基于多通道融合卷积的联邦学习入侵检测模型

随着新一代信息技术向各行业融合渗透,经济社会数字化转型迫在眉睫。近年来,随着农业4.0时代的到来,农业领域也面临着新的机遇和挑战,农业物联网的大规模部署在带来诸多便利的同时,网络安全问题也随之出现。传统入侵检测设备无法有效应对各类未知攻击,而数据孤岛现象及数据隐私保护需求更是加剧了这一挑战,为此,文中创新性地提出了一种基于多通道融合卷积的联邦学习农业物联网入侵检测模型,旨在解决数据孤岛与数据隐私保护之间的矛盾,同时提高模型的准确率。模型的数据处理模块采用生成对抗网络对欠采样数据进行扩充,数据分析模块采用横向联邦学习机制,服务端选用联邦平均算法,客户端采用一维多通道融合卷积网络,利用多个不同尺寸的卷积核对同一段数据进行处理,捕捉不同尺度下的特征信息,再将这些特征进行融合,有效保留流量关键特征。实验结果表明,该模型在CIC-IDS2017数据集上可以实现98%的精度,并在初始阶段快速收敛,经过10轮训练后,其趋于稳定,达到99.72%的准确率和F1分数。

融合卷积特征的清晰边缘检测研究

受益于卷积神经网络(CNN),边缘检测性能在多个基准数据集上都已经超过人类水平。但这类算法无法保证边缘的清晰性和定位的准确性。为获取细化清晰、有效抑制背景纹理、定位准确的目标边缘图,提出了一种融合卷积特征的清晰边缘检测算法(FCF)。该算法使用VGG16作为主干网络进行卷积特征提取,将不同阶段的卷积特征上采样后进行特征融合,并通过所设计的细化融合模块(RFB)获得清晰的边缘图。RFB使用多个归一化细化块(GRB)来细化得到的边缘图。此外,为平衡边缘像素和非边缘像素,还提出一个细化骰子损失函数(RD)。在BSDS500数据集上,所提方法将HED、RCF等深度边缘检测器的F-score(ODS)分别提高了2.8%和2.1%;当不使用非极大值抑制(NMS)进行边缘检测评估时,F-score(ODS)、F-score(OIS)分别达到0.801和0.816,超过了其他算法。

论融合卷积神经网络和Transformer的多视角CT影像分割方法

本文提出一种结合了卷积神经网络编码器与Swin-Unet编码器解码器的多视角结构。卷积神经网络的优势在于对于局部细节的提取,使用卷积神经网络编码器可以更好的达到对浅层局部特征提取的目的。而Transformer结构更擅长于提取全局信息,在编码器中同时使用卷积神经网络和Swin Transformer结构可以同时提取全局信息和局部信息,将这些提取的局部信息与全局信息特征融合输入到跳跃连接中。在网络结构进入解码器阶段时,将跳跃连接中已融合的浅层特征与Swin Transformer解码器输出的解码特征进行特征融合可以同时兼顾图像分割的细节和整体。这种方法较之Swin-Unet在执行对腹部CT影像多器官分割时,分割精度dice score更高,分割边界效果更好。

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类。首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度。在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类。针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理。仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点。

结合超限学习机和融合卷积网络的3D物体识别方法

本文提出了一种新型的结合超限学习机(ELM)和融合卷积网络(CCN)的模型,并用于3D物体的特征提取和分类.模型以3D物体的多视角投影图作为输入,经过多层融合卷积网络提取特征,利用半随机的ELM网络进行分类.卷积网络由提出的融合卷积单元组成,它是一种改进的残差单元,多个并行残差通道上的卷积核个数依次增加,相同大小的卷积核参数共享.半数卷积核参数以高斯分布随机产生,其余通过训练寻优得到.它能拟合更复杂的残差项函数,增加低层网络的特征表达能力.同时网络结构规范简洁,便于训练和优化.本文的方法在普林斯顿3D模型标准数据集上的识别率达到了92. 86%.实验表明,提出的方法的识别率比现有的ELM方法和深度学习等最新方法的识别率更高,并且其调节参数少,收敛速度快.

基于融合卷积神经网络的多种类管道病害检测方法

地下管道是城市的血脉,年久失修将会导致管道服役性能降低,引发各种环境问题.因此,应当按时检测地下管道的病害类型及数量,为管道维修提供数据支持.但是,人工检测的方法费时费力,传统的计算机检测方法准确度和泛化能力较低.为了解决这一问题,该文提出了一种基于融合卷积神经网络的多种类地下管道病害分类算法.该算法结合了Inception网络构架和残差网络构架,提高了检测的准确度.对比现有的检测模型发现,该模型的平均准确率和Macro-F 1分数分别达到了93.15%和0.932,检测评估指标最优,证明该模型具有准确、全面、误检率低的检测特点.对测试集实际检测结果分析可知,该模型在不同光照、不同障碍物、整体和局部的场景下,均检测无误,结果准确,证明了该模型具有鲁棒性高、泛化能力强的特点.

基于特征融合卷积神经网络的FMCW雷达人体动作识别

针对微多普勒特征识别人体动作的局限性,基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构。利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别经由输入层进入卷积层,经Batch Normalization层、ReLU激活函数和最大池化层计算之后完成特征降维,然后对两种降维后的特征进行融合,融合后的特征图再经过卷积层和池化层计算获得更深层次的特征,最后经过两个全连接层,在输出层完成人体动作识别。采用英国格拉斯哥大学公开的数据集进行10折交叉验证,实验结果显示,与单一特征域的识别准确率相比,采用两种特征融合的结构进行人体动作识别的准确率提升了1%,验证了该模型的有效性。

基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

基于双分支边缘卷积融合网络的红外与可见光图像融合方法

提出一种基于双分支边缘卷积融合网络的红外与可见光图像融合方法。首先,提出一种改进的双分支边缘卷积结构,将图像包含的信息分解为公共信息和模态信息,并于每个分支引入边缘卷积块,更好的提取深度特征;然后在融合层引入卷积注意力模块对模态特征进行增强;最后基于所本文编解码网络特点,提出一种重建损失结合融合损失的损失函数。经过大量的消融性实验和对比实验表明,本文方法能够很好的保留原图像中的公共信息和模态信息,并且相比目前最新的融合方法在主观和客观评价上都具有优秀的综合性能。

基于不同卷积尺度融合与近红外光谱的土地分类模型研究

为了提高基于近红外光谱的土地覆盖分类模型的准确率,以欧盟统计局发布的土壤近红外光谱数据为研究对象,研究基于短时傅里叶变换(STFT)预处理方法和不同卷积尺度融合的土地覆盖分类模型,实现耕地、林地和草地的快速区分。为适应二维卷积要求,将一维光谱的400~2500 nm波段的4200个波长进行短时傅里叶变换,转换成二维图像同时提取光谱数据的频谱信息。将样本按6∶2∶2的比例随机划分为训练集、验证集和测试集。建立单一尺寸卷积核卷积神经网络(CNN)以及多尺寸卷积核融合的卷积神经网络土地覆盖分类模型,为了防止模型出现梯度消失现象,网络采用ReLU激活函数以及批标准化(BN)、Dropout等方法。并采用早停法(early stopping)训练网络,防止模型出现过拟合风险。首先,探讨了不同STFT窗口长度(64,100和128)、不同卷积核尺寸(3×3,5×5和7×7)等对模型分类效果的影响规律。实验结果显示:当STFT窗口长度为100、窗口重叠长度为50%时,模型总体分类准确率均最高;模型的分类准确率随卷积核尺寸的增大而降低,较小尺寸卷积核模型准确率更高,卷积核尺寸为3×3的CNN模型总体分类准确率达到了78.76%,高于卷积核尺寸为5×5和7×7的CNN模型分类准确率;不同尺寸卷积核的模型都对某一种土地覆盖类型的分类效果良好,对于耕地,3×3卷积尺寸的CNN模型分类效果最佳;对于林地,5×5卷积尺寸的CNN模型分类效果最佳;对于草地,7×7卷积尺寸的CNN模型分类效果最佳。其次,提出了基于多种尺寸卷积核融合的Fusion-CNN模型,该模型综合了不同尺寸卷积核的分类优势,模型对于3种土地覆盖类型的分类准确率均有了不同程度的提高,模型总体分类准确率达到84.39%。Fusion-CNN模型克服了单尺寸卷积核CNN模型对于合适的卷积核尺寸选择周期长、调参步骤繁琐的缺点,能简化和加快建模过程。使用Fusion-CNN卷积融合网络可以更有效地对土壤近红外光谱的内部特征信息进行自动抽取,从而得到较高且稳定的土地覆盖分类准确率。

基于多层级卷积融合网络的自动睡眠分期方法

针对原始数据不均衡、多层级特征利用不充分等原因造成的基于脑电(EEG)信号分析的睡眠分期方法精度长期驻足不前的问题,提出了一种多层级卷积融合网络的睡眠分期方法,在以SMOTE算法对原始EEG数据进行均衡化处理,并构建时-空信息特征矩阵对网络的输入量进行二维化处理的基础上,通过搭建和优化不同深度的卷积网络,自动提取并融合多层级、多尺度的EEG信号睡眠特征,实现睡眠分期。实验结果表明:所提方法在Sleep-EDF数据集上的分期精度可达到92.35%,宏F1-score达到84.4%,分期精度最低的N1期F1-score可达到53.3%,睡眠分期性能优于其他深度学习模型。

基于卷积融合和残差-注意力的脑卒中病灶分割

脑卒中MRI影像由于病灶区域小和正常组织边界模糊的特点导致分割难度大。为此提出一种优化的编解码结构网络。为使网络提取更加丰富的上下文信息,提出了双注意力卷积融合编码模块,在编码端收缩路径实现二维卷积和三维卷积的融合,并且从空间和通道2个维度建立特征的全局相关性。此外,提出残差-注意力门混合解码模块,更好地融合低层次和高层次特征,关注目标区域,从而提高小病灶边缘的分割细腻度。通过在开源数据集ATLAS的实验结果表明,该算法DSC指标达到了0.62,与UNet,D-UNet,3D-UNet以及attention-UNet等模型相比,有效提高了分割性能。

基于卷积特征融合的篮球比赛视频遮挡运动员检测方法

为了提高遮挡篮球运动员检测性能和检测效果,提出了基于卷积特征融合的篮球比赛视频遮挡运动员检测方法。利用卷积特征融合网络的扩展结构,得到篮球比赛视频中遮挡运动员的图像信息,基于卷积特征融合网络核函数,提取出篮球比赛视频遮挡运动员的轮廓信息,根据运动员图像的像素点坐标,构建了图像区域内的目标模型,获取到运动员在篮球比赛视频中的遮挡区域,结合篮球比赛视频中连续2帧运动员图像之间的像素灰度差分关联系数,完成篮球比赛视频遮挡运动员的定位,通过训练卷积特征融合网络,输出篮球比赛视频遮挡运动员检测结果。实验结果表明,所提方法在提高检测性能的同时,具有良好的检测效果。

基于双图转换和融合CRNN网络的轴承故障诊断

针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码方法将一维序列信号转换为二维图像。将转换后的两种模态图像同时输入多CRNN融合的Fu-CRNN网络模型,充分汲取两种转换方法优点并提高CRNN模型特征表达能力。实现轴承信号特征自适应提取及端到端诊断。为验证该方法的可靠性与优越性,选用凯斯西储大学滚动轴承数据集进行轴承故障诊断试验,并比较分析诊断性能。结果表明,所提模型识别准确率和泛化效果均优于单一模态样本输入模型,相较于其他常用算法表现更出色,可为样本构建和轴承故障诊断方法提供参考。

基于可变形卷积与特征融合的机场道面裂缝检测算法

机场道面裂缝具有形态多变、宽度狭小、长短不一、且空间走势呈自由曲线的不规则特征,现有算法检测效果不佳。针对此问题,本文构建了一种基于可变形卷积与特征融合的神经网络(Deformable convolution and feature fusion neural network,DFNet)模型。首先由可变形卷积模块来强化特征提取网络对裂缝形态特征的学习;然后经多尺度卷积模块捕获不同感受野下裂缝的全局信息;最后通过特征融合模块来提取裂缝不同层次的特征,通过融合裂缝低级特征与高级特征,实现对机场道面裂缝的准确分割。在采集的实际机场道面裂缝数据集上,与其他6种现有算法进行了对比实验,本文算法在像素级分割的F1-Score上达到了90.95%,效果优于全部对比算法。DFNet算法提高了对机场道面裂缝检测的能力,实验结果表明本文算法较好地达到了工程实际要求。

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题,提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先,为提高振动信号与故障特征的相关性,减少干扰成分,以双树复小波包变换为基础构建改进谱峭度图模型,增强多分辨率差异性故障特征表达。然后,考虑丰富特征评价维度,构建多维融合CNN模型,将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明,该方法能够提取各类轴承振动信号中具备差异性的故障特征,在多工况下均能够准确识别轴承故障,具有较好的诊断精度。

基于双卷积神经网络融合的注意力训练研究

学生的学习情况与其课堂注意力状态密切相关。为了探寻注意力训练能否提高课堂注意力,对10名在校学生进行了α音乐训练,并收集了训练前后的非注意和注意状态的脑电(Electroence⁃phalogram,EEG)信号进行对比研究。由于EEG信号本质上是动态的,且具有低信噪比和高冗余度的特性,为避免直接通过神经网络识别EEG信号效果差的问题,提取了信号的样本熵(Sample entropy,SampEn)、各个波段的能量和能量比共11个特征,并将这些特征进行融合转化为多特征图像,作为神经网络模型的输入。此外,将AlexNet和VGG11两个网络模型进行加权融合构成双卷积神经网络,进一步提高了图像分类性能。结果表明,与单个模型相比,双卷积神经网络融合模型的性能更佳,其识别准确率最高可达到97.53%。研究发现,经过α音乐训练,受试者的脑电特征与此前相比有显著性差异,且网络模型的分类准确率比训练前提高了4%,说明本文所提的α音乐训练能够提高健康学生的注意力水平。

基于多尺度卷积神经网络特征融合的植株叶片检测技术

植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求,且人工成本高、耗时周期长。基于此,提出基于多尺度卷积神经网络特征融合(MCFF)的植株叶片检测技术。从深度学习技术辅助植株培育的需求出发,基于多尺度卷积神经网络特征融合,针对莲座模式植物、拟南芥和烟草3种不同类型、不同分辨率的植株进行叶片计数检测。经过与其他主流算法的比较,发现MCFF具备较高的检测精确度,平均精度均值(mAP)为0.662,实现了高度竞争的性能(AP=0.946),各项指标接近实用水平。

基于可融合残差卷积块的深度神经网络模型层剪枝方法

针对当前主流的剪枝方法所获得的压缩模型推理时间较长和效果较差的问题,提出一种易用且性能优异的层剪枝方法。该方法将原始卷积层转化为可融合残差卷积块,然后通过稀疏化训练的方法实现层剪枝,得到一种具有工程易用性的层剪枝方法,兼具推理时间短和剪枝效果好的优点。实验结果表明,在图像分类任务和目标检测任务中,该方法可使模型在精度损失较小的情况下获得极高的压缩率,优于先进的卷积核剪枝方法。

基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究

乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(Inception V3、Res Net-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系("样本-样本"和"特征-特征"关系)和lF正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR 2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。