域迁移增强的综合假脸检测模型

提出一种跨域的综合假脸检测模型。首先,设计一种双域融合模型,该模型利用空间注意力机制实现RGB域和频域特征的融合。其次,在此基础上,结合数据增强技术,提出了一种跨域迁移策略。最后,提出的双域模型的精度,在5个通用数据集上均比单域模型有一定的提高,尤其在NT数据集上,该方法的精度比EfficientNet-B0方法提高了3.4%。此外,实验结果表明,与其他迁移学习方法相比,在FaceForensics++和Celeb-df数据集上,该方法在域迁移中具有更好的泛化性能。

多源数据融合的深埋隧道岩爆预测方法

为提高隧道设计阶段未开挖区域的岩爆预测准确性,提出了一种多源数据融合的隧道岩爆预测方法.综合隧道勘察和施工阶段的不同地质信息,采用基于证据关联系数的加权融合技术,构建了隧道精细化三维动态地质模型.建立了基于强度理论的岩爆可能性判定方法和基于能量理论的岩爆烈度预测方法,通过Hoek-Brown强度准则判断围岩是否发生岩爆,利用储能极限阈值和能量释放指数划分岩爆烈度,并将其应用于四川某隧道工程中.结果表明,所提方法可以实现隧道掌子面前方30 m范围内的岩爆精准预测,预测结果与隧道开挖实际岩爆的吻合率为95.8%.因此,该预测方法能够在隧道施工前预判岩爆烈度,为隧道岩爆防治提供指导.

物理—数据双驱动的压裂压力实时预测方法

井口压力预测存在压力波动剧烈、干扰因素多以及影响机理复杂等问题。现阶段研究中,由于对复杂的地层条件、裂缝特征及流体动力学过程的过度简化,传统物理模型难以捕捉多重非线性变化和突发波动,导致在真实施工环境下的预测精度和实时响应能力受到局限。而人工智能模型尽管具有较强的非线性拟合能力,但往往缺乏对压力波动的物理机理的深入理解,对地层和施工参数的敏感性不足,导致在极端或动态变化的条件下稳定性较差、解释性不足。针对这一难题,提出了一种物理—数据双驱动的压力曲线的预测方法对未来压力趋势进行预测。首先,构建了基于长短期记忆(LSTM)神经网络的智能模型,融合缝内支撑剂床平衡高度计算结果与井场实时泵注数据作为模型输入,预测了未来60 s的压力数据;其次,结合传统井口压力反演方法,使用小波变换分解智能模型与传统模型预测结果,利用LSTM模型整体趋势与压力反演计算方法(IPC)模型中突变点特征,重构了兼顾整体趋势和局部波动的井口压力预测曲线。结果表明,相比LSTM模型,IPC和LSTM的小波融合模型未来60 s井口压力预测的均方根误差(RMSE)和均方绝对误差(MAE)分别下降了37.87%和15.29%,预测结果能够精准捕捉现场施工的压裂压力变化,为现场施工提供更为可靠的指导和决策依据。

基于双通道和Transformer的视网膜血管分割

针对视网膜眼底血管分割结果存在的断裂、分割不足等问题,提出局部与全局双支路分割模型,局部支路先对图像进行平均分割,对分割后的图片进行局部特征信息提取,全局支路则是对全局信息进行特征提取,在2条支路之间通过特征融合模块(Feature Fusion Module, FFM)进行连接,使得网络之间的联系更加密切,全局、局部支路信息共享,在局部支路的最底层加入层数为6的Transformer模块,对底层的抽象通知进行高效提取利用,减少特征信息的丢失,提高网络的分割精度。提出的模型在公开数据集DRIVE、STARE上的准确率分别为98.39%、98.76%,与传统模型分割精度相比得到了较大的提升。

融合坐标感知与混合提取的视网膜病变分级算法

针对糖尿病视网膜病变中存在样本分布不平衡和病灶区域特征识别困难等问题,提出一种融合坐标感知与混合提取的视网膜病变分级算法。该算法首先对视网膜输入图像进行裁剪、高斯滤波等预处理操作,以增强图像病变前景与噪声背景之间的差异度;然后由Res2Net-50和Densenet-121骨干网络组成的混合双模型将增强后的图像进行特征逐层提取,实现多尺度特征纹理的充分捕捉;再在混合双模型连接处融入多层坐标感知模块和注意力特征融合模块,达到剔除聚焦病灶特征干扰的目的,实现不同病灶语义间的权重重塑;最后利用组合损失函数缓解样本分布不均匀问题,进一步监督模型的训练与测试。该文算法在IDRID和APTOS 2019数据集上进行实验,二次加权系数分别为88.76%和90.29%;准确率分别为81.55%和84.42%,为视网膜病变分级智能辅助诊断提供了新窗口。

基于固定背景的视频浓缩算法设计与实现

视频浓缩是通过图像处理和机器视觉等手段来完成从长时间的监控视频中提取到有价值的内容信息。在视频监控领域中,仅通过人力进行视频的筛查会造成效率低下以及漏报和误报的问题。文章通过相邻帧内容检测方法,运动片段检测方法配合Harris特征点提取算法和SIFT特征点提取算法实现图像特征点配准。提出双模融合的背景建模与内容检测方法,并且采用基于2D距离的运动内容跟踪方法以及GrabCut抠图算法进行了对视频浓缩算法的设计与实现。

深层碳酸盐岩强非均质储层双重介质三维地质建模——以普光气田飞仙关组—长兴组储层为例

普光气田碳酸盐岩储层具有地层埋深大、礁滩相发育、基质物性差、天然裂缝广泛发育、储层非均质强等特征,开展此类强非均质储层双重介质的三维地质建模具有很大的挑战。为此,将储层建模对象划分为基质与裂缝2大介质,基于单井解释数据与地震波阻抗数据体,通过井-震结合、逐级相控、多趋势融合概率体约束建立基质模型;按照分尺度、分期次建模思路,通过融合成因-地质-地震,综合构造应力场、距断层远近和裂缝地震敏感属性,采用熵权法联合专家经验评价的方式,多元融合构建裂缝空间展布约束体;在该约束体约束下,以离散裂缝网络建模方法构建裂缝模型。对融合后的基质-裂缝双重介质模型开展气藏数值模拟,各井历史拟合率最高可达90%,拟合误差控制在20%以内,模型拟合精度较高。

基于Transformer和生成对抗网络的多聚焦图像融合

针对多聚焦图像融合任务中聚焦与离焦边界区域处理不平滑的问题,基于Transformer的全局特征提取能力,提出了一种包含双判别器的生成对抗网络方案.生成器以端到端的形式完成多聚焦图像融合任务,借助Transformer获取全局依赖性和低频空间细节,通过跨域的交叉注意力机制帮助生成器模型的双分支达到信息交互的效果,获取另一通道上的冗余信息和互补信息.该模型在学习过程中结合图像的全局信息进行参数更新,从而克服上述问题,且尽可能保留多聚焦图像中聚焦区域的有效信息.通过对比实验表明,所提方法可行且具备竞争力.

基于双分支融合和时频压缩激励的鲁棒语音关键词识别

现实生活中的噪声会对语音时域和频域信息产生干扰,导致语音关键词识别模型在噪声环境下准确率下降。针对此问题,提出了双分支融合单元,其中时域分支与频域分支以并行的方式提取时域特征和频域特征,降低了串行堆叠时域卷积和频域卷积所带来的信息损耗;随后通过交叉融合的方式加强模型对时频信息的感知,进一步增强了模型特征表达能力。同时提出了时频压缩激励模块,通过对时域与频域中信息的重要性分布建模,可以为模型提供选择性关注有价值片段的能力,进一步提高了模型鲁棒性。在Google Command v2-12数据集上,相比于对比模型,所提模型在不同信噪比的测试中取得了更高的识别准确率,且参数量更低;对于训练阶段未涵盖的信噪比条件,所提模型在测试中展现出更高的泛化性。实验结果表明,本文模型在识别准确率和参数量方面更具优势,具有更好的噪声鲁棒性。

双关系预测与特征融合的实体关系抽取模型

现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。

多传感器信息融合的目标跟踪研究

为了提高红外与毫米波雷达双模制导系统的目标跟踪精度,提出了将UKF用于红外和毫米波雷达的数据处理,采用分布式融合结构,通过对两传感器的滤波协方差矩阵的相关估计,将滤波协方差矩阵和状态估计进行融合。该方法应用于红外与毫米波雷达双模制导系统的目标跟踪仿真,仿真结果表明:与单传感器系统相比,该方法提高了制导系统的目标跟踪精度。

“双复杂”条件高精度建模与成像方法——以酒泉盆地窟窿山地区为例

窟窿山地区是酒泉盆地主要的油气富集带,近地表结构复杂、地下逆掩冲断构造发育对深层构造准确成像造成极大的挑战。常规浮动基准面建模与偏移方法存在表层静校正不彻底、地表大平滑面不适应剧烈起伏地表、浅层速度建模精度低影响深层偏移归位等三方面问题,使推覆体下盘构造不能准确成像。为此,提出"双复杂"条件高精度建模与成像方法,建立了一套面向"双复杂"区的深度域高精度建模与成像流程。以分区双变静校正为基础,提高表层高频静校正精度;以近地表折射与深层反射融合建模为核心,得到高精度整体速度模型;以真地表小平滑面叠前深度偏移为关键,确保深层构造准确成像。实际资料成像结果表明,新方法提高了冲断构造的成像精度,有效改善了成像质量,验证了"双复杂"条件高精度建模与成像方法的可行性。

预训练模型特征提取的双对抗磁共振图像融合网络研究

随着多模态医学图像在临床诊疗工作中的普及,建立在时空相关性特性基础上的融合技术得到快速发展,融合后的医学图像不仅可以保留各模态源图像的独有特征,而且能够强化互补信息、便于医生阅片.目前大多数方法采用人工定义约束的策略来实现特征提取和特征融合,这容易导致融合图像中部分有用信息丢失和细节不清晰等问题.为此,提出一种基于预训练模型特征提取的双对抗融合网络实现MR-T1/MR-T2图像的融合.该网络由一个特征提取模块、一个特征融合模块和两个鉴别网络模块组成.由于已配准的多模态医学图像数据集规模较小,无法对特征提取网络进行充分的训练,又因预训练模型具有强大的数据表征能力,故将预先训练的卷积神经网络模型嵌入到特征提取模块以生成特征图.然后,特征融合网络负责融合深度特征并输出融合图像.两个鉴别网络通过对源图像与融合图像进行准确分类,分别与特征融合网络建立对抗关系,最终激励其学习出最优的融合参数.实验结果证明了预训练技术在所提方法中的有效性,同时与现有的6种典型融合方法相比,所提方法融合结果在视觉效果和量化指标方面均取得最优表现.

联合建模技术在深层页岩气双复杂地区深度偏移成像中的应用

永川新店子"双复杂"区近地表因素变化大,构造复杂,资料信噪比低,导致准确成像难度大。页岩气勘探开发过程中,面临新店子背斜构造内幕不清、局部小断层成像不准、水平井设计轨迹与实钻不符等问题。常规网格层析反演方法在低信噪比区速度建模中适用性较差,既难以求准浅层速度,消除复杂近地表对成像的影响,又难以在中深层实现有效数据驱动,准确更新中深层速度。针对"双复杂"地区深度域建模问题,采用全偏移距初至层析反演求取近地表速度,选取合适界面,将浅层与中深层模型进行融合。在网格层析迭代过程中,应用构造模型对速度进行约束,实现了速度低频量与构造分布相契合及高频收敛。应用结果表明,浅中深融合建模与构造约束网格层析技术的联合应用弥补了通常方法的不足,形成的最终速度场精度更高",双复杂"地区成像得到较明显改善,更有力地支撑了该区勘探开发。

基于自适应滑动窗口的双色中波红外图像融合方法研究

基于滑动窗口的图像处理方法具有抗干扰能力强、突出图像局部信息等特点,在图像处理领域得到广泛应用。针对最优窗口大小的选择问题,提出了一种自适应尺寸的滑动窗口方法。该方法首先对作用图像进行边缘检测,然后采用固定区域顶点的方式,根据该区域所含边缘的数量,自适应地放大滑动窗口尺寸,直到区域中的边缘数量大于某一阈值为止。并将这种自适应滑动窗口引入双色中波红外图像差异特征驱动的融合模型中,仿真结果表明,改进后的融合模型与原始模型及传统融合方法相比,融合效果在主观观察和客观评价中均有显著提高。

使用统计模型的动态红外和可见光图像融合

针对动态红外和可见光图像融合,提出了一种新的基于统计模型的融合方法,即将图像的小波分解系数用广义高斯分布来建模。首先,源图像分别用双树复小波进行分解;然后,采用加权平均融合规则来进行小波系数的融合,其中加权系数由估计的广义高斯分布参数来计算;最后,将融合后的系数重构为一幅图像。融合图像采用熵、互信息和边缘保持度QAB/F来进行质量评价,实验结果表明方法的性能优于其他两种动态图像融合方法。

我院大学数学微课的建设与应用

为了提高我院大学数学的教学质量,首先分析了大学数学课程的特点,然后提出了以双轨融合模式进行大学数学微课的建设,探讨了微课在军校大学数学教学中的应用;最后给出了大学数学微课的教学效果.教学实践表明,将微课引入课堂辅助教学,丰富了课堂组织形式,弥补了数学知识枯燥抽象的一面,激发了学员学习的兴趣,提高了大学数学的教学效率.

高职院校“双元分层交融”的产教融合模式研究与实践

建立现代职业教育体系,大力推进集团化办学,深度构建产教融合、校企合作工作机制,是当前高职教育发展趋势。运用利益相关者理论和产业链供应思想,在分析农业高职院校与农业产业生产单位两大主体构成要素及其相互关系的基础上,以产教融合联盟为平台,构建农业职业院校适应不同利益者需要的"双元分层交融"的产教融合模式,并对该模式进行了实践探索。

基于双模型融合的大熊猫头部图像分割

在大熊猫(Ailuropoda melanoleuca)的迁地保护和种群饲养管理中,及时、快速地进行个体识别和行为监测,对其健康管理具有至关重要的作用。圈养大熊猫健康状况通常由专门的饲养人员肉眼观测,人力成本高、效率低并且缺乏时效性。基于图像的动物个体识别与行为分析技术效率高、时间成本低,已经成为新的监测发展趋势。已有研究提出,通过大熊猫面部图像的检测和分析,可实现个体识别和行为分类。但该方法依然存在检测精度不足导致识别准确率难以提升的问题。本文提出一种基于YOLOv3和Mask R-CNN的双模型融合方法,实现了大熊猫头部图像分割和精准检测。包含3个部分:YOLOv3完成头部检测,Mask R-CNN完成大熊猫轮廓分割,然后将两个模型的输出进行交并比融合。结果显示,头部检测准确率为82.6%,大熊猫轮廓分割准确率为95.2%,总体头部轮廓分割准确率为87.1%。该方法对大熊猫头部图像的识别率和分割准确率高,为大熊猫的个体识别、性别分类提供了帮助,为行为分析提供了技术参考。

基于跨模态特征融合的RGB-D显著性目标检测

为了解决基于彩色图像的显著性检测在多目标或小目标等场景下无法准确检测出显著目标的问题,提出了一种基于RGB-D跨模态特征融合的显著性检测网络模型,该网络模型以改进的全卷积神经网络(FCN)为双流主干网络,分别提取彩色与深度特征并作出预测,最后利用Inception结构融合生成最终显著图.针对原FCN实际感受野远低于理论感受野,没有真正利用图像全局信息的问题,设计了双分支结构的全局与局部特征提取块,利用全局特征分支提取全局信息并指导局部特征提取,并以此构建了改进的FCN.此外,考虑到不同层级上彩色与深度特征之间的差异性,提出了跨模态特征融合模块,采用点积有选择性地融合彩色和深度特征,与加法和级联相比,采用点乘可以有效减少噪声与冗余信息.通过在3个公开基准数据集上与21种主流网络相比的综合实验表明,所提模型在S值、F值和MAE这3个指标上基本处于前3水平,同时对模型大小进行了比较,其大小仅为MMCI的4.7%,与现有最小模型A2dele相比减少了22.8%.