基于注意力时间卷积网络的加密流量分类

针对目前大多数加密流量分类方法忽略了流量的时序特性和所用模型的效率等问题,提出了一种基于注意力时间卷积网络(attention temporal convolutional network,ATCN)的高效分类方法。该方法首先将流量的内容信息与时序信息共同嵌入模型,增强加密流量的表征;然后利用时间卷积网络并行捕获有效特征以增加训练速度;最后引入注意力机制建立动态特征汇聚,实现模型参数的优化。实验结果表明,该方法在设定的两项分类任务上的性能都优于基准模型,其准确率分别为99.4%和99.8%,且模型参数量最多可降低至基准模型的15%,充分证明了本文方法的先进性。最后,本文在ATCN上引入了一种基于迁移学习的微调方式,为流量分类中零日流量的处理提供了一种新颖的思路。

基于计算机视觉和视频插帧的结构振动测试与模态识别

结构振动测试和模态参数识别是基于结构动态特性进行结构健康监测(SHM)的基本方法。为克服传统接触式测试的不便,引入了非接触式计算机视觉方法,其中以智能手机为数据采集装置的方法受到越来越多的关注。然而智能手机相机往往因为性能受限无法满足需求,从而导致测量结果精度下降。为此,提出一种改进的视频插帧算法EQVI-T与改进的边缘检测算法,通过提高原始视频的帧率和提出的特征点追踪方法共同提升计算精度。为验证这一方法的有效性,将其应用于试验室模型的位移响应监测和模态参数识别,并进行了定量和定性评估。结果表明,所提方法在提高测量精度和准确性方面具有显著优势,展示了其在结构振动测试中的潜在应用价值。

基于多维语义特征与层次注意力机制的讽刺识别

讽刺是一种复杂的语言表达方式,在日常交流中发挥着重要作用。随着人工智能和社交网络的快速发展,讽刺识别已成为自然语言处理领域的热点研究课题之一。现有的讽刺识别研究往往从单一维度对讽刺文本特征进行表示,忽视了讽刺文本特征的细微差异及其重要程度。本文将讽刺识别视为文本分类任务,在特征提取阶段,将讽刺文本根据其不一致性特征、情感特征、句法结构特征和风格特征进行多维语义特征表示。在特征融合阶段,针对不同维度特征对整体特征贡献和关联程度不同,采用层次注意力机制调整不同讽刺语言学特征对模型整体性能的影响。实验结果表明,所提出的模型能够从多个维度提取讽刺文本的潜在语义特征,其在公开数据集IAC、Tweets和Reddit上的实验性能均有明显提升。

强化特征图的无参考低光照图像增强

针对低光照图像质量不佳、夹杂噪声导致对比度和亮度不足、细节不清晰,且成对的低光照图像数据集获取成本过高的问题,在生物视觉马赫带效应的启发下,提出一种强化特征图的无参考低光照图像增强方法。使用强化滤波块(EFB)对图像和特征图进行特征强化,抑制噪声的同时强化特征细节,提高网络对特征的学习能力。将跳跃连接与空间注意力模块(ESA)结合,通过融合强化的浅层特征与深层特征来提取全局上下文信息和局部区域特征,有效保留了图像的色彩信息,避免细节丢失,提高网络的泛化能力。使用像素估计曲线调整低光照图像像素的动态范围,对其进行亮度增强。实验结果表明,经该算法处理后的图像在PSNR、SSIM、LPIPS和NIQE等指标上分别达到了17.709 dB、0.657、0.239和3.486,该方法相较于现有的主流算法能够更好地达到图像增强目的,有效地提升图像亮度和细节信息,同时保持图像的自然属性。

基于注意力机制的艾德莱斯绸纹饰图案分割研究

目的由于艾德莱斯绸具有丰富的色彩和复杂的纹饰图案,在对其进行图案分割时难度较大,容易出现错分割和漏分割的情况。为此,提出了基于注意力机制的艾德莱斯绸纹饰图案分割算法。方法采用FCN模型对艾德莱斯绸纹饰图像进行卷积训练,突出图像的语义特征信息。利用通道注意力模块和位置注意力模块,分别对艾德莱斯绸纹饰图像展开学习,得到维度完全相同的特征图。将两个模块特征图融合后与FCN模型输出图像再次融合,得到艾德莱斯绸纹饰图像的特征提取结果,选取图像中的感兴趣区域,完成对艾德莱斯绸纹饰图案的分割。结论实验结果表明,所提方法取得了精准度较高的分割结果,分割图像边缘清晰,没有出现错分割和漏分割的情况,分割结果总体上较为理想。

基于3D-GCN的精神分裂症分类模型研究

过去的精神分裂症识别研究中,许多忽略了脑电信号的三维空间特征,且不能动态学习节点间的关系,对信号信息的挖掘不够充分.针对这些问题,提出基于三维图卷积神经网络(3D-GCN)的精神分裂症分类模型,在首发精分数据集进行实验.实验将五个频段的特征矩阵和节点特征矩阵拼接,在频段、空域、特征域三个维度上应用了注意力机制,并将融合的特征与采用三种常见的不同功能连接指标构建的脑网络一起输入进图卷积神经网络.实验结果表明,在6s的分段长度、PLV功能连接指标下的分类准确率最高,达到了81.65%,且分类效果优于其他方法,为精神分裂症的识别诊断提供了有力支持.

基于残差密集注意力网络的图像超分辨率重建

针对现有图像超分辨率重建算法中细节丢失和图像边缘模糊等问题,提出了一种基于残差密集注意力网络的图像超分辨率重建方法。该方法采用了密集连接和残差连接的结构来构建残差网络,充分利用低层特征与高层特征之间的信息交互,提取更高层次的图像特征。同时,融合通道注意力和空间注意力自适应地选择重要特征,并将这些特征进行加权融合,从而更好地恢复图片的纹理细节。实验结果表明,文中所提方法在峰值信噪比(PSNR)和结构相似度(SSIM)上表现优异。

基于改进长短期记忆网络的新能源场站网络安全评估方法研究

为了解决新能源大规模并网造成现有新能源场站网络安全防护体系无法满足网络异常监测和告警需求的问题,提出一种基于改进长短期记忆网络的新能源场站网络安全评估方法。首先,根据新能源场站网络系统架构,分析网络安全发生原因;其次,基于随机森林算法求解新能源场站网络流量的基尼系数,进而求出网络流量所有特征的重要系数,选出重要特征;最后,将重要特征输入长短期记忆网络中,利用注意力机制自适应分配数据的时间和特征,加强对网络流量中重要时间和特征的重视,进而提高模型对网络安全评估的准确性。试验结果表明,该方法能够准确评估新能源场站网络安全状态,与支持向量机、卷积神经网络、传统长短期记忆网络相比,评估准确率分别提升了12.65%、9.34%、8.79%,提升了新能源电力系统的网络安全状态感知、评价和告警能力。

用于自动驾驶的双注意力机制语义分割方法

在自动驾驶场景中存在着光照、天气、路面状况等复杂多变的因素,这些因素会导致现有的语义分割方法在小目标物体的分割效果上存在注意力缺失的问题。为了解决这一问题,文中提出一种优化双注意力机制的方法,该方法的主要思想是通过引入位置和通道注意力机制生成权重,从而增强特征的表征能力。首先,位置注意力机制通过学习每个像素点在空间上的重要性,生成与位置相关的权重。其次,通道注意力机制通过学习每个通道在特征表示中的重要性,生成与通道相关的权重,将得到的位置注意力和通道注意力权重与输入特征进行逐元素相乘,以增强特征的表征能力。最后,将2个注意力模块的输出特征进行融合。实验结果表明,改进后的网络模型明显提升了语义分割精度,且在Cityscapes数据集上的平均交并比(mean intersection over union, mIou)达到了80.4%,相较于全卷积神经网络(fully convolutional networks, FCN)方法提升了10.4%。

基于新型特征增强与融合的雾天目标检测方法

为进一步提升深度学习网络对雾天场景下目标的检测精度,在YOLOX网络基础上,提出了基于新型特征增强与融合(novel feature enhancement and fusion, NFF)的雾天目标检测方法NFF-YOLOX。首先,在瓶颈结构中通过多支路卷积构建新型特征增强模块,该模块在保留基本信息特征的同时能够提取更多有效特征信息,增强目标特征的表征能力,提升网络对目标的特征提取能力;其次,利用双向金字塔自上而下和自下而上的网络特征构建新型特征融合模块,使目标的语义信息从深层特征流向浅层特征,充分融合和提取图像的细节特征,并在瓶颈结构的特征融合模块引入坐标注意力,模型在训练时能准确定位目标,减少目标特征信息的丢失;最后,考虑到正负样本可能存在不均衡的情况,将Focal loss与α-IOU结合构造一种新型损失函数,减少模型训练时的损失,缩短收敛时间,提升网络对雾天目标的识别率。实验结果表明:该方法与YOLOv7及DETR等6种先进目标检测网络相比,在真实雾天数据集RTTS上能够取得更高的雾天目标检测精度,当真实框与预测框的交并比(intersection over union, IOU)为0.5时,平均精度(mean average precision, mAP)提高了1.3%以上,当IOU从0.5到0.95且步长为0.05时,mAP提高了2.99%以上。

某矿双回撤通道末采阶段围岩力学特征与支护优化

为了更好地控制由回采扰动引起的回撤通道围岩变形问题,采用理论分析、数值模拟以及现场监测与验证相结合的方法,对回撤通道围岩变形机理进行理论分析,采用FLAC3D 6.0数值模拟软件,模拟双回撤通道在受到回采工作面推进扰动过程中围岩载荷运移现象,以及支护参数优化后的支护效果,最后在现场对优化后的支护进行支护验证。结果表明,工作面回采对回撤通道围岩变形影响很大,工作面的推进会引起回撤通道整体围岩应力增高,应力集中范围扩大以及回撤通道顶板应力降低,并在回撤通道与回采工作面之间煤体上应力集中现象最明显。支护参数优化后,回撤通道顶底板几乎没有发生塑性变形,两帮发生的变形量较小。现场数据表明,回撤通道顶底板和两帮移近量比优化前分别减少了18%和78%。

类内-类间通道注意力少样本分类

针对元学习少样本分类样本特征鉴别能力不足的问题,提出了一种类内-类间通道注意力少样本分类方法(Intrainter Channel Attention Few-shot Classification,ICAFSC)。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块,该模块通过类内-类间距离度量计算通道权重实现特征加权,提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题,ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务,并利用这些任务充分训练类内-类间通道注意力模块,促使该模块达到较优的状态。在原型网络的元训练和元测试阶段,ICAFSC冻结类内-类间通道注意力模块的参数,分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明:本文提出的类内-类间通道注意力少样本分类方法与原型网络相比,在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。

基于注意力机制的循环一致性生成对抗网络

针对循环一致性生成对抗网络(Cycle-GAN)在图像风格转换任务上出现的纹理细节处理得不好、背景颜色保留较差等问题,并且缩小在配对图像数据集和非配对图像数据集上训练结果的差异,提出一种基于注意力机制的循环一致性生成对抗网络,在生成器网络中融入通道注意力机制(SE-Net),利用网络自主学习的方法得到每一个特征通道的重要程度,再分别赋予每个特征通道不一样的权重系数,以此来强调有重要特征的部分、抑制非重要特征的部分,使得不同特征和不同区域能够被生成器网络非均匀的处理。同时引入对比学习(CL),使网络能够学习到图像的更高层次的通用特征。实验结果表明,所提方法在horse2zebra数据集上取得了较好的结果。

嵌入注意力的GaborCNN快速人脸表情识别方法

人脸表情识别是智能人机交互研究的基础问题之一,面部情绪变化与嘴、眼睛、眉毛、鼻子等区域密切相关,这些特征对识别表情非常重要。为此,提出一个由4个Gabor滤波卷积层、注意力模块和两个全链接层组成的注意力Gabor卷积网络,同时使用不平衡损失focalloss对网络进行优化。首先,通过Gabor核与传统卷积滤波器调制的Gabor定向滤波器相较于传统卷积滤波器能更好地捕获感兴趣区域的信息,然后利用通道注意力、空间注意力模块提取区域中更关键的特征。在FERPlus和RAF-DB数据集上的实验表明,该模型结构简单、易于训练、计算成本低,识别精度分别达到88.39%、87.22%。

基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法

分析了高分辨率SAR图像中海洋背景和舰船目标的特点,针对高分辨率SAR图像提出了一种两阶段舰船目标快速检测算法:第一阶段采用改进的频谱残差视觉显著计算模型快速获取视觉的感兴趣区域;第二阶段检测阶段,结合贝叶斯理论二元假设检验的思想,设计了一个局部最大后验概率分类器进行像素分类,经参数估计、判决准则完成显著区域内像素二分类以实现目标检测。实验采用典型的高分辨率SAR卫星Terra-SAR-X卫星数据进行仿真实验,结果表明所提算法具有良好的检测性能,也更加符合实际高分辨率图像舰船目标检测的应用需求。通过进一步实验与以往检测算法的对比得出结论,高分辨率SAR图像舰船目标检测方法在能够改善由斑点噪声和不均匀的海杂波背景对检测结果带来虚警的同时,检测速度也提高了25%~50%。

浅论循经部位高能量代谢的形成机制

通过对既往经络实质研究成果的分析和整合,认为高能量代谢是循经特异性的主要特征之一,并以探讨循经高能量代谢的形成机制为切入点,发现循经部位细胞的电压门控钙通道蛋白可能在循经机能活动过程中发挥着启动与耦联的重要作用,据此进一步完善前"经络蛋白耦联带"假说为"经络钙通道蛋白耦联带"假说,为揭示经络物质基础和作用机制开启新途径。

电压门控钠通道的β亚基调控机制

电压门控钠通道是细胞电兴奋的重要分子基础,由一个α孔道亚基和单个或多个β辅助亚基构成。β亚基以直接与钠通道α亚基结合或以细胞粘附分子方式,组合或单独调节α亚基的表达定位及门控特性。因此,β亚基与α亚基不同亚型的细胞特异性表达组合,是神经元内在特性的内源性调控机制之一。本文基于钠通道β亚基不同亚型差异表达与功能的多样性调控,解析疼痛、癫痫等通道病发生发展的β亚基相关机制,以期为靶向电压门控钠通道的临床诊疗和新药发现提供新策略。

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。