具有空间-通道重构卷积模块的肺音分类模型

目的探究肺音数据的准确识别及分类。方法本文提出了一种结合空间-通道重构卷积(SCConv)模块的卷积网络架构以及双可调Q因子小波变换(DTQWT)与三重Wigner-Ville变换(WVT)结合的肺音特征提取方法,通过自适应地聚焦于重要的通道和空间特征,提高模型对肺音关键特征的捕捉能力。基于ICBHI2017数据集,进行正常音、哮鸣音、爆裂音、哮鸣音和爆裂音结合的分类。结果方法在分类的准确率、敏感性、特异性以及F1分数上分别达到85.68%、93.55%、86.79%、90.51%。结论所提方法在ICBHI 2017肺音数据库上取得了优异的性能,特别是在区分正常肺音和异常肺音方面。

声全息重构卷积计算中混迭问题的研究

分析了实空间离散格林函数的特点和平面声全息重构卷积计算的特殊性 ,推导了在重构条件下二维循环卷积与重构卷积的关系。理论上证明了在全息重构中将二维全息声压序列补零使其成为原序列长度的两倍 ,而二维格林函数序列无需进行补零处理仍可由二维离散傅氏变换准确地得到全息重构卷积结果 ,而不会产生循环卷积中的混迭现象 ,即不存在所谓的重构“卷绕”误差。同时还证明了实空间格林函数的取值不确定性不会影响重构结果 ,并通过仿真算例进行了验证。

弹载人工智能可重构卷积加速器设计

随着卷积神经网络的广泛应用,相关的卷积加速器应运而生,但现有卷积运算结构都是专用设计,满足不了弹载人工智能对实时性与低功耗的要求。针对此问题,充分考虑专用集成电路实现后的高能效性和现场可编程逻辑门阵列的灵活可配置性,研究动态可重构、分时复用、脉冲阵列与并行流水等结构,设计一种了用于弹载人工智能的可重构的卷积加速器,有效的弥补系统硬件资源的有限性,并提高了系统的并行性,满足未来智能武器装备对处理性能的需求。

基于重构双注意力网络的图文情感分析

在传统的图文跨模态情感分析算法中,由于缺乏对视觉特征空间和通道的关注,往往容易造成局部特征关键信息的丢失,导致在特征融合阶段,不能很好地表示关键信息。因此,该文提出了基于重构双注意力网络的图文情感分析模型(Images-Text Sentiment Analysis Based on Reconstructed Dual Attention Networks Fusion, IRDA)。该模型在视觉特征提取中使用ResNet50获取视觉特征,同时引入空间和通道重构卷积模块,对视觉特征空间和通道位置信息进行重构,对不同位置的关键信息进行融合,加强视觉特征提取。在文本特征提取中使用BERT模型获取文本特征表示,并使用双向门控循环单元(Bi-GRU)关注低层次单词之间的上下文联系,进而增强文本语义特征。使用交互注意力机制关注模态间的特征交互,并进行视觉特征与文本特征融合,进而完成情感分类任务。该模型在MVSA多模态数据集上进行实验验证,实验结果表明该模型皆优于当前主流模型,证实了模型的有效性。

改进的基于多路径特征的胶囊网络

针对胶囊网络(CapsNet)在复杂数据集上的分类效果差,而且在路由过程中参数数量过大等问题,提出一种基于多路径特征的胶囊网络(MCNet),包含新的胶囊特征提取器和新的胶囊池化方法。该胶囊特征提取器从多个不同路径中并行地提取不同层次、不同位置的特征,然后将特征编码为包含更多语义信息的胶囊特征;胶囊池化方法则在胶囊特征图的每个位置选取最活跃的胶囊,用少量的胶囊表示有效的胶囊特征。在4个数据集(CIFAR-10、SVHN、Fashion-MNIST、MNIST)上与CapsNet等模型进行了对比。实验结果显示,MCNet在CIFAR-10数据集上的分类准确率为79.27%,可训练的参数数量为6.25×10^(6),与CapsNet相比,MCNet的分类准确率提升了8.7%,参数数量减少了46.8%。MCNet能够有效提升分类准确率,同时减少可训练的参数数量。

基于改进YOLOv5n的带钢表面缺陷检测算法

针对热轧带钢表面缺陷检测时存在检测精度低、速度慢、小目标难以检测等问题,提出了一种基于改进YOLOv5n的带钢表面缺陷检测算法。首先对特征提取网络中的部分卷积重构引入1×1卷积的旁支,以不同的感受野提取特征加强了网络的特征提取能力;其次对多尺度融合结构中的部分卷积操作引入了通道和空间注意力机制,保留了更多的通道和空间信息;最后增加一个检测层同时改用加权双向特征金字塔网络,加强多尺度特征融合能力,提高多尺度特征融合的效率并增强小目标的检测能力。实验结果表明,改进的YOLOv5n算法在NEU-DET数据集上mAP达到了82.6%,比原始YOLOv5n算法提高4.8%,检测速度达到138 fps/s。改进YOLOv5n算法对带钢表面缺陷检测具有实时高精度的检测能力。