基于选择性卷积核CNN的声学温度场重构插值

锅炉温度反应了炉内燃烧情况。精准定位炉内高温区域,对提高燃烧效率,识别故障情况起到重要作用。传统声学温度场重构插值依赖于声波换能器的布置与径向基函数的选择,难以实现高分辨率温度场重构。为了解决该问题,本文设计基于选择性卷积核CNN的温度场重构插值网络(TRIN)对声学温度场重构中的插值问题进行优化,实现了对温度场的高精度插值。为了验证模型的有效性,在仿真温度场数据集和锅炉厂实测数据上开展实验,取得了良好的结果。

融入选择性卷积核的胶囊网络图像分类方法

传统卷积神经网络对空间信息不敏感,无法学习到不同特征间相对位置的关系,且每一层神经元的感受野被设计为相同大小,导致提取的图像特征信息不够精确。针对这些问题,提出一种选择性卷积核胶囊网络用于图像分类任务。在经典胶囊网络的卷积层融入具有两个分支的选择性卷积核网络,以提取更为丰富、准确的图像特征信息,提高图像分类准确率。采用CIFAR-10、Fashion-MNIST、SVHN经典图像分类数据集进行实验,结果表明,相比于基线胶囊网络模型,新模型的识别精度更高,尤其在CIFAR-10数据集上识别精度提高了1.73%,从而有效提升了图像分类准确率,具有良好的图像识别能力。

基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类

针对极化合成孔径雷达(极化SAR)图像地物分类中标注样本数量少的问题,该文提出一种基于空间-通道选择性卷积核全卷积网络(SCSKFCN)和预选-联合优化半监督学习(SPUO)的极化SAR图像地物分类方法。SCSKFCN通过使用空间和通道注意力机制,对不同感受野的特征进行自适应加权融合,有效提升了模型的分类性能。SPUO能够高效地利用标注样本,挖掘无标注样本中蕴含的信息。它采用K-Wishart距离进行样本预选并生成伪标签,然后在联合优化阶段使用真实标注样本和伪标注样本同时对模型进行优化。在模型优化过程中,SPUO对伪标注样本进行两步验证并筛选可靠的伪标注样本参与优化。实验结果表明,该方法能够在只使用少量标注样本的条件下实现高精度、高效率的极化SAR图像地物分类。

基于改进SKNet-SVM的网络安全态势评估

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。

SKASNet:用于语义分割的轻量级卷积神经网络

多数语义分割模型中的每个卷积层仅采用单一大小的感受野,不利于模型提取多尺度特征。为此,使用选择核卷积构建一个新的残差模块SKAS,通过调节感受野的大小获得多尺度信息。同时,提出一种逐层分组卷积并构建轻量级网络结构SKASNet,在连续的SKAS模块中分别使用不同的分组数,从而以相对平滑的方式降低网络参数量并增强不同分组之间的信息交流。在Cityscapes数据集上的实验结果表明,该网络模型仅有1.7 M的参数量,分割精度达到68.5%,与SegNet、ICNet和PSPNet等模型相比,其能够在大幅降低网络参数量的同时取得良好的分割效果。

基于多尺度自适应特征聚合网络的ECT图像重建

针对深层卷积神经网络在电容层析成像图像重建过程中存在电容特征提取尺度单一、中间层特征利用率不高等问题,提出了一种多尺度自适应特征聚合网络模型。首先,利用堆叠的增强型选择核卷积模块设计了一种特征增强模块(FEM),并通过串联多个FEM自适应地提取电容向量多个尺度的特征信息,极大地减少了使用普通卷积所带来的伪影现象;其次,引入了一种特征聚合机制,采用长短残差连接加强了远近特征信息的相关性,解决了网络中间层特征利用不充分的问题。实验结果表明,与传统算法及卷积神经网络算法相比,所提方法在主观视觉效果和客观评价指标上都具有更好的性能,图像相关系数最高达到0.9629,图像相对误差降低至0.0530。

引入注意力机制的高分辨率人体姿态估计

为提升人体姿态估计的准确率,提出了将SKNet(Selective Kernel Networks)视觉注意力机制与高分辨率网络HRNet(High-Resolution Network)相结合的方法。在高分辨率网络的第一阶段,使用SKNet中的选择性卷积核替代瓶颈残差模块中的3×3卷积核,使神经元根据输入信息的不同尺度自适应调整感受野的大小。在MPII数据集上的实验表明,相较于HRNet-W32和HRNet-W48,引入注意力机制的高分辨率人体姿态估计网络在不增加参数量和计算量的情况下,在通道数C=32和通道数C=48时的平均准确率分别提高了0.7%和0.5%,同时在人的手腕、髋部、膝盖和脚踝处的准确率有较大提升。

一种基于改进SKNet的晶体图像异常识别算法

晶体缺陷的研究在材料领域中十分重要,为此提出一种晶体异常图像检测方法。通过对晶体缺陷图像特点进行分析,以可选择卷积核网络(Selective Kernel Networks,SKNet)作为基础模型,同时对SKNet进行改进,以提高检测效果。一方面,为了避免通道权重信息的丢失,提高特征提取能力,采用高效通道注意力模块来替代SKNet中的压缩、激励模块;另一方面,为了提高对困难样本的分类效果,引入焦点损失替代交叉熵损失。实验结果表明:与参考算法相比,改进算法平均准确率提高了3.9%,异常图像精确率提高了1.5%,召回率提高了5.2%。

基于改进VGG网络的单体热电池X光图像无损检测方法研究

为解决单体热电池生产中出现的安装错误、人工检测耗时耗力的问题,提出一个结合迁移学习和卷积神经网络(convolutional neural network, CNN)的单体热电池缺陷检测模型。首先,对数据集图像进行裁剪、加噪等预处理,以VGG16(visual geometry group 16)网络作为模型的骨干架构,在瓶颈层后增添选择性核(selective kernel, SK)卷积;然后,增添全局平均池化(global average pooling, GAP)层,增加Dropout层及添加L2正则化等微调操作,得到单体热电池缺陷检测模型Q-VGGNet;最后,在大型公开数据集ImageNet上进行预训练学习,将获得的权重参数迁移到单体热电池图像识别模型Q-VGGNet上。测试实验表明:6种网络模型对数据集缺陷图像的总体识别准确率分别达到了98.39%、94.44%、97.27%、96.34%、93.71%、95.61%,Q-VGGNet网络模型对合格图像和漏装负极、极耳断裂、漏装集流片3种缺陷图像识别准确率分别达到了99.6%,95.9%,99.6%和98.4%。检测结果表明:该方法能够更准确、快速地检测热电池缺陷,拥有良好的缺陷诊断能力,较传统方法提高近3%,为人工检测单体热电池缺陷提供了良好的解决途径。