基于融合池化和注意力增强的细粒度视觉分类网络

细粒度视觉分类核心是提取图像判别式特征.目前大多数方法引入注意力机制,使网络聚焦于目标物体的重要区域.然而,这种方法只定位到目标物体的显著特征,无法囊括全部判别式特征,容易混淆具有相似特征的不同类别.因此,文中提出基于融合池化和注意力增强的细粒度视觉分类网络,旨在获得全面判别式特征.在网络末端,设计融合池化模块,包括全局平均池化、全局top-k池化和两者融合的三分支结构,获得多尺度判别式特征.此外,提出注意力增强模块,在注意力图的引导下通过注意力网格混合模块和注意力裁剪模块,获得2幅更具判别性的图像参与网络训练.在细粒度图像数据集CUB-200-2011、Stanford Cars、FGVC-Aircraft上的实验表明文中网络准确率较高,具有较强的竞争力.

基于空洞卷积与动态多核融合池化的裂缝检测

针对现有裂缝检测方法在裂缝拓扑结构复杂、前后景像素不协调情况下产生的检测精度低的问题,提出一种基于空洞卷积和动态多核融合池化的裂缝检测方法。采用编、解码结构,编码器阶段插入空洞卷积,能够更大限度保留裂缝的细节与结构信息;解码器阶段引入动态多核融合池化模块,以更高效获得不同尺寸的裂缝信息。在自制数据集与公共数据集CRACK500上分别进行实验,并与其它算法进行比较,实验结果表明,该算法能更加精细化分割出细小的裂缝,有效提高裂缝检测精度。

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile,HRRP)目标识别中特征提取及识别问题,提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder,1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder,1D PF-CAE),在编码阶段,采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征;然后堆叠多个1D PF-CAE形成1D SPF-CAE;最后使用标签数据对网络进行微调,实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明,该方法具有较强的特征提取能力,对于HRRP目标识别准确率高、鲁棒性强。

融合WaveNet和BiGRU的网络入侵检测方法

为解决当前入侵检测算法对于网络入侵的多分类准确率普遍不高的问题,鉴于网络入侵数据具有时间序列特性,提出一种融合WaveNet和双向门控循环单元(bi-directional gated recurrent unit, BiGRU)的网络入侵检测方法。为解决原始攻击数据分布广、离散性强的问题,首先对数据进行独热编码及归一化处理,之后使用WaveNet进行卷积操作,对数据进行序列缩短处理,同时使用最大、平均池化融合的方法全面提取数据特征,最后由BiGRU完成对模型的训练并实现分类。基于NSL-KDD、UNSW-NB15以及CIC-IDS2017数据集进行了对比实验,结果表明,所提方法对于上述数据集的准确率分别能够达到99.62%、83.98%以及99.86%,较同类型的CNN-BiLSTM分别提升了0.4%、1.9%以及0.1%。

基于BiTCN-DLP的恶意代码分类方法

为应对不断升级的恶意代码变种,针对现有恶意代码分类方法对特征提取能力不足、分类准确率下降的问题,文章提出了基于双向时域卷积网络(Bidirectional Temporal Convolution Network,BiTCN)和池化融合(Double Layer Pooling,DLP)的恶意代码分类方法(BiTCN-DLP)。首先,该方法融合恶意代码操作码和字节码特征以展现不同细节;然后,构建BiTCN模型充分利用特征的前后依赖关系,引入池化融合机制进一步挖掘恶意代码数据内部深层的依赖关系;最后,文章在Kaggle数据集上对模型进行验证,实验结果表明,基于BiTCN-DLP的恶意代码分类准确率可达99.54%,且具有较快的收敛速度和较低的分类误差,同时,文章通过对比实验和消融实验证明了该模型的有效性。

水体微纤维图像识别的改进MobileNetV2算法

针对人工识别水体微纤维耗时耗力,以及传统图像处理算法识别水体微纤维图像鲁棒性弱等问题,构建了一种改进的MobileNetV2网络识别微纤维算法。在特征提取部分采用特征重构策略,先压缩深度卷积特征,获取全局感受野;再利用多层全连接为每个通道生成权重,建立通道之间的相互依赖关系;最后逐通道加权到原特征上,完成对原始特征的重构。此外,采用不同大小的下采样器捕获不同尺度的特征信息并融合,增强微纤维的细节特征信息,提升模型对微纤维的学习能力与识别效果。改进MobileNetV2网络的微纤维识别准确率达到97.96%,与原始MobileNetV2网络相比高2.54%,同时,误识率和漏识率也有显著的降低。相较于ResNet、DenseNet、VGG16和NasNet网络,模型大小压缩了若干倍,微纤维识别准确率有所提升,误识率与漏识率大大降低。实验表明:该网络模型能够提取更加完整的微纤维特征信息,加强微纤维特征判别指向性的同时减小了模型尺寸,降低了在移动设备中部署的难度,并且使识别微纤维具有更高的准确率和更好的稳定性。