基于浅层空间特征融合与自适应通道筛选的目标检测方法

为解决加深主干网络造成的检测速度下降问题,提出了一种基于特征融合与通道筛选的目标检测方法.首先,该方法合理地复用了每个下采样阶段内的子空间信息,在每个下采样阶段,利用所设计的8倍、4倍、2倍下采样模块进行特征融合.然后,将融合后的特征图谱进行自适应通道筛选后组装到SSD的网络中,强化全局信息在目标检测模型中的作用.最后,设计了基于余弦距离的分类损失函数,使目标分类的准确度更高.以VGG网络为主干网络,参照SSD目标检测网络,加入了提出的下采样特征融合模块、自适应通道筛选模块以及改进的损失函数,进行了多组对比试验.结果表明,当网络的图像输入尺寸为512×512时,该方法在Pascal VOC 2007与Pascal VOC 2012数据集上对于目标检测的平均精度均值达到了82.2%,优于所对比的单级目标检测模型.该方法在保证实时检测速度的条件下,达到与拥有较深主干网络的检测模型同级别的性能.

基于卷积通道筛选的大规模图像识别

一直以来,由于大规模图像种类繁多且形态各异,导致大规模图像识别领域研究发展非常缓慢。在深度模型中,卷积神经网络(convolutional neural network,CNN)可以提取颜色、轮廓等浅层特征。随着层次的加深,其特征表述也由颜色、轮廓等特征逐渐抽象为整体特征。然而通过实验发现,网络的这种特征提取方式在提取整体特征时会出现一些不利于有效分类的“坏通道”。这种现象在大规模的图像分类任务中表现的更加明显。这些通道参与了网络的后续计算并且一定程度上降低了网络的性能。为了筛选出这些不利于分类的通道,提出了结合L1和L2范数进行特征选择的方法。通过对比多个网络模型的实验结果,该特征选择算法在大规模图像识别中具有更好的性能,并且可以提高网络的识别准确率。

基于多通道帧级筛选的LSTM网络脑电情感识别

针对当前脑电(EEG)情感识别技术常受冗余信号干扰的问题,提出了基于多通道帧级筛选长短时记忆网络模型(multi-channel fame-level filtered long short-term memory,MCFL-LSTM)。设计了“多头门控”模块,该模块以拼接的32个通道特征片段作为输入,通过多头机制,即采用多个门控单元获取单通道的帧级片段的特征权重,筛选出单通道中重要特征,减少冗余和无意义特征片段的影响。在帧级特征提取后,将维度变换后的32个通道输入门控单元进行通道级筛选,从而获取与当前情感刺激最相关通道,提升模型特征提取能力,增强了识别性能。实验结果表明,方法在DEAP数据集上4个二元分类评估分别达到了87.21%、82.26%、82.98%和87.53%的平均准确度,证明了模型的有效性和鲁棒性。

等频段多通道信号跟踪和筛选的中高频振荡快速检测方法

“双高”系统中多电力电子设备所引起的中高频振荡问题日益显著,传统振荡检测方法难以兼顾中高频振荡检测的准确性与灵敏性,已无法满足中高频范围内的振荡检测新需求。为此,文中提出一种等频段多通道信号跟踪和筛选的中高频振荡快速检测方法,包括工频陷波环节、等频段多信号跟踪筛选通道、阈值判断环节。首先,待检测信号通过工频陷波环节实现基频信号的消除;然后,进入等频段多信号跟踪筛选通道,每个通道通过锁相环和低通滤波器实现特定频率范围内振荡信号的快速追踪,最终由多个通道共同作用覆盖中高频范围;最后,各通道输出经过阈值判断环节实现中高频振荡的快速检测。针对所提快速检测方法,提出等频段多通道信号跟踪和筛选的中高频振荡快速检测方法中,工频陷波环节、等频段多信号跟踪筛选通道、阈值判断环节的参数设计原则和方法。在中频和高频数值信号、模块化多电平换流器(modular multilevel converter,MMC)系统的高频振荡、MMC系统的中频振荡案例中对所提出方法的有效性进行了对比验证,结果表明,所提检测方法可实现对中高频振荡频率与幅值的快速追踪,且振荡频率检测误差可通过通道数设置进行主动控制,对于中高频振荡的检测具有良好的准确性和灵敏性,满足中高频振荡预警及抑制的检测需求。

融合多特征和通道感知的目标跟踪算法

针对深度特征描述目标在跟踪过程中出现漂移或过拟合的问题,提出了一种融合多特征和通道感知的目标跟踪算法。应用预训练模型提取跟踪目标的深度特征,依据该特征构建相关滤波器并计算各通道对应滤波器的权重系数,根据权重系数对特征通道进行筛选;对保留的特征通过标准差计算生成统计特征并与原特征融合,采用融合后的特征构建相关滤波器并做相关运算,获取特征响应图确定目标的位置及尺度;利用跟踪结果区域的深度特征对融合特征构建的滤波器进行稀疏在线更新。所提算法和目前一些主流的跟踪算法在公共数据集OTB100、VOT2015和VOT2016上进行测试。与UDT相比,在不影响跟踪速度的同时,该算法具有更强的鲁棒性和更高的跟踪精度。实验结果表明,所提出的算法在目标尺度发生变化、快速运动和背景干扰等挑战下均表现出较强的鲁棒性。

WCF-MobileNetV3:轻量型新冠肺炎CXR图像识别网络

为了对新型冠状病毒引发的肺炎胸部X光(chest X-Ray,CXR)图像进行准确且快速的识别,提出了一种基于加权通道筛选(weighted channel filter,WCF)的轻量级模型WCF-MobileNetV3。将轻量级的MobileNetV3-small作为主干网络,并针对CXR图像样本类间差异小、难以提取区分性特征的问题,提出了WCF模块。提取输入特征图的高维与低维通道特征权重;采取加权随机抽样的方式生成高维与低维特征通道掩膜,将高维、低维的权重融合,并利用掩膜对融合后的权重进行通道筛选;将权重赋给输入特征图,实现通道特征增强。在Chest-X-Ray Image与COVID-19 Chest X-Ray Image Repository数据集上进行了实验,结果表明:WCF-MobileNetV3对新冠肺炎CXR图像识别的准确率、精确率、灵敏度分别为97.93%、98.64%、97.19%。与其他新冠肺炎识别算法相比,WCF-MobileNetV3能够准确且高效地识别新冠肺炎CXR图像,具有更好的识别性能。

基于YOLOv3算法的交通事故检测

针对深度学习算法虽然能够很好地对车辆进行检测,但网络结构复杂,存在大量冗余,导致检测速度非常缓慢的问题,提出基于缩放因子对网络结构进行剪枝。首先,训练网络通道的稀疏性,以便更容易筛选出重要的通道。在训练网络权值时,将L;范数应用于缩放因子和网络偏置,具有较小参数值的结构受到惩罚;其次,对网络结构中的缩放因子进行排序,并根据比例对缩放因子较小的结构进行修剪;最后,将修剪结构的偏置转移到后续层,以保持精度。对于车辆数据,经过训练和测试,修剪后的模型在精度几乎保持不变的情况下,每秒千兆浮点运算(GFLOPS)从33.2下降到8.1,参数量从62M下降到6.8M。