基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通道注意力模块对源域数据特征重新标定;其次,使用时间卷积网络(temporal convolutional network,TCN)学习特征信息,并训练出最优源域模型;最后,利用源域数据、源域模型和目标域数据训练出迁移模型,迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验,结果表明,该方法可以更好地挖掘轴承内在退化趋势,有效提高剩余使用寿命预测精度,对比现有流行预测方法预测误差降低40.1%~77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。

基于改进的RetinaFace快速单一人脸检测算法研究

在一些特殊的场景中需要进行快速单一的人脸检测,例如身份认证、人脸追踪、疲劳驾驶检测等。针对此类情况,通过研究分析轻量级网络,提出一种基于RetinaFace的检测方法。首先,选用高效的轻量级网络MobileNetV3搭建主干网络;其次,在主干网络与FPN层之间融入ECANet网络架构加强特征提取能力;最后,对FPN层进行调整以提高检测速度。实验结果表明,改进后的算法模型在WiderFace简单和中等程度子集上的平均精度分别提高了3.6%和5.7%,检测速度提高了21.6%和13.1%。

基于ASEC的多模态虚假新闻检测的研究

当前的新闻检测模型尚存在模态特征融合困难、不够准确等问题,针对这些问题融入用户社交特征,设计了一种ASEC融合模型。首先采用ALBERT和Swin transformer模型分别提取文本和图片特征,加入归一化处理的用户模态特征;然后通过co-attention注意力机制和ECANet注意力机制组成的ASCE将这三种模态进行融合,合理分配这三个特征的权重,经过全连接层实现检测;最后在Media Eval2015数据集上检测出虚假性的准确率为93.92%,精确率为94.07%,比起单一的机制融合多个模态,ASEC模型的准确率提升了3.35%。实验结果表明,使用所提出的检测虚假新闻算法模型,检测的准确率、精确度较高,能避免模态信息的损失,也能够更好地识别虚假新闻。

基于融合注意力机制的小样本遥感场景分类方法

针对遥感场景图像样本获取困难,数据量受限以及遥感图像目标对象和背景高度混杂的问题,提出一种基于融合注意力机制的小样本遥感场景分类方法。该方法采用RepVGG作为基准模型,并利用ECANet网络的ECA通道注意力机制改进RepVGG网络的RepVGGBlock模块,使得网络有效过滤无用信息并聚焦于关键场景区域,从而增强模型的特征判别能力,并确保在不增加模型参数的情况下提高分类准确率;同时通过随机数据增强方法在线增强训练数据,在不占用额外内存的情况下增加模型训练数据量,使得训练数据更多样化,提高模型的泛化能力。在UC Merced LandUse数据集上分类平均准确率为94.52%,相较于ResNet50、RepVGG-B1-SE网络,准确率分别提高4.52%和2.93%。实验结果表明,该方法能有效聚焦关键场景区域并提升小样本遥感场景分类的准确率,对实现遥感影像快速分类具有一定的参考意义。

基于轻量级迁移学习的无人机航拍视频图像天气场景分类

针对传统航拍视频图像CNN模型天气分类效果差、无法满足移动设备应用以及现有天气图像数据集匮乏且场景单一的问题,构建了晴天、雨天、雪天、雾天4类面向多场景的无人机航拍天气图像数据集,并提出了基于轻量级迁移学习的无人机航拍视频图像天气场景分类模型.该模型采用迁移学习的方法,在ImageNet数据集上训练好两种轻量级CNN,并设计3个轻量级CNN分支进行特征提取.特征提取首先采用ECANet注意力机制改进的EfficientNet-b0作为主分支提取整幅图像特征,并使用两个MobileNetv2分支分别对天空和非天空局部独有的深层特征进行提取.其次,通过Concatenate将这3个区域进行特征融合.最后,使用Softmax层对4类天气场景实现分类.实验结果表明,该方法应用于移动等计算受限设备时对于天气场景分类的识别准确率达到了97.3%,有着较好的分类效果.

基于改进EfficientDet算法的可见光遥感舰船目标检测

为了有效地解决可见光遥感影像中舰船目标难检测、易错检等问题,文中提出一种基于改进EfficientDet的舰船目标检测算法E-EfficientDet。首先利用K-means++聚类算法对舰船数据集中的目标物体的长宽信息进行聚类分析,得到适合舰船目标的Anchors;然后,针对SENet模块参数量大和降维处理使特征图通道之间的依赖性减小的问题,使用ECANet模块代替EfficientNet网络中SENet模块;其次,为了解决遥感图像中相似目标对船只检测的干扰及小目标难检的问题,采用EfficientNet-B0、EfficientNetV2网络作为E-EfficientDet模型的主干特征提取网络,将获取到的特征送入到改进的BiFPN网络中进行特征融合,获取更加丰富有效的船只目标特征信息;最后,为了扩大图像的响应区域并避免骨干网络对输入图片进行特征提取时出现的信息丢失情况,利用SPPNet网络对特征图进行不同尺度的最大池化。实验结果表明,E-EfficientDet算法对文中数据检测的平均精度(AP)达到90.18%,每张图像的检测时间为0.06 s。另外,将E-EfficientDet算法与Faster RCNN、SSD、YOLOv3算法进行对比,得到所提算法的AP精度均高于其余算法,说明所提算法对实际遥感场景下舰船的检测性能较好。

基于自适应加权特征融合的PCB裸板缺陷检测研究

现有的针对PCB裸板的缺陷检测方法存在精确度低、实时性差且难以在移动端部署等问题,本文以YOLO(you only look once)v4算法为基本框架并对其进行改进,提出了一种专门针对PCB裸板的缺陷检测算法。针对YOLOv4算法难以在移动端部署的问题,采用GhostNet取代CSPDarknet53以轻量化整个检测网络。为弥补YOLOv4算法在多尺度特征融合方面的性能不足,提出了一种双向自适应特征融合网络AF-BiFPN取代PANet网络。为进一步提高模型的检测精度,在AF-BiFPN特征融合网络的采样的过程中插入m-ECANet通道注意力机制。实验结果证明,改进后的YOLOv4算法的模型大小为18.64 MB,检测的平均精度(mean average precision,mAP)为98.39%,检测速度为62.23 FPS,可为实际PCB裸板检测提供理论指导。

基于改进YOLOv5的工程着装检测算法

针对目前工程安全着装算法在网络结构复杂的二阶算法模型上实现,以牺牲一定的检测速度来提高精确度,而且并未就图像中的小目标物体进行处理,导致一定的漏检和误检的现状,选取轻量级YOLOv5模型针对小目标检测进行改进,以期在保持检测速度的同时能够提高模型的检测精确度。首先选择包含遗传算法的注意力(Anchor)机制来捕获对安全帽这类小目标更加适合的锚框值;然后在网络结构中嵌入轻量级的ECAnet模块以减少无用信息通道的计算量,在保持YOLOv5的检测速度优势的同时提高浅层网络对小目标特征的提取能力。实验结果表明:改进后的模型在不降低检测速度的情况下提高了检测精确度,召回率增加了3.82%,mAP@.5增加了0.73%。

融合高效通道注意力的复杂场景违禁品检测

针对X射线在违禁品检测任务中安检图像色彩存在对比度低、检测精度低、极易出现漏检错检的问题,在快速区域卷积神经网络(Faster R-CNN)算法基础上,通过K-means聚类算法改进锚框(Anchor)的生成方式;提出将高效通道注意力机制(ECANet)引入到感兴趣池化层(ROIpooling)后,突出违禁品的轮廓、色彩等信息。本文算法在S_DXray数据集上的m AP达到92.06%,改进后网络模型检测精度提高5.06个百分点。有效提高X射线图像违禁品检测的精度和小尺度目标的检测能力,有效避免错检、漏检的现象。

Focusing on the Importance of Features for CTR Prediction

TraditionalCTR recommendation models have concentrated on howto learn low-order and high-order characteristics.The majority of them make many efforts at combining low-order and high-order functions.However,they ignore the importance of the attentionmechanism for learning input features.The ECABiNet model is proposed in this article to enhance the performance of CTR.On the one hand,the ECABiNet model can learn the importance of features dynamically via the LayerNorm and ECANET layers.On the other hand,through the use of a biinteraction layer and a DNN layer,it is capable of effectively learning the feature interactions.According to the experimental results on two public datasets,the ECABiNet model is more effective than the previous CTR model.