基于解耦注意力与幻影卷积的轻量级人体姿态估计

随着轻量级网络的发展,人体姿态估计任务得以在计算资源有限的设备上执行,然而,提升精度变得更具有挑战性。这些挑战主要源于网络复杂度与计算资源的矛盾,导致模型在简化时牺牲了表示能力。针对上述问题,提出一种基于解耦注意力和幻影卷积的轻量级人体姿态估计网络(DGLNet)。具体来说,DGLNet以小型高分辨率网络(Small HRNet)模型为基础架构,通过引入解耦注意力机制构建DFDbottleneck模块;采用shuffleblock的结构对基础模块进行重新设计,即用轻量级幻影卷积替代计算量大的点卷积,并利用解耦注意力机制增强模块性能,从而构建DGBblock模块;此外,用幻影卷积和解耦注意力重新构建的深度可分离卷积模块来替代原过渡层模块,从而构建GSCtransition模块,进一步减少计算量并增强特征交互性和提高性能。在COCO验证集上的实验结果显示,DGLNet优于轻量级高分辨率网络(Lite-HRNet),在计算量和参数量不增加的情况下,最高精度达到了71.9%;与常见的轻量级姿态估计网络MobileNetV2和ShuffleNetV2相比,DGLNet在仅使用21.2%和25.0%的计算量情况下分别实现了4.6和8.3个百分点的精度提升;在AP~(50)的评价标准上,DGLNet超过了大型高分辨率网络(HRNet)的同时计算量和参数量远小于HRNet。

改进YOLOv5s的轻量级遥感影像地面目标检测方法

针对低功耗场景下实施遥感影像地面目标实时检测问题,基于YOLOv5s提出一种轻量化改进模型。以使用ECA模块作为注意力结构的MobileNetv3代替CSPDarknet53作为骨干网络进行特征提取,同时将所有骨干网络输出的特征图送入融合网络中来获取信息更为丰富的特征图,并使用改进K-means++算法来进行锚点框聚类。以开源数据集为基础构建训练数据集,并通过多种策略进行数据增强来克服正样本的长尾分布问题。实验结果表明,本文模型对遥感影像中不同尺度的目标均能实现高精度检测,并且在多种环境中均表现出良好的泛化能力;同时,本文模型占用内存小,能够部署在低功耗硬件环境中对遥感影像内的多类地面目标开展实时检测。

“双一流”高校图书馆轻量级微服务发展策略研究——以微信小程序为例

文章以微信小程序作为“双一流”高校图书馆开展轻量级微服务的切入点进行调研,分别从微信小程序的功能建设、服务方式、运行状态三个方面对其发展现状进行阐述,进而发现“双一流”高校图书馆微信小程序存在维护不足、服务质量参差不齐、竞争压力较大的问题,并为“双一流”高校图书馆小程序的进一步发展提出了相应的参考意见和建议,以帮助高校图书馆通过小程序构建自身的轻量级服务体系。

融合Transformer和CNN的轻量级人脸识别算法

随着深度学习的发展,卷积神经网络通过堆叠卷积层逐步扩大感受野以融合局部特征的方式已经成为人脸识别(FR)的主流方法,但这种方法存在因忽略人脸全局语义信息和缺乏对人脸重点特征信息的关注造成识别准确率不高,以及大参数量层数的堆叠导致网络难以部署于资源受限设备的问题。因此提出一种融合Transformer和CNN的极其轻量级FR算法gcsamTfaceNet。使用深度可分离卷积构建主干网络以降低算法的参数量;引入通道-空间注意力机制,从通道和空间两个域最优化选择特征以提高对人脸重点区域的关注度;在此基础上,融合Transformer模块以捕获特征图的全局语义信息,克服卷积神经网络在长距离语义依赖性建模方面的局限性,提高算法的全局特征感知能力。参数量仅为6.5×10^(5)的gcsamTfaceNet在9个验证集(LFW、CA-LFW、CP-LFW、CFP-FP、CFP-FF、AgeDB-30、VGG2-FP、IJB-B以及IJB-C)上实验评估,分别取得99.67%、95.60%、89.32%、93.67%、99.65%、96.35%、93.36%、89.43%和91.38%的平均准确率,达到参数量和性能之间较好的权衡。

基于三重注意力的轻量级YOLOv8印刷电路板缺陷检测算法

在全球产业中,印刷电路板的生产和应用持续增长,已经成为各种电子设备的核心组成部分。由于缺陷尺度较小的问题以及检测模型轻便嵌入便携式设备的需求,印刷电路板图像的自动缺陷检测是一项具有挑战性的任务。为了满足智能制造和使用中对高质量印刷电路板产品日益增长的需求,提出一种基于YOLOv8的印刷电路板缺陷检测改进方法。首先,采用轻量级网络MobileViT作为主干网络,减小模型体积和计算量。其次,引入Triplet Attention模块,增强张量中不同维度间特征的捕捉能力。最后,将边界框损失函数替换为LMPDIoU,直接最小化预测框与实际标注框之间的左上角和右下角点距离。实验表明:改进后的检测模型能够在拥有极小参数量的同时保证小尺寸缺陷检测精度较高,模型参数量降低率为89.38%,满足轻便嵌入便携式检测设备和计算机资源受限的场景应用,证实了在印刷电路板缺陷检测领域具有良好的应用前景。

一种轻量级YOLOv5S农作物虫害目标检测模型

[目的]本文提出一种轻量级YOLOv5S农作物虫害目标检测模型以解决在样本数量不足的情况下农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost Bottle Block线性特征提取模块封装为1个GB模块,代替YOLOv5S中前7个CBL、CSP、SPP非线性特征提取模块,从而约简了YOLOv5S的网络参数,减轻了网络体量。[结果]在保证虫害检测效果的前提下降低网络对计算硬件与训练样本的依赖。为了验证模型的有效性,对水稻、玉米、棉花、马铃薯、苜蓿5种农作物的12类虫害进行识别与定位,多类别平均精度(mAP)为91.31%,比YOLOv5S模型高出2.56百分点。[结论]通过与SSD、Faster-RCNN、YOLOv5S模型对比发现,本文提出的模型在mAP、F1-score、精确率(Precision)、召回率(Recall)4个评价指标均占优势,尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。

结合坐标Transformer的轻量级人体姿态估计算法

针对现有的大多数自底向上人体姿态估计算法存在模型规模大、计算成本高及对边缘设备不友好等问题,提出了一种基于YOLOv5s6-Pose的轻量级多人姿态估计网络模型YOLOv5s6-Pose-CT。该模型在颈部网络中引入空间和通道重建卷积,以减少空间和通道维度上的特征冗余。同时,提出了一种坐标Transformer嵌入于主干网络中,使模型专注于长距离依赖和拥有高效的局部特征提取能力。其次,通过使用无偏特征位置对齐来解决多尺度融合过程中出现的特征错位问题。最后,使用损失函数MPDIoU对边界框的回归损失重新定义。在COCO 2017数据集上的实验结果表明,本文优化的网络模型与主流的轻量级网络EfficientHRNet-H1模型相比,在保持相同精度的同时,参数量和计算量分别减少16.2%和66.1%。相比于基准模型YOLOv5s6-Pose,参数量减少11.2%,计算量降低5.8%,平均检测精度和平均召回率分别提升2.5%和2.6%。

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。

轻量级密码Pyjamask和SUNDAE-GIFT的不可能统计故障分析

Pyjamask密码是2020年由Goudarzi等学者在国际对称密码学期刊中提出的密码算法,同时也是国际轻量级密码竞赛第二轮候选算法,旨在保护物联网中传感器、智能芯片和嵌入式设备的数据安全.本文结合Pyjamask密码的设计结构和实现特点,基于不可能关系策略和统计分析,提出适用于在唯密文环境下的不可能统计故障分析方法,并设计了 Wasserstein距离-汉明重量和Wasserstein距离-极大似然估计区分器.该分析方法分别仅需1024和1120个随机故障密文,即可在59.84ms和140.16ms内破译Pyjamask密码全部版本的128比特主密钥.并且,该方法和区分器均可用于认证加密算法SUNDAE-GIFT的分析中.不可能统计故障分析的攻击速度快,并且实现代价低,为轻量级密码的实现安全研究提供了有价值的参考.

基于轻量级密集多尺度注意力网络的小麦叶部锈病识别方法

人工诊断小麦锈病成本高、效率低,已无法满足现代农业生产的需要。本文提出了一种轻量级密集多尺度注意力网络模型(Mobile-Dense multi-scale attention net,Mobile-DMSANet),用于自动识别田间自然场景中的小麦叶部锈病(条锈病和叶锈病)。该模型在输入层设计了一个快速下采样模块(Fast subsampling block,FSB),它在不增加计算成本的前提下提高模型的特征表达能力。模型的特征提取层使用3个轻量级特征提取模块(Dense multiscale attention,DMS A)来提取小麦叶部锈病的特征。DMS A模块设计了一个多尺度的3路卷积层(Multi-scale threeway convolution,MSTC)用于获得不同尺度感受野,以提高模型的表达能力和对不同尺寸锈病的感知能力。DMSA模块中6个MSTC层通过密集连接实现特征重用,不仅大大减少了模型的参数量,而且提高了对这两种相似的小麦叶部锈病的特征提取能力。在DMSA模块中还引入了协调注意力机制(Coordinated attention,CA),来提高对病害信息的敏感性,并抑制图像中的背景信息。模型的输出层使用Softmax函数实现小麦叶部锈病识别。结果表明,Mobile-DMSANet模型在测试数据集上的识别准确率为96.4%,高于经典CNN模型(如ResNet50、AlexNet)和轻量级CNN模型(如ShufflenetV2、DenseNet系列)。Mobile-DMSANet参数量为4.54×10^(5),与其他轻量级模型相比大幅下降。本文所设计模型可用于移动端小麦叶部锈病的自动识别。

基于差异化能源大数据与敏感特征的轻量级共享数据加密方法

差异化大数据属性的路径密钥生成较为复杂,存在额外记录加密数据的行为,难以针对特定的敏感数据进行加密,导致整体开销较大。对此,基于差异化能源大数据与敏感特征,设计了一种轻量级共享数据加密方法。分析了能源大数据的差异化特征,建立同参数的无向图,通过顶点搜索法分类顶点权重值下的差异化特性,将其分离成为轻量级的数据形态,解析相应能源大数据的Raft共识机制。基于Raft共识机制,结合敏感特征测试代价矩阵,修正不同状态的能源大数据信息,针对性地定义共享能源大数据的加密密文格式,结合RSA(Rivest-Shamir-Adleman)算法,完成轻量级共享数据加密。实验结果表明,主动攻击数据、被动攻击数据、高级持续性威胁攻击数据、差分攻击数据、连接攻击数据的总体防御成功率较高,带宽开销与验证开销较小,满足了能源大数据安全保障需求。

GhostConv轻量级网络设计及故障诊断研究

提出一种GhostConv轻量级网络模型并将其用于故障诊断。GhostConv利用常规卷积生成一小部分特征图,然后在生成的特征图上进行多次特征提取来生成其余特征图,最大程度地节约了常规卷积中生成冗余特征图的成本,减少了模型参数,保证了模型的性能。采用连续小波变换对振动信号进行时频变换生成二维时频图,之后利用设计的GhostConv搭建轻量级网络模型进行故障诊断。采用凯斯西储大学轴承数据集进行验证,并与其他卷积结构网络模型进行参数量、计算量以及识别准确率的对比。实验结果表明,与其他模型相比,所使用的网络模型在参数量和计算量较少的条件下依旧有较高的识别精度,且具有较好的鲁棒性和泛化能力,具有一定的工程应用价值。

一种轻量级多模态车辆轨迹预测算法

针对自动驾驶汽车车载嵌入式计算平台存储和计算资源有限、车辆未来轨迹具有不确定性、周围环境信息复杂多变的问题,提出了一种基于MobileNeXt搭建的轻量级多模态车辆轨迹预测算法(CAM-MobileNeXt)。首先,利用MobileNeXt轻量级框架,构建了参数量和计算量均较少的车辆轨迹预测模型;其次,通过将单模态轨迹预测调整为多模态轨迹预测,以预测目标车辆可能存在的多条未来轨迹;最后,引入注意力机制,使其具备从众多输入信息中筛选出重要信息的能力,从而高效分配有限的存储和计算资源。在L5级别自动驾驶车辆轨迹数据集Lyft上开展轨迹预测实验,结果表明:所提算法具备较低的参数量和计算量,预测性能优于Lyft基线方法ResNet50;与MobileNeXt相比,所提算法在Lyft数据集上的损失值降低了11.9%,最终位移误差降低了7.4%,平均位移误差降低了11.4%。所提算法适合部署在自动驾驶汽车的车载嵌入式计算平台上,在对自动驾驶汽车的周围车辆进行准确多模态轨迹预测,以保证自动驾驶汽车安全行驶方面具有良好的应用前景。

基于轻量级卷积神经网络的羊绒羊毛识别方法

羊绒、羊毛纤维的形态和物理化学性质十分相似,2种纤维表面鳞片的纹理有所不同,鉴别二者的传统方法显微镜人工鉴别存在速度慢、识别率不高、人力成本高等弊端。针对该问题,文章提出了一种基于轻量级卷积神经网络MobileNetV3_small模型的纤维识别方法。实验发现:纤维图像中的鳞片纹理模式复杂度有限,轻量级网络能够有效地提取纤维图像中的视觉特征,并根据特征较好地识别出纤维的类别,实验中5种不同的纤维测试集识别率超过97.1%。与其他卷积神经网络相比,轻量级模型MobileNetV3_small速度更快,识别5000个样本只需13 s,适合于纤维商检中的快速检测。

轻量级神经网络模型在核脉冲参数预测中的应用研究

在核辐射测量中,由于测量系统本身以及测量环境的干扰,脉冲畸变不可避免。如果无法准确估计这类脉冲的参数,将会降低能谱的分辨性能。本文提出将6种轻量级神经网络模型用于畸变脉冲的参数预测的方法,预测对象包括脉冲幅度参数和畸变时间参数。以预定义的数学模型生成的畸变脉冲为基础数据集,经数字三角成形得到模型训练所需的数据集。模型性能评估结果表明:传统的数字成形法虽然在时间参数预测上具有绝对优势,但在幅度参数预测中却受到脉冲畸变的限制,无法获得准确的幅度预测结果。在对包括UNet在内的6种神经网络模型进行参数预测性能评估时,UNet模型在测试集上获得了最低的相对误差,其中幅度参数的相对误差约为0.57%,时间参数的相对误差为3.51%。在信噪比实验中,探讨噪声对具有出色的抗噪性能参数预测性能的UNet模型与CNN-LSTM模型的影响,进一步证明了UNet模型优秀的抗噪性能。

阿克量级放射性同位素分析的加速器质谱分析技术及其进展

加速器质谱(AMS)技术已发展成为测试超低含量长寿命放射性核素的最灵敏手段,探测限降低至阿克量级。该文对加速器质谱的基本原理、加速器质谱仪基本结构、仪器经历的四代发展演化情况以及加速器质谱相关的关键技术进行了综述,以便于感兴趣的科研人员或从事相关交叉研究的青年科技工作者了解加速器质谱的技术原理、发展趋势、应用领域和范围,促进该技术的应用和学科交叉融合创新。近10年来,我国加速器质谱技术发展快速,仪器设备急剧增加,实验室建设和应用领域发展迅猛,在建及建成各类设备二十余台,设备类型愈发多样化,测试核素同样经历了最初的14C单一核素到现在“主流长寿命放射性核素”的近乎全覆盖扩展,应用范围不断扩大,对我国加速器质谱实验室的建设发展情况进行梳理和汇总也正得其时。加速器质谱技术除了推动传统的基础科学研究外,必将在对全球气候、环境污染、公众健康和国际性的核材料安全防护等热点问题的研究中做出越来越大的贡献,发挥越来越重要的作用。

一种基于格的轻量级物联网群签密认证方案

5G时代为物联网高速发展带来了机遇,身份认证是保障物联网安全的基础。然而在面对量子攻击时,由于物联网节点众多,基于签密的身份认证方案生成节点密钥将消耗大量资源,难以满足物联网低开销的需求。为此,设计了一种基于格的轻量级群签密认证方案。在密钥生成阶段,设计了改进陷门对角矩阵,优化生成密钥所需的原像采样算法,减小了生成大量密钥时所需的整体时间;在身份认证阶段,基于剩余哈希引理和签密性质,在一个逻辑步骤内对消息同时进行签名和加密,提出了低次数的点乘与哈希运算的交互流程,完成组长代替群组成员进行的接入认证。仿真实验表明,该方案降低了物联网设备接入时的交互次数,减少了身份认证阶段的计算开销,对比现有方案,签密与解签密的总开销降低了至少7%,同时证明了该方案能在物联网中抵抗量子攻击。

联合SAR影像相位和幅度信息的多形变量级滑坡监测——以金沙江白格滑坡为例

近年来,雷达遥感被广泛用于提取滑坡表面的高精度形变信息,所用技术包括基于相位的干涉测量和基于幅度的像素偏移量追踪;然而,大型复杂滑坡的形变量在时间演化以及空间分布上都存在较大差异,单一雷达遥感手段难以实现滑坡形变的全面监测。该文在雷达遥感形变探测能力分析的基础上,提出联合SAR(synthetic aperture Radar)影像的相位和幅度信息进行滑坡的全过程监测。以2018年发生的金沙江白格滑坡为例,基于2014—2021年Sentinel-1数据和2014—2018年ALOS-2数据,联合时序InSAR(interferometric SAR)分析和时序像素偏移量追踪(pixel offset tracking,POT),获取滑坡灾前灾后时序形变。结果显示白格滑坡灾前后缘的年平均速率在20 mm/a,主滑坡区2014年12月—2018年7月形变量可达45 m左右;灾后滑坡逐渐向后缘扩张,年平均形变速率可达200 mm/a,已经威胁到部分民房。2种方法的联合可以实现大型复杂滑坡的时空维多形变量级提取。

PRIDE轻量级密码的不可能统计故障分析

针对2014年美密会上提出的PRIDE轻量级密码的实现安全,提出了面向唯密文攻击假设的新型不可能统计故障分析方法,设计了卡方拟合优度-汉明重量区分器、卡方拟合优度-极大似然估计区分器等新型区分器。所提方法基于随机半字节故障模型,结合统计分布状态和不可能关系分析,围绕导入故障前后中间状态的变化,最少仅需432个故障即可恢复出PRIDE算法的128 bit原始密钥,且成功率达99%及以上。实验分析表明,所提方法不仅能减少故障数和耗时,而且进一步提升了准确率。该结果对轻量级密码的实现安全性提供了重要参考。

基于特征融合的轻量级新残差人脸识别方法

针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.