对融合特征敏感的三维点云识别与分割

三维点云分类分割网络忽视了融合特征中的冗余信息,缺乏放大有效特征占比能力,不能充分挖掘特征的表达性。在CurveNet网络基础上,提出了一种能够筛选和丰富融合特征的方法,对点云的识别与分割效果达到了较先进水平。首先,提出了对融合特征具有筛选能力的特征选择子网络,利用结合了打分机制的Top K算子选出包含有效信息的融合特征,并且能够自适应地赋予被选特征权重。其次,在聚合曲线特征模块中增加了两个新分支,分别学习曲线内部点距离特征和曲线之间的线距离特征,通过快速通道相关性注意力机制提取各分支的内部相关性,增强了网络特征的信息描述能力。实验结果表明,分类任务在ModelNet40数据集上准确率达到了93.8%,分割任务在ShapeNet Part数据集上平均交并比达到了86.4%。与基准网络相比,分类效果与分割效果均有所提高,证明了算法的有效性。

基于F-DFCC融合特征的语音情感识别方法

结合神经网络、并行多特征向量和注意力机制,有助于提高语音情感识别的性能。基于此,从前期已经提取的DFCC参数入手,提取I-DFCC和Mid-DFCC特征参数,利用Fisher比选取特征参数构成F-DFCC;再将F-DFCC特征参数与LPCC、MFCC特征参数进行对比并融合,输入到含双向LSTM网络及注意力机制的ECAPA-TDNN模型中;最后,在CASIA和RAVDESS数据集上验证F-DFCC融合特征参数的有效性。实验结果表明:与单一的F-DFCC特征参数相比,F-DFCC融合特征的准确率WA、召回率UA、F1-score在CASIA数据集上分别提高0.035 1、0.031 1、0.031 3;在RAVDESS数据集上分别提高0.024 5、0.035 8、0.033 2。在两个数据集中,surprised情感的识别准确率最高,为0.94;F-DFCC融合特征参数的6种和8种情感识别率与其他特征参数相比均有所提升。

基于加权多矩融合特征的矿物影像智能识别算法研究

随着数字识别技术在镜下影像分析的广泛应用,镜下物质类型的智能识别成为了一个微观分析的基础问题。镜下影像自动识别不仅能有效节约人工成本,还能提高识别效率。针对镜下矿物智能识别精度低的问题,以镜下影像的颜色矩、纹理矩以及形态RSTC矩3类指标为识别特征,以指标熵权和变异系数权为识别初始权,构建了一种多矩融合机器学习智能识别模型。选取磁铁矿、云母、方解石、黄铜等的影像集为第一类样本,以烧结矿中的玻璃相、铁酸钙等影像作为第二类样本,提取样本颜色矩、纹理矩和形状RSTC矩的特征,量化分析了特征在影像识别中的贡献率,开展了多矩融合机器学习智能识别试验。结果表明:不同类型特征指标对影像识别过程贡献率有明显差异,多矩融合机器学习智能识别模型具有较好的识别率和鲁棒性,能够明显提高影像识别精度,指标熵权和变异系数权为初始权能够明显促进算法快速收敛,减少识别时间,该研究为矿石镜下影像识别提供了新的方法。

基于Gabor融合特征的疲劳判断模型研究

随着生活水平不断提高,汽车已经成为主要的交通工具,同时,疲劳驾驶也逐渐成为交通事故的主要原因。通过面部信息对驾驶者的疲劳状态进行判断是目前的主流方法,采用Gabor多尺度融合特征方法对驾驶员的面部表情特征采用融合规则进行融合并分类。本文通过调研发现,驾驶过程中驾驶员产生的疲劳表情、积极表情和中立表情会对大脑精神活跃度产生重要影响,并研究不同表情对人类疲劳的影响权重,确定相应表情权重值,最后通过数据模型确定疲劳指数检测公式,并判定疲劳状态。

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

针对海量用户负荷预测场景下,应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题,提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先,基于聚类技术实现多任务学习中相关任务的选择;其次,为每一类用户群构建多维融合输入,合理有序容纳多个任务的特征,避免维度爆炸和信息混乱;最后,分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型,学习共享特征,并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析,结果表明,该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

乳化沥青与RAP再生界面融合特征研究进展

近年来,国内外沥青路面再生技术发展迅速,如何高效循环利用沥青路面再生材料(RAP)成为亟待解决的问题,将RAP用于制备乳化沥青冷再生混合料便是其主要用途之一。然而,当乳化沥青和RAP混合时,新旧沥青分子会重新融合,使冷再生混合料内部界面呈现多样的融合特征。冷再生混合料内部界面融合状态与其界面强度和宏观性能密切相关,因此,揭示乳化沥青与RAP界面融合特征是沥青路面冷再生技术研究的重点。本文基于Fick理论和复合理论对乳化沥青与RAP再生界面融合理论进行了归纳总结。乳化沥青与RAP两相界面融合效果会影响混合料内聚力和内摩阻力,进而影响界面强度。另外,本文从RAP材料性质、沥青组分特征、外界条件、RAP掺量以及再生剂五个方面分析了界面融合影响规律,其中,RAP材料性质和外界条件对再生沥青混合料的影响最显著;乳化沥青对旧沥青的融合程度和旧沥青对乳化沥青的融合程度基本接近,但在不同的温度下有一些差异;理论上,RAP与乳化沥青接触时两端浓度差会促进新旧沥青融合,但RAP表面的大分子沥青质会阻止其融合;RAP掺量直接影响再生混合料的抗拉强度和抗车辙能力;加入再生剂可以改变沥青轻质组分和硬质组分比例,有效提高界面融合效率。最后,提出乳化沥青与RAP界面融合改善可以从乳化沥青、RAP和两相连接三方面考虑,以期为未来乳化沥青和RAP界面融合研究提供理论和技术基础。

基于融合特征的无人履带车辆道路类型识别方法

无人履带车辆行驶路况复杂,将道路类型作为无人履带车辆悬架控制、自动换挡决策、路径规划等任务的先验信息,有利于提升车辆性能。针对使用单一信号识别道路类型环境适应性差或准确率低的问题,提出一种基于融合特征的道路类型识别方法,将图像的深度特征和悬置质量垂向加速度时域、频域、功率谱密度信号的统计特征相结合,利用机器学习分类算法实现道路类型识别。对单一特征和融合特征进行对比发现:融合特征实现了图像特征和悬置质量垂向加速度特征的互补,提高了道路类型识别的准确率和环境适应能力;融合特征方法与仅使用图像特征的方法实时性相差极小。对多种机器学习分类算法进行对比,试验结果表明:支持向量机和随机森林在准确性和实时性方面都表现优越,总体准确率均可以达到90%以上,识别速度可以达到14帧/s。

基于区域生长和融合特征SVM的涂胶缺陷检测

针对传统的涂胶工艺缺陷检测精度低、效率低的问题,文章提出一种基于区域生长和融合特征支持向量机(support vector machine,SVM)的涂胶缺陷检测算法。首先对图像进行预处理操作;然后通过改进的快速细化算法提取涂胶区域,将去除毛刺后骨架特征作为起始生长种子,为改善分割不完全现象,采用中心像素加权灰度和区域自适应阈值生长准则分割出完整的涂胶区域;最后结合改进边缘梯度特征和区域纹理特征的优点,将改进的梯度方向直方图-多半径局部二值模式(improved histogram of oriented gradient-multi radius block local binary pattern,IHOG-MBLBP)融合特征送入SVM多分类器进行训练,实现对涂胶区域缺陷的精确检测。经过实验验证,所设计的缺陷检测算法能够精确地提取骨架并分割出完整的涂胶区域,对于涂胶缺陷具有较高的检测精度和效率,能够满足工业生产需求。

基于Transformer的时序多模态融合特征的异常网络流量检测方法

针对当前卷积和循环神经网络相结合的模型无法有效表征网络流量的问题,提出一种基于Tansformer的时序多模态融合特征的异常网络流量检测方法。首先,以会话为单位切分网络流量,将会话中流量记录的统计特征分组。其次,利用多模态注意力编码器计算特征分组的融合特征,进而利用注意力机制对一个会话的所有流量记录并行建模,挖掘流量记录的时序多模态融合特征。最后,利用全连接层和softmax层对该特征进行线性变换和概率计算。在CIC-ToN-IoT数据集上的实验结果表明该方法切实可行,相较于对比方法,在取得较高的准确率和精度的同时,保持了最低的误报率。

基于全时段多波长融合特征定量指纹图谱的满药仙灵脾颗粒质量控制方法研究

目的建立全时段多波长融合特征定量指纹图谱,为仙灵脾颗粒质量控制提供科学依据。方法选取270 nm、327 nm、353 nm 3个波长,建立10批仙灵脾颗粒的高效液相(HPLC)指纹图谱,确定18个共有峰,通过对照品指认出8个成分;指纹图谱与多指标成分含量测定结合,建立全时段多波长融合特征定量指纹图谱,并将8个成分进行相对于内标物柚皮苷的含量测定;同时选取5个批次的仙灵脾颗粒,对其8个成分进行绝对定量,确定建立的含量测定方法的误差率。结果建立了全时段多波长融合特征定量指纹图谱,运用其对仙灵脾颗粒指认出的成分进行相对定量,其结果与绝对定量相比,误差率小于5%。结论所建立的方法准确可靠,可用于仙灵脾颗粒的质量控制,并为中药复方的质量评价提供参考。

散度核协同表示与空谱融合特征的高光谱图像分类算法

协同表示的相关算法在高光谱图像分类的学习过程中没有很好地刻画高光谱图像的特性,如像素的局域性和标签信息等,因此其性能受到限制。对此,提出一种散度核协同表示技术并利用空谱融合获取特征的分类方法(IKCRC)。为有效刻画像素的局域性和标签信息,该方法构造新的散度核协同表示模型和相应的计算模型。在公式中引入核映射以提高分类能力,在计算过程上使用空谱融合的初步特征提取使得算法简洁高效。在标准高光谱图像数据集上进行的对比实验表明,IKCRC更能有效地提高分类精度。

基于自适应注意力融合特征提取网络的图像超分辨率

为了应对当前大型图像超分辨率模型参数过多难以部署,以及现有的轻量级图像超分辨率模型性能表现不佳的问题,提出了一种基于自适应注意力融合特征提取网络的图像超分辨率模型。该模型主要由一个大核注意力模块和多个高效注意力融合特征提取模块组成。首先,利用大核注意力模块进行浅层特征提取,然后将提取到的浅层特征信息输入级联的高效注意力融合特征提取模块进行深层特征提取、增强、细化和再分配的聚合操作。高效注意力融合特征提取模块由三个部分组成,分别是渐进式残差特征提取模块、通道对比度感知注意力模块和通道—空间联合注意力模块。该网络可以在利用少量参数的情况下实现更好的图像超分辨率性能,是一种表现优异的轻量级图像超分辨率模型。通过在流行的基准数据集上评估提出的方法,并与现有的一些方法进行对比,结果表明该方法的表现更优异。

基于融合特征与数模联动的轴承寿命预测方法

针对现有数模联动剩余使用寿命(remaining useful life,简称RUL)预测方法易受随机噪声干扰、没有考虑轴承的退化特性等问题,提出了一种基于融合指标与数模联动的轴承RUL预测方法,以提高原始数模联动RUL预测方法的准确性。首先,利用主成分分析及指数加权移动平均算法融合表征轴承退化状态的多种特征,构建单调趋势良好的性能退化融合指标;其次,基于3σ准则建立一种首次预测时间确定方案,以触发RUL预测模型的启动,避免RUL预测的无效性;最后,考虑轴承的退化特性,嵌入Rauch-Tung-Striebel平滑滤波算法,以减小退化模型的随机波动,实现轴承RUL的可靠预测。仿真数据和试验信号分析结果证明了所提方法的有效性,相较于现有数模联动方法,显著提高了轴承RUL的预测精度。

基于核鲁棒流形非负矩阵分解和融合特征的柴油机故障诊断

柴油发动机作为工业生产上的重要动力源之一,若其产生故障,将对工业生产的效率和安全造成巨大的影响,因此对柴油机进行故障诊断具有重要意义。针对柴油发动机气门故障诊断中特征提取困难和准确率不高的问题,提出一种基于核鲁棒流形非负矩阵分解方法和融合特征的柴油机故障诊断方法。首先,对压力信号进行时域分析,提取压力特征;其次使用短时傅里叶变换对振动信号进行时频分析;然后用核鲁棒流形非负矩阵分解提取振动信号中的特征;再融合压力信号中的特征与振动信号中的特征;最后使用支持向量机实现故障诊断。与传统方法相比,该方法在采集的数据集上故障诊断准确率可达100%,证明该方法可以有效提取特征并显著提高诊断准确率。

基于Transformer编码器的多级表示与融合特征输入的语音情感识别方法

为了提高语音情感识别的准确度,探讨了将Transformer应用于语音情感识别的可能性.将对数梅尔尺度谱图及其一阶差分特征相融合作为输入,使用Transformer来提取分层语音表示,分析注意头个数和Transformer编码器层数的变化对识别精度的影响.结果表明,在ABC、CASIA、DES、EMODB和IEMOCAP语音情感数据库上,相比以MFCC为特征的Transformer,所提模型的精度分别提高了13.98%、8.14%、24.34%、8.16%和20.9%.该模型表现优于递归神经网络(RNN)、卷积神经网络(CNN)、Transformer等其他模型.

基于多通道融合特征网络的文本情感分析

针对现有文本情感分析基础深度学习模块特征提取不够全面,语义表示不准确及训练效率低等问题,提出了基于多通道融合特征网络的文本情感分析模型。首先,采用针对汉字优化的预训练模型ChineseBERT提取文本的动态词向量表征,解决静态词向量存在的无法表示多义词问题,提升词向量语义表征质量;然后,通过多通道融合特征网络全面捕捉文本不同尺度下的语义特征融合向量表示,增强模型对文本深层次情感特征的学习能力;并利用软注意力机制计算每个特征对情感极性类型识别的影响权重,赋予关键特征更高权重,避免无关特征对结果造成干扰;最后,由线性层输出文本情感分类结果。在SMP2020微博疫情相关情绪分类评测数据集、购物评论数据集和酒店评论数据集上进行实验验证,分别取得了76.59%、97.59%和95.72%的F1分数以及76.6%、97.59%和95.73%的准确率,高于近期表现优秀的对比深度学习模型,验证了该模型在文本情感分析任务上的有效性。

多特征关键点的自适应尺度融合特征点云配准

针对点云在噪声、遮挡及相似特征多个干扰条件下容易产生错误配准的问题,提出一种基于多特征的关键点提取算法和自适应尺度的融合特征的点云配准方法。在关键点提取时,同时计算多个特征,使关键点更具描述性和鲁棒性。特征描述时,在自适应尺度的基础上使用FPFH和RoPs特征两种特征分别进行初始配准和错误点对剔除,最终各自得到多个相似的转换矩阵。完成上述求解后,将两者得到的矩阵组成集合进行聚类并对矩阵数最多的类取平均值处理作为最终的结果以完成特征的融合。实验研究表明,在忽略极少数无法具体化的错误配准点的情况下,真实场景下所提算法的RMSE、ATI和ERR分别为0.46 mm,1和0.37;使用数据集测试得到的正确率为99.3%,均表明该算法的精度和鲁棒性较高。

融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s,RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。

基于融合特征与优化随机森林的眼动模式识别

为充分挖掘眼动模式信息,最大限度优化模型效果,提高眼动模式识别准确率,本文提出了一种基于融合特征与优化随机森林的眼动模式识别方法。首先提取常规眼动特征、眼动序列子模式特征、视线点高斯分布特征3组特征参数,结合ReliefF选择重要的特征,建立融合特征矩阵,然后以随机森林为基础,使用粒子群算法对模型参数全局寻优,建立优化随机森林眼动模式识别模型。通过自闭症患者眼动实验公开数据集验证本文所提方法的有效性,实验结果表明所提方法能较好区分正常人和自闭症患者之间的眼动模式差异,相较于常规眼动特征随机森林的分类准确率提升了9.57%。因此,融合特征能更好的挖掘眼动模式包含的信息,粒子群算法能有效优化模式识别模型效果,为眼动模式识别提供了新思路与方法。

基于多尺度融合特征网络的表情识别研究

在人脸表情识别任务中场景和表情数据丰富且复杂的情况下,卷积神经网络难以提取具有代表性的表情特征,因此提出一种多尺度融合特征网络。首先,在卷积神经网络前端引入具有不同大小卷积块的Inception V2结构,既增强了网络模型提取表情图片局部特征的能力,又减少了网络模型的训练参数量;然后,利用Grad-CAM热力权重可视化技术绘制热力权重分布图,通过1×1卷积块构建融合特征,使其同时兼具浅层局部特征和深层语义特征;最后,将BN结构和Dropout结构引入改进网络结构中,以防止模型出现过拟合或欠拟合问题。在公开数据集FER2013和融合数据集(CK+、JAFFE和RaFD)上进行实验,结果表明该方法的识别准确率更高、泛化能力更强。