期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
结合解耦注意力图卷积与时态建模的骨架动作识别
1
作者
张德
王怡婷
甄昊宇
《国外电子测量技术》
北大核心
2023年第9期91-98,共8页
目前,多数基于图卷积网络的骨架动作识别模型在提取空间特征时,在所有通道上共享相同的拓扑结构,限制了空间聚合的表现能力;在提取时间特征时,仅堆叠多层的一维局部卷积,使得非相邻时间帧之间的关联信息被忽略。因此,提出一种结合解耦...
目前,多数基于图卷积网络的骨架动作识别模型在提取空间特征时,在所有通道上共享相同的拓扑结构,限制了空间聚合的表现能力;在提取时间特征时,仅堆叠多层的一维局部卷积,使得非相邻时间帧之间的关联信息被忽略。因此,提出一种结合解耦注意力与时态建模的图卷积网络模型。通过使用解耦注意力图卷积模块和通道注意力模块,将更多的注意力集中在关键的通道信息上,提高图卷积网络的空间聚合表达能力;通过融入多尺度时态建模模块,对相邻和非相邻时间步长之间的时态关系进行建模,充分提取骨架序列的时间动态特征。在公开的大规模数据集NTU RGB+D、NTU RGB+D 120、Kinetics-Skeleton上进行了实验,分别取得了90.1%(CV)和96.0%(CS)、86.0%(CSub)和87.2%(CSet)、37.3%的top-1识别准确率。实验结果表明,识别精度优于当前较主流的方法,提高了人体骨架动作识别的准确性。
展开更多
关键词
人体骨架
动作识别
解耦注意力
通道
注意力
多尺度时态建模
下载PDF
职称材料
基于TCNN-MADLSTM的全并联AT牵引网多元信号融合故障定位
2
作者
周欢
陈剑云
+2 位作者
万若安
傅钦翠
李泽文
《中国铁道科学》
EI
CAS
CSCD
北大核心
2023年第4期206-218,共13页
全并联AT牵引供电系统上下行线路并入自耦变压器,致使故障信号多路径传播,且牵引网导线阻抗不连续,传统方法很难实现牵引网故障准确定位。基于AT牵引网结构,推导牵引网上下行导线故障电流幅值与故障距离的非线性关系;基于改进的卷积神...
全并联AT牵引供电系统上下行线路并入自耦变压器,致使故障信号多路径传播,且牵引网导线阻抗不连续,传统方法很难实现牵引网故障准确定位。基于AT牵引网结构,推导牵引网上下行导线故障电流幅值与故障距离的非线性关系;基于改进的卷积神经网络(Transformer-based CNN,TCNN)和记忆注意力解耦长短期记忆神经网络(Memory Attended Decoupled LSTM,MADLSTM),通过增加注意力机制和残差连接,增强多导线电流幅值与故障距离的非线性函数关系,从而提高牵引网故障定位的精度;将前述方法与传统的卷积神经网络(CNN)和长短期记忆神经网络(LSTM)进行不同噪声条件下的对比验证。结果表明:基于TCNN+MADLSTM算法进行故障定位时,可自适应构建故障距离与多导线电流幅值的非线性函数关系,以及自适应计算故障距离,无须考虑波速影响;相较于传统的CNN+LSTM算法,TCNN+MADLSTM算法故障定位精度更高,故障区段识别精度可达100%,故障定位精度达72.100 m,均方误差为0.016 km^(2)。
展开更多
关键词
全并联AT牵引供电系统
故障定位
改进的卷积神经网络
记忆
注意力
解耦
长短期记忆神经网络
下载PDF
职称材料
题名
结合解耦注意力图卷积与时态建模的骨架动作识别
1
作者
张德
王怡婷
甄昊宇
机构
北京建筑大学电气与信息工程学院
出处
《国外电子测量技术》
北大核心
2023年第9期91-98,共8页
基金
北京市自然科学基金面上项目(4232021)
北京建筑大学校设科研基金自然科学项目(ZF17072)资助。
文摘
目前,多数基于图卷积网络的骨架动作识别模型在提取空间特征时,在所有通道上共享相同的拓扑结构,限制了空间聚合的表现能力;在提取时间特征时,仅堆叠多层的一维局部卷积,使得非相邻时间帧之间的关联信息被忽略。因此,提出一种结合解耦注意力与时态建模的图卷积网络模型。通过使用解耦注意力图卷积模块和通道注意力模块,将更多的注意力集中在关键的通道信息上,提高图卷积网络的空间聚合表达能力;通过融入多尺度时态建模模块,对相邻和非相邻时间步长之间的时态关系进行建模,充分提取骨架序列的时间动态特征。在公开的大规模数据集NTU RGB+D、NTU RGB+D 120、Kinetics-Skeleton上进行了实验,分别取得了90.1%(CV)和96.0%(CS)、86.0%(CSub)和87.2%(CSet)、37.3%的top-1识别准确率。实验结果表明,识别精度优于当前较主流的方法,提高了人体骨架动作识别的准确性。
关键词
人体骨架
动作识别
解耦注意力
通道
注意力
多尺度时态建模
Keywords
human skeleton
action recognition
decouple attention graph convolution
channel attention
multi-scale temporal modeling
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于TCNN-MADLSTM的全并联AT牵引网多元信号融合故障定位
2
作者
周欢
陈剑云
万若安
傅钦翠
李泽文
机构
华东交通大学轨道交通基础设施性能监测与保障国家重点实验室
华东交通大学交通运输工程学院
出处
《中国铁道科学》
EI
CAS
CSCD
北大核心
2023年第4期206-218,共13页
基金
国家自然科学基金资助项目(51467004)。
文摘
全并联AT牵引供电系统上下行线路并入自耦变压器,致使故障信号多路径传播,且牵引网导线阻抗不连续,传统方法很难实现牵引网故障准确定位。基于AT牵引网结构,推导牵引网上下行导线故障电流幅值与故障距离的非线性关系;基于改进的卷积神经网络(Transformer-based CNN,TCNN)和记忆注意力解耦长短期记忆神经网络(Memory Attended Decoupled LSTM,MADLSTM),通过增加注意力机制和残差连接,增强多导线电流幅值与故障距离的非线性函数关系,从而提高牵引网故障定位的精度;将前述方法与传统的卷积神经网络(CNN)和长短期记忆神经网络(LSTM)进行不同噪声条件下的对比验证。结果表明:基于TCNN+MADLSTM算法进行故障定位时,可自适应构建故障距离与多导线电流幅值的非线性函数关系,以及自适应计算故障距离,无须考虑波速影响;相较于传统的CNN+LSTM算法,TCNN+MADLSTM算法故障定位精度更高,故障区段识别精度可达100%,故障定位精度达72.100 m,均方误差为0.016 km^(2)。
关键词
全并联AT牵引供电系统
故障定位
改进的卷积神经网络
记忆
注意力
解耦
长短期记忆神经网络
Keywords
All parallel AT traction power supply system
Fault location
Improved convolutional neural network
Memory attended decoupled long short-term memory neural network(MADLSTM)
分类号
U226.5 [交通运输工程—道路与铁道工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
结合解耦注意力图卷积与时态建模的骨架动作识别
张德
王怡婷
甄昊宇
《国外电子测量技术》
北大核心
2023
0
下载PDF
职称材料
2
基于TCNN-MADLSTM的全并联AT牵引网多元信号融合故障定位
周欢
陈剑云
万若安
傅钦翠
李泽文
《中国铁道科学》
EI
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部