三河北工区双复杂滩坝砂储层精细描述方法应用与效果

苏北盆地三河北滩坝砂储层具有“盖储叠合、厚度变化,储层信号弱、岩性相变”的盖层、储层双复杂特点,其精细描述较常规滩坝砂储层更为困难。为此,首先对目标区开展井震标定分析,明确阜二段3个砂组的主要地震特征,根据其特点,提出“提频+去屏蔽+90°相移”的研究思路与对策,采用压缩感知方法进行拓频处理,在此基础上利用多道匹配追踪方法进行去强屏蔽处理,最后利用90°相移技术精细刻画砂体。模型测试与实际资料应用结果表明:(1)针对变厚度的复杂盖层,基于压缩感知反射系数稀疏反演的提频目标处理,可以有效分离叠合的复合波;(2)利用幅度可调制的多道匹配追踪方法,能可控去除顶部强屏蔽层的部分能量,使储层内砂组反射同相轴与厚度相一致;(3)90°相移处理能直观地解释有利砂体;(4)将优势地震属性与T_(0)构造图相融合,并结合地震相分析,可以较好地判识研究区滩坝砂体的分布区域。该方法对复杂滩坝砂储层砂体刻画具有理论研究与推广应用价值。

基于动态定位和特征融合的多分支细粒度识别方法

为了解决细粒度分类类间差异小、类内差异大的分类难点,在Swin Transformer基础上,提出了一种改进的端到端的细粒度分类模型(TBformer)。针对复杂背景对网络识别产生的干扰,使用ECA、Resnet50、SCDA相结合的动态定位模块(DLModule)捕获关键物体,并设计了基于DLModule的三分支特征提取模块,提高对目标判别性特征的提取能力。为了充分挖掘三分支特征蕴含的丰富细粒度信息,提出了基于ECA的特征融合方法,增强特征的全面性、精确性,提高网络对细粒度分类的鲁棒性。实验结果表明:相比基础方法,TBformer在CUB-200-2011上的准确率提升了3.19%,在Stanford Dogs上的准确率提升了3.47%,在NABirds上的准确率提升了1.09%。

基于粗到细的多尺度单幅图像去雾方法

为了解决现有图像去雾算法易出现细节纹理丢失、颜色失真或对非均匀浓雾处理不彻底的问题,提出一种基于粗到细的多尺度单幅图像去雾方法。首先,主干网络使用残差特征注意力模块对有雾图像进行特征提取;其次,将不同尺度的输入图像进行卷积预处理,通过多尺度特征融合模块将预处理的浅层特征与主干网络融合;再次,将不同粒度的非对称特征进行有效融合;最后,将浅层信息与深层信息自适应混合输出,通过对比正则损失构建正负样本信息,使得去雾图像更接近无雾图像。实验结果表明,与已有代表性的去雾方法相比,提出的方法能对合成数据集与真实数据集进行有效去雾,在细节保留与色彩还原上优于对比方法。

基于多尺度YOLOv5的交通标志检测

针对小目标交通标志检测存在的检测精度低、漏检率高等问题,提出了一种基于多尺度融合的YOLOv5改进算法。在主干网络后输出4个有效特征层以便更好地融合多尺度信息,在主干网络输出的3个特征层中添加改进的多尺度融合注意力机制CBAM_U,以提升网络的检测能力;在Path Aggregation Network(PANet)下采样过程中添加Fusion模块,促进不同感受野下特征的细融合;在YOLOHand前加入Adaptively Spatial Feature Fusion(ASFF)模块解决特征金字塔融合的不一致性,进一步提升网络的表达能力。实验结果表明,提出的方法相比于原始YOLOv5网络在CCTSDB数据集中mAP@0.5提升了3.07%,召回率提升了3.83%,查准率提升了1.64%,F1-Score提升了2.66%,相比于其他检测算法,改进后的YOLOv5算法在复杂场景中具有更好的鲁棒性。

铜鼓资源组织中的史料文献细粒度知识元研究

铜鼓作为古代文化遗产的重要组成部分,其资源的语义表达形式需要向知识细粒度化、知识集成、知识可视化方向拓展,并充分利用强大的文献资源作为其知识体系的重要支撑。本研究以铜鼓史料文献为研究对象,利用知识元提取和可视化图谱技术,探索表层视觉元素与内在知识的关联、铜鼓文献知识元组织模型的构建,以及时空属性向量可视化等问题,提出数据融合的铜鼓知识平台应由至少4个基础数据库组合而成,并展望其下一步探索路径。

基于多粒度融合和双注意力的细粒度图像分类

针对现有模型对细粒度图像关键信息精准识别较难,分类指标较单一且特征利用不充分的问题,提出一个新的细粒度图像分类网络模型.该模型在网络训练步骤中嵌入双注意力网络以强化中层特征与深度特征的相关性,根据网络不同层的感受野大小不同将数据剪裁后再拼接成新的样本数据作为下一层输入,采用支持向量机分类器将中层和深度特征输出结果一同作为最终分类指标.在3个经典数据集CUB-200-2011、Stanford Cars和102 Category Flower上的实验结果表明,其分类准确率分别达89.56%,95.00%,96.05%,相比于其他网络模型有较好的分类准确率和泛化能力.

基于细粒度识别的即插性多粒度特征融合算法

为丰富卷积神经网络下细粒度图像特征的表征信息,进一步扩大类间差异缩小类内差异,提出一种基于多种粒度图像训练的特征融合方式,挖掘图像的细化特征。通过逐渐改变输入图像的粒度值,构造一个包含多种粒度信息的网络模型;提取多粒度多尺度图像特征,与原始特征进行融合,完成最终的分类预测。无需引入其它辅助网络,在没有显著增加模型参数的情况下,融合不同粒度特征。实验结果表明,其分类准确度高于只包含单一粒度图像的训练结果,验证了该方法能有效丰富特征信息。

基于细粒度特征融合的部分多模态哈希

多模态数据的指数级增长使得传统数据库在存储和检索方面遇到挑战,而多模态哈希通过融合多模态特征并映射成二进制哈希码,能够有效地降低数据库的存储开销并提高其检索效率.虽然目前已经有许多针对多模态哈希的工作取得了较好的效果,但是仍然存在着3个重要问题:(1)已有方法偏向于考虑所有样本都是模态完整的,然而在实际检索场景中,样本缺失部分模态的情况依然存在;(2)大多数方法都是基于浅层学习模型,这不可避免地限制了模型的学习能力,从而影响最终的检索效果;(3)针对模型学习能力弱的问题已提出了基于深度学习框架的方法,但是它们在提取各个模态的特征后直接采用了向量拼接等粗粒度特征融合方法,未能有效地捕获深层语义信息,从而弱化了哈希码的表示能力并影响最终的检索效果.针对以上问题,提出了PMH-F^(3)模型.该模型针对样本缺失部分模态的情况,实现了部分多模态哈希.同时,基于深层网络架构,利用Transformer编码器,以自注意力方式捕获深层语义信息,并实现细粒度的多模态特征融合.基于MIRFlickr和MSCOCO数据集进行了充分实验并取得了最优的检索效果.实验结果表明:所提出的PMH-F^(3)模型能够有效地实现部分多模态哈希,并可应用于大规模多模态数据检索.

基于数据融合的中长期概率性负荷预测方法研究

月度负荷预测是电力系统中长期运行和营销工作开展的基础,概率性电力负荷预测能够刻画中长期不确定性,更好地支撑新型电力系统负荷评估和调控策略制定。在此背景下,以系统负荷作为研究对象开展中长期概率性预测方法研究,提出了基于细粒度数据融合的中长期概率性预测方法。首先,根据影响因素建立小时级的多元线性回归模型对细粒度的负荷进行建模,再根据影响因素的不同预测值生成未来不同场景下的细粒度预测结果。其次,根据“自下而上”的时间层级协调策略,对每一个场景均进行月度聚合,生成不同层级地区的月度负荷预测结果,形成概率性预测结果。最后,以中国东部某区域及其下辖地区的负荷数据为例,验证了方法的有效性。

基于GCN和微调BERT的作文自动评分方法

作文自动评分是智慧教育领域的重要研究方向之一。它具有提高评分效率、降低人工成本以及确保评分客观性和一致性的优势,因此在教育领域有着广泛的应用前景。尽管句法特征在作文自动评分中扮演着重要角色,但目前仍缺乏关于如何更好地利用这些特征进行作文自动评分的研究。本文提出一种基于GCN和微调BERT的作文自动评分方法GFTB。该模型采用图卷积网络提取作文的句法特征,采用BERT和Adapter的训练方式提取作文的深层语义特征,同时采用门控机制进一步捕捉二者融合后的语义特征。实验结果表明,本文提出的GFTB模型在公共数据集ASAP的8个子集上取得了较好的平均性能,相比于通义千问等基线模型,能够有效提升作文自动评分的性能。

ERCP与EUS-FNA融合技术对胰腺癌合并梗阻性黄疸的诊治效能

目的探讨超声内镜引导下细针穿刺术(endoscopic ultrasound fine-needle aspiration,EUS-FNA)和内镜下逆行胰胆管造影术(endoscopic retrograde cholangiopancreatography,ERCP)融合技术在胰腺癌合并梗阻性黄疸患者诊疗中的应用价值。方法回顾性收集2023年1月1日—2024年2月26日北京协和医院消化内科住院接受ERCP胆管支架引流胰腺癌合并梗阻性黄疸患者的临床资料。根据是否在同一内镜单元进行EUS-FNA,将其分为融合技术组和单纯ERCP组。比较两组病理诊断率、ERCP引流成功率、术后并发症发生率及患者单次住院时间差异。结果共入选符合纳入与排除标准的接受ERCP胆管支架引流的胰腺癌合并梗阻性黄疸患者161例,其中融合技术组80例,单纯ERCP组81例。融合技术组病理诊断率高于单纯ERCP组[92.50%(74/80)比46.15%(12/26),P<0.001],ERCP引流成功率[82.50%(66/80)比86.42%(70/81),P=0.360]、术后总并发症发生率[5.00%(4/80)比2.47%(2/81),P=0.443]、单次住院时间[4(4,7)d比5(3,9)d,P=0.397]与单纯ERCP组均无统计学差异。结论EUS-FNA与ERCP融合技术可显著提升胰腺癌合并梗阻性黄疸病理诊断率,且不影响ERCP引流效果,不增加术后并发症率发生率,有助于提高临床诊疗效率。

基于多尺度特征融合的由粗到精点云形状补全

为了以由粗到精的方式实现点云形状补全,提出一个端到端的两阶段多尺度特征融合网络,其中的每个阶段都是由一个编码器-解码器构成.第1阶段中,首先利用点集抽取模块提取残缺点云的全局特征,在获取不同分辨率点特征的同时能关注更多的局部邻域特征,然后使用多层感知机作为解码器生成粗糙的点云骨架;第2阶段中,利用点云骨架和残缺点云提取多尺度局部特征,并通过注意力机制与第1阶段中的多尺度全局特征相互融合,使得每个点都包含全局和局部几何信息;最后将第2阶段中的全局特征和多尺度局部特征逐步进行上采样,并通过多层感知机生成精细的完整点云.采用倒角距离作为评价标准,在ShapeNet,MVP和Completion3D数据集上进行点云补全实验的结果表明,误差分别比基准网络降低17.1%,3.9%和13.9%,验证了所提网络的有效性.

基于多模型融合的细粒度图像分类算法

针对细粒度图像分类中单模型方法泛化能力不足问题,提出了一种用于细粒度图像分类的动态权重多模型融合方法。该方法使用基于注意力机制的网络模型作为参与融合的子模型,同时在模型训练过程中,提出了权重自适应调整算法。该算法能够根据子模型在每次训练中的实际表现和自适应的调整其权重值,保证模型整体达到最优状态。实验结果表明:相较于传统的单模型方法,此方法在提升分类效果的同时模型性能也更加稳定,而且在复杂背景分类任务中表现优异,现实意义更强。

一种融合多源影像的精细化三维建模方法

实景三维模型是数字城市和智慧城市的重要空间底板,在自然资源规划、社会经济发展方面发挥着越来越重要的作用。本文分析了倾斜摄影测量、贴近摄影测量和近景摄影测量3种实景三维模型影像的获取方式,提出了一种融合多源影像的精细化三维建模方法。本文以常州市天宁禅寺为试验区,通过多源影像数据融合建模实验证明该方法的有效性。试验结果表明,融合多源影像的精细化三维建模方法有效解决了单一影像数据的三维建模成果细节缺失、结构变形等问题,实现了地表建筑物全方位、精细化三维重建。

基于多尺度特征融合的食用葡萄细粒度分类方法

中国葡萄种植规模逐年扩大,但由于混种、串粉等导致了葡萄品种混杂,葡萄的分类筛选工作成为限制农业生产效率的重要因素。为了提高生产中葡萄品种分类精度,本文基于计算机视觉技术和深度学习理论,设计了多尺度特征融合网络(Multi-Scale Feature Fusion Network,MSFF-Net)。首先通过混合注意力模块改进ResNet34残差模块,提高模块关键特征提取能力;然后采用双线性结构,改进网络提取葡萄图像的二阶特征;最后通过融合二阶特征和交叉双线性特征,建立了一种基于多尺度特征融合网络的食用葡萄分类模型。在葡萄分类试验中,达到了96.97%的识别精度,相较于对照模型,取得了更高的精度。

结合门控机制与多尺度ViT的细粒度图像分类

针对现有细粒度图像分类方法中,卷积神经网络特征提取能力不足,模型高层特征缺乏局部细节信息来识别不同子类的细微差异,而ViT的归纳偏置能力偏弱的问题,提出了一种结合ConvNets与注意力多尺度ViT的混合模型(GCAMT)用于细粒度图像分类任务。首先,使用门控机制选择性提取与融合判别性特征,其次引入特征重激活模块更新有潜力的冗余特征提升模型特征复用效率,然后对模型各阶段进行密集连接提升泛化能力,最后使用注意力多尺度ViT,以更好的提取并融合尺度与语义不一致的特征,增强模型建模能力。实验结果表明,上述方法在细粒度图像公共数据集CUB-200-2011、Stanford Cars、FGVC-Aircraft和NABirds上的准确率分别达到了93.1%、96.29%、94.47%、93.82%,优于当前SOTA方法。

增强特征融合并细化检测的轻量化SAR图像船舶检测算法

针对SAR图像船舶检测任务在船舶组合和船舶融合场景下低检测精度的问题,提出了一种轻量化船舶检测算法——RGDET-Ship,有效提高了SAR图像在复杂场景下的船舶检测精度。该算法的创新点包括:①构建基于改进ResNet的基础主干网络,增强深浅网络早特征融合,保留更丰富的有效特征图,并利用RegNet进行模型搜索得到一簇最优结构子网络RegNet and Early-Add(RGEA),实现模型的轻量化;②在FPN Neck基础上,结合EA-fusion策略设计出FPN and Early Add Fusion(FEAF)Neck网络,进一步加强深浅特征晚融合,提高中大船舶目标特征的提取;③通过细粒度分析改进RPN网络得到Two-RPN(TRPN)网络,提高模型的检测粒度和预测框准确性;④引入多任务损失函数——Cross Entropy Loss and Smooth L1 Loss(CE_S),包括分类任务和回归任务,进一步提升检测性能。通过在标准基准数据集SSDD上进行大量实验,验证了RGDET-Ship模型的有效性和健壮性。实验结果表明,相较于Faster RCNN和Cascade RCNN,RGDET-Ship在mAP_0.5:0.95上分别提升了5.6%和3.3%,在AR上分别提升了9.8%和7.6%。

基于非局部支持注意力的小样本目标检测算法

基于元学习的小样本目标检测算法研究的关键之处,是更好地利用支持分支的信息来更有效地帮助查询分支完成对新类目标的识别,较多算法在查询分支加入支持分支信息时只在深度方向进行融合,忽略了特征之间的空间位置关系。文中提出基于非局部支持注意力的小样本目标检测算法模型,该方法不仅在候选框特征中加入了支持信息,还将支持信息与送入候选框生成网络的特征进行融合,同时考虑了特征之间的空间位置关系,在检测模块中加入负支持样本的信息帮助模型区分异类目标。该模型在COCO2017数据集的基类和新类上均获得了良好的检测效果。在增量式学习的情况下,相比改进前,在新类AP(Average Precision)/AP_(50)/AP_(75)上分别增加了3.3/3.8/4.7 mAP(mean Average Precision),在基类AP/AP_(50)/AP_(75)上分别增加了2.7/0.5/3.3 mAP,并且超过了相同设置下SOTA(Sort-Of-The-Art)模型DAnA(Dual-Awareness Attention)的表现。

基于免像控空地融合技术的古式建筑精细建模研究

古式建筑因其具有结构复杂、构件精细等特点,采用常规倾斜摄影建模方法,通常存在房檐底部拉花、立面纹理不清晰等问题。该文提出一种基于单镜头无人机空中井字航线影像、贴近环拍视频分帧影像、多向空地衔接影像和地面近景照片数据的免像控空地融合精细建模方法,选取青岛即墨古城的古式建筑为实验对象,将该方法与常规倾斜摄影建模方法进行对比分析。实验结果表明,该文方法在生产效率、纹理精细度和空间精度上均要优于常规倾斜摄影建模方法。

多类别形态的未隶定青铜器铭文细粒度识别

未隶定铭文的识别主要依靠传统卷积网络提供单一的全局特征,却忽略了部位识别和特征学习的关系,导致模型难以充分表达复杂形态的文字构造,进而产生识别误差。针对上述问题,提出了一种姿态对齐的多部位特征细粒度识别模型(MP-CNN)。在第一个阶段,构建空间转换器引导铭文统一字形姿态,辅助模型准确定位文字的鉴别性部位;在第二个阶段,构建级联的ECA(efficient channel attention)注意力机制引导特征通道组合,定位多个独立的鉴别性部位,并通过相互增强的方式细粒化地提取铭文的形态特征,解决复杂形态的文字识别问题;在第三个阶段,构建特征融合层获取识别结果。实验表明,该算法在铭文标准数据集和多类别形态数据集上的识别准确率分别为97.25%和97.18%,相比于传统卷积网络ResNet34分别提升4.63%和8.89%。结果显示,该算法能够有效针对铭文实际形态的独特性,实现未隶定铭文的细粒度识别。