波变换融合两边界;其次,分别用RGB三通道的平均值和亮度中通道获取不同的粗糙大气光,以亮度均值为调节因子自适应融合;最后,结合去雾模型复原出无雾图像。实验结果表明,所提算法复原的图像去雾彻底、清晰自然、能保留较多图像细节,具有良好的有效性和鲁棒性。

煤矿井下移动机器人多传感器自适应融合SLAM方法

基于同时定位与建图(SLAM)技术的移动机器人能够快速、准确、自动化地采集空间数据,进行空间智能感知和环境地图构建,是实现煤矿智能化和无人化的关键。针对目前煤矿井下多传感器融合SLAM方法存在机器人前端位姿估计退化失效和后端融合精度不足的问题,提出了一种煤矿井下移动机器人激光雷达(LiDAR)−视觉−惯性(IMU)自适应融合SLAM方法。对LiDAR点云数据进行聚类分割,提取线面特征,利用IMU预积分状态进行畸变校正,采用基于自适应Gamma校正和对比度受限的自适应直方图均衡化(CLAHE)的图像增强算法处理低照度图像,再提取视觉点线特征。用IMU预积分状态为LiDAR特征匹配与视觉特征跟踪提供位姿初始值。根据LiDAR相邻帧的线面特征匹配得到移动机器人位姿,之后进行视觉点线特征跟踪,分别计算LiDAR、视觉、IMU位姿变化值,通过设定动态阈值来检测前端里程计的稳定性,自适应选取最优位姿。对不同传感器构建残差项,包括点云匹配残差、IMU预积分残差、视觉点线残差、边缘化残差。为了兼顾精度与实时性,基于滑动窗口实现激光点云特征、视觉特征、IMU测量的多源数据联合非线性优化,实现煤矿井下连续可用、精确可靠的SLAM。对图像增强前后效果进行试验验证,结果表明,基于自适应Gamma校正和CLAHE的图像增强算法能显著提升背光区和光照区的亮度和对比度,增加图像中的特征信息,大幅提升特征点提取数量和匹配质量,匹配成功率达90.7%。为验证所提方法的性能,在狭长走廊和煤矿巷道场景下进行试验验证,结果表明,所提方法在狭长走廊场景的定位均方根误差为0.15 m,构建的点云地图一致性较高;在煤矿巷道场景中的定位均方根误差为0.19 m,构建的点云地图可真实地反映煤矿井下环境。

利用自适应融合和混合锚检测器的遥感图像小目标检测算法

针对遥感图像背景噪声多,小目标多且密集排列,以及目标尺度分布广导致的遥感图像小目标难以检测的问题,该文提出一种根据不同尺度的特征信息自适应融合的混合锚检测器AEM-YOLO。首先,提出了一种结合目标宽高信息以及尺度宽高比信息的二坐标系k-means聚类算法,生成与遥感图像数据集匹配度较高的锚框。其次,设计了自适应增强模块,用于解决不同尺度特征之间的直接融合导致的信息冲突,并引入更低特征层沿自底向上的路径传播小目标细节信息。通过混合解耦检测头的多任务学习以及引入尺度引导因子,可以有效提高对宽高比大的目标召回率。最后,在DIOR数据集上进行实验表明,相较于原始模型,AEM-YOLO的AP提高了7.8%,在小中大目标的检测中分别提高了5.4%,7.2%,8.6%。

基于条件GAN与自适应融合的胶带表面缺陷数据构建方法

针对煤矿胶带输送机在复杂工作环境下容易出现表面缺陷,影响生产和安全的实际问题,采用基于条件对抗生成网络的图像合成算法,结合传统图片处理技术,提高缺陷检测的准确性和稳定性。研究结果表明:自适应融合算法能够生成真实且稳定的合成图片,且生成的样本无需手动标注目标框,有助于快速建立监督学习需要的训练样本集,解决了煤矿环境对算法的挑战。利用数据合成算法,目标检测率提升5%以上。

配电网接地故障自适应融合抑制方法

现有的配电网接地故障柔性抑制方法受对地参数测量精度、负荷变化、接地故障电阻以及线路阻抗压降的影响较大。因此,提出了一种适应参数和负荷变化的配电网接地故障融合抑制方法,即在分析接地故障电流分布规律基础上,提出一种基于故障相电流调控的接地故障电流抑制方法。通过调控使得故障相电流与故障相负荷电流相等,实现故障点电流抑制,并提出了负荷电流的实时提取方法,该方法无需测量对地参数且可适应负荷变化。另外,根据单相接地故障的电流和电压抑制方法的适用范围,提出了电流、电压并行双闭环控制方法,同时抑制接地故障电流和电压,以适应接地故障电阻和线路阻抗压降的影响。仿真与实验结果证明了所提方法的有效性和优势。

基于结构相似度的多波段图像自适应融合算法

多波段图像的融合性能过差会降低图像内信息的读取率,造成图像信息读取不及时或图像信息缺漏等问题,为了保证多波段图像实时信息的读取能力,规避多幅图像内的信息缺漏现象,提出基于结构相似度的多波段图像自适应融合算法。分析多波段图像的成像原理,并根据该原理涉及的频振现象提取多波段图像的区域特征和细节特征。利用互协函数和尺度常量分别获取区域特征和细节特征的结构相似系数,通过分布式函数依赖发现算法获取两组结构相似系数依赖程度较高的多波段图像的结构相似度,并映射至lαβ空间中,实现多波段图像的自适应融合。仿真结果表明,所提方法在高曝光强度、低曝光强度和正常曝光强度下融合效果均较好、互信息较高。

基于自适应融合和注意力细化的语义分割模型

针对现有语义分割中存在的上下文信息利用不足和细节信息丢失等问题,提出了一种基于自适应融合和注意力细化的语义分割模型。该模型在编码的过程中引入一个自适应融合模块,通过让每个特征图按照相应的权重进行融合的方式来解决上下文信息利用不足的问题。在解码的过程中设计了一个注意力细化模块,使低阶特征与高阶特征之间能够进行相互指导优化,从而解决细节信息丢失的问题。实验结果表明:该模型在PASCAL VOC 2012数据集上的平均交并比达到了83.7%,比基于编解码的语义分割模型提高了1.1%;在Cityscapes数据集上取得了81.7%的平均交并比,进一步验证了该模型的泛化性。

基于多特征自适应融合的抗遮挡目标跟踪算法

针对目前的目标跟踪算法在目标发生运动模糊或被遮挡等情况下跟踪效果较差,容易出现跟踪失败等情况,本文提出了一种多特征自适应融合的抗遮挡相关滤波跟踪算法。算法首先提取梯度方向直方图特征HOG和颜色直方图特征,以最大化跟踪质量为目标自适应融合两种特征的相关滤波响应;在跟踪的过程中根据响应图的质量存储高质量滤波模板,采用高质量模板和正常更新模板检测响应图的质量差值来检测目标的遮挡情况,当目标遮挡消失的时候,跟踪器的模板回溯到高质量模板来重新跟踪目标。根据在OTB100、UAV123的实验结果,本文算法相对于其他同类型的相关滤波在跟踪精度和成功率方面表现更好,在发生目标遮挡时仍能很好地跟踪。

基于自适应融合和显微成像的乳腺肿瘤分级网络

基于显微成像技术的肿瘤分级对于乳腺癌诊断和预后有着重要的意义,且诊断结果需具备高精度和可解释性。目前,集成Attention的CNN模块深度网络归纳偏差能力较强,但可解释性较差;而基于ViT块的深度网络其可解释性较好,但归纳偏差能力较弱。本文通过融合ViT块和集成Attention的CNN块,提出了一种端到端的自适应模型融合的深度网络。由于现有模型融合方法存在负融合现象,无法保证ViT块和集成Attention的CNN块同时具有良好的特征表示能力;另外,两种特征表示之间相似度高且冗余信息多,导致模型融合能力较差。为此,本文提出一种包含多目标优化、自适应特征表示度量和自适应特征融合的自适应模型融合方法,有效地提高了模型的融合能力。实验表明本文模型的准确率达到95.14%,相比ViT-B/16提升了9.73%,比FABNet提升了7.6%;模型的可视化图更加关注细胞核异型的区域(例如巨型核、多形核、多核和深色核),与病理专家所关注的区域更加吻合。整体而言,本文所提出的模型在精度和可解释性上均优于当前最先进的(state of the art)模型。

基于自适应融合权重的人体行为识别方法

为解决人体行为识别中关节特征不显著、噪声干扰严重等问题,提出一种基于自适应融合权重的人体行为识别方法。为充分利用长时时序信息,需要对长视频进行时域分割,而后设计基于BN-Inception的双流网络结构,分别以RGB图像和骨骼关节点构成的运动特征向量作为空间流和时间流网络的输入,基于熵值法对各片段内单支流网络融合后,根据关节点显著程度赋予各支流以惩罚值,使双流网络自适应调节权重进行融合,输出行为类别。实验结果表明,该方法在人体行为识别中具有可行性和有效性。

特征自适应融合插值的点云语义分割算法

点云语义分割是场景理解的基础问题。大多数针对大场景点云的语义分割方法精心设计局部特征聚合模块以减少降采样点云过程中的信息损失,然而未能高效地利用多尺度局部特征推理点云语义信息。为此,文中提出一种多尺度特征自适应融合的插值方法,以实现更准确的大场景点云语义分割算法。首先,通过注意力机制的局部特征聚合模块学习点云内部的语义关系,描述局部模式的各项异性;然后,以不同的采样率随机地采样点云产生多尺度的稀疏局部特征图;最后,使用特征自适应融合的插值法代替广泛使用的最近邻插值法,恢复全分辨率的特征图,为原始密度的点云提供更准确的语义信息。在SemanticKITTI和S3DIS两个大场景点云数据集上对所提算法进行评估,结果表明,所提算法的平均交并比(mIoU)分别为54.24%、75.5%,平均准确率(mACC)分别达到88.92%、86.5%,比大多数主流算法的分割效果更加准确。

基于循环神经网络的多模态无线传感数据自适应融合方法

为了去除无线传感数据冗余,降低传感器能量消耗,提出了一种基于循环神经网络的多模态无线传感数据自适应融合方法。利用格拉布斯准则预处理传感数据,剔除了不具备参考利用价值的粗数据。利用相似性指标计算,得到精细数据的相似元,进而获得关键数据。利用循环神经网络解决了无线传感器数据过度依赖和梯度过长问题,确定数据自适应融合的特征参数。考虑传感器发生异常检测和不发生异常检测时数据融合情况,完成数据自适应融合。经仿真实验证明,在相同数据相似度门限值下,90个时隙的最低融合比为10%,可有效控制数据压缩量。该方法下传感器能量消耗始终低于0.25 J,其最低传输延迟为10 ms,提高了传感数据融合的性能。

汽车门板焊接路径的多种群自适应融合蚁群优化

为了减少汽车车门焊接路径的长度、提高车门的焊接效率,提出了基于多种群信息素自适应融合蚁群算法的焊接路径规划方法。对车门焊接路径规划问题进行了描述,并建立了其优化模型。将基本蚁群、蚁群系统、最大最小蚂蚁系统组成多种群算法,给出了基于信息熵的子群路径多样性度量方法和基于相对熵的子群间差异性度量方法,参考子群路径多样性自适应确定了子群交流时机,依据子群间差异性自适应确定了子群的交流和融合对象,从而提出了多种群信息素自适应融合蚁群算法。将多种群信息素自适应融合蚁群算法应用于车门焊接路径规划,并于文献[11]的自适应蚁群算法进行对比,这里所提的多种群信息素自适应融合蚁群算法规划路径的最优值、平均值和耗时均小于文献[11]的自适应蚁群算法,验证了多种群信息素自适应融合蚁群算法在车门焊接路径规划中的优越性和适用性。