基于特征增强及多层次融合的火灾火焰检测

为提升火灾火焰识别检测方法性能,将传统图像处理与神经网络结合,提出1种基于特征增强及多层次融合的轻量级火灾火焰检测模型。模型利用多种色彩空间转换算法增强火焰特征信息,并设计双阶段多层次特征提取融合结构,配合空间注意力机制对火焰信息由粗到精进行提取;同时,针对火灾火焰特点,引入由浅到深逐步融合的自适应多尺度融合结构,提升对不同阶段火灾目标的检测精度。研究结果表明:本文模型可有效提升火灾火焰的检测效果,且具有更高的稳定性和鲁棒性,可准确高效地实现火灾火焰检测。研究结果可为现有火灾检测设备提供更准确的识别结果,从而更好地预防火灾事故发生。

融合项目特征级信息的稀疏兴趣网络序列推荐

在以往提取多兴趣嵌入的序列推荐模型中仅能通过聚类的方法发现少量兴趣概念,忽视项目交互序列中特征级信息对最终推荐结果的影响。针对此问题,对传统的多兴趣序列推荐模型进行改进,提出一种融合项目特征级信息的稀疏兴趣网络序列推荐模型。实验结果表明,相比其它模型,该模型可以更好捕捉用户的多样化偏好并缓解冷启动问题。在给定数据集上,该模型比传统的序列推荐模型在命中率上平均提高了6.4%,归一化折损累计增益平均提高了8.7%。

多层特征融合与语义增强的盲图像质量评价

针对现有盲图像质量评价算法在面对真实失真图像时性能较差的问题,本文提出多层特征融合和语义信息增强相结合的无参考图像质量评价算法。提取图像的局部和全局失真特征,利用特征融合模块对特征进行多层融合;利用多层扩张卷积增强语义信息,进而指导失真图像到质量分数的映射过程;考虑预测分数和主观分数之间的相对排名关系,对L_(1)损失函数和三元组排名损失函数进行融合,构建新的损失函数L_(mix)。为了验证本文方法的有效性,在野生图像质量挑战数据集上进行了验证和对比实验,该算法的斯皮尔曼等级相关系数与皮尔逊线性相关系数指标相比原算法分别提升2.3%和2.3%;在康斯坦茨真实图像质量数据数据集和野生图像质量挑战数据集上进行了跨数据集实验,该算法在面对真实失真图像时表现出了良好的泛化性能。

多级特征交互Transformer的多器官图像分割

多器官医学图像分割有助于医生做出临床诊断.针对CNN提取全局特征能力弱,Transformer提取局部特征能力弱,以及Transformer具有二次方计算复杂度的问题,提出了用于多器官医学图像分割的多级特征交互Transformer模型.所提模型采用CNN提取局部特征,局部特征经Swin Transformer输出全局特征;通过下采样分别产生多级局部和全局特征,每级局部和全局特征经过交互并增强;每级增强后的特征经多级特征融合模块进行交叉融合;再次融合后的特征经过上采样和分割头输出分割掩码.所提模型在Synapse和ACDC数据集上进行实验,平均DSC和平均HD95系数值为80.16%和19.20 mm,均优于LGNet和RFE-UNet等代表性模型.该模型对多器官医学图像分割是有效的.

一种用于方面级情感分析的知识增强双图卷积网络

近年来,深度神经网络特别是图神经网络在方面级情感分析任务上取得了较大进展,但是仍存在未充分利用外部知识信息、句法依赖树的边关系信息以及知识图谱结构信息的缺陷.针对上述问题,本文提出了一种知识增强的双图卷积网络BGCN-KE(Knowledge-enhanced Bi-Graph Convolutional Network).首先,提出一种融合句法依赖关系与外部知识的子图构造算法,得到节点间语义关系更紧密的知识子图.其次,提出了双图卷积网络,分别利用两个图卷积网络在句法依赖知识子图中引导评论文本的节点学习邻接节点的外部知识,以及在评论文本的句法依赖图中融合特定方面相关的语义信息,从而增强评论文本的特定方面知识表示和语义表示.再次,BGCN-KE引入边关系注意力机制,更好地捕获特定方面和上下文词语间的语义关系.最后,提出了一种多级特征融合机制,充分融合特定方面相关的外部知识、语义信息和边关系特征.多个公共数据集上的实验证明,BGCN-KE的性能优于最新的对比模型.

基于特征融合和损失优化的点云语义分割网络

针对目前大多数方法仅利用单尺度特征而忽视了具有不同感受野的多尺度特征信息、无法有效处理点云数据集中类别权重不平衡的问题,提出一种基于全阶段特征融合(FSFF)和平衡损失(BL)的分割网络(FFBL-Net)。首先,FSFF模块通过将不同编码阶段的可学习特征与当前阶段特征进行融合,促进了浅层和深层语义信息互补;融合后的特征被传递到编码融合模块(EFM)和解码融合模块(DFM),实现了特征的跨阶段融合。此外,为了解决数据集中类别分布不平衡的问题,引入BL损失调整类别间的梯度差异。实验结果表明,FFBL-Net在主流的大规模点云数据集S3DIS上,平均交并比达到了69.7%,总体准确率达到了89.9%。与PointNet++相比,FFBL-Net分别提升了12.4%和6.1%。

多层级多尺度特征融合的轻量级语义分割算法

针对自动驾驶视觉图像输入,提出了基于多层级多尺度特征融合的轻量级语义分割算法。算法采用编码器解码器架构,首先研究了低下采样率的编码器骨干网络。网络基于轻量级卷积模块,并采用不同深度的卷积层输出相同分辨率特征图,从而生成多层级的语义特征;其次研究了基于多特征融合的语义分割解码器,解码器设计包含多尺度特征融合模块和多层级特征融合模块两部分,结合多尺度特征和通道注意力机制,提取并融合编码器输出特征,最终生成分割结果。

城市场景分割的多尺度感知融合网络研究

针对道路场景信息多尺度变换的问题,基于编码器-解码器的非对称网络结构,提出一种轻量级多尺度感知融合网络。根据残差网络以及空洞卷积的概念,设计一种新的残差模块Res-SS,在不增加卷积参数的情况下,提高特征提取的效率。设计多尺度感知融合提取模块,提高网络对于道路场景多尺度物体信息的自适应提取能力。为弥补特征提取过程中的低级特征缺失,采用Superpixel模块,将道路场景内低级边缘信息与高级语义信息融合,使得二者互为补充,从而得到高质量的语义分割结果。在Cityscapes数据集上的实验表明,该算法比现有的轻量级城市场景语义分割算法具有更高的精度和鲁棒性。

利用多层次网眼特征和VAE-PNN模型识别城市道路格网模式

作为道路网中普遍存在的显式模式之一,格网模式蕴含了丰富的城市空间格局信息,识别道路格网模式是实现自动化、智能化地图综合的关键前提。针对现有格网模式识别方法较少考虑多层次网眼特征,存在训练样本多样性不足等问题,本文提出一种基于多层次网眼特征和VAE-PNN模型的城市道路格网模式识别方法。首先,对原始路网数据进行化简;然后,设计了内部正交函数、格网形态描述和邻域相关关系的多层次网眼特征,进而利用变分自编码器(VAE)增强训练样本多样性;最后,借助概率神经网络(PNN)模型实现道路格网模式分类识别。试验结果表明,综合考虑多层次网眼特征能够准确识别不同类型、不同形态的道路格网模式,通过VAE样本增强有效提升分类模型性能和格网模式识别精度。

多特征时空融合网络的水位预测技术

水位高低与航道通航能力息息相关,对大型船舶(队)通过某些典型航段时尤为重要。水位受到多种因素的影响,开发准确、可靠的水位预测模型是一项具有挑战性的问题。提出一种基于Transformer的多特征时空融合网络的水位预测模型,该模型能够捕捉水位数据的复杂时空模式和相互作用,研究水位与不同影响因素的关联关系,根据融合后的特征生成未来水位预测结果。研究成果有助于保障船舶航行安全,充分发挥航道通航能力,为航运管理和规划提供参考。

基于多尺度特征融合的钢材表面缺陷分类方法

针对钢材表面缺陷分类检测率低的问题,文中采用一种基于纹理多尺度特征融合的表面缺陷分类方法。利用Gabor滤波器与灰度共生矩阵建立纹理图像的多尺度特征向量,同时利用卷积运算对纹理图像进行特征提取,并引入混合膨胀卷积模块以增加感受野,将两种特征向量进行融合得到加强后的融合纹理特征向量。融合后的特征以序列方式输入长短时记忆网络(Long Short-Term Memory,LSTM)构建分类模型,利用混淆矩阵将分类结果进行指标评判。结果表明该方法在NEU(Northeastern University)数据集上的分类准确率达到97.5%。文中搭建LSTM网络、BP(Back Propagation)神经网络、SVM(Support Vector Machine)、KNN(K-Nearest Neighbor)以及CART(Classification And Regression Tree)等分类方法进行了对比实验。结果显示,在多尺度下LSTM分类方法表现最好,F1指标最高。结合BP网络、LSTM网络、SVM、KNN、CART、CNN以及AlexNet等方法进行了消融实验,验证了该方法的普适性。该方法充分挖掘了纹理图像的多尺度特征信息,对钢材表面缺陷分类方法的研究具有积极意义。

基于集成改进卷积注意力块的SAR图像目标分类算法

在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的SAR图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习SAR图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同SAR目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉SAR图像中目标的中心分布特征,有效抑制杂波对SAR目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现SAR图像目标分类。ICBAM_CNN深度融合了SAR图像目标的多层级特征,提升了SAR目标特征的可分离性,可实现SAR图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。

基于Multi-Aspect的融合网络用户画像生成方法

在大数据时代,用户画像对于企业了解并获取目标用户的重要性日益提升,但基于统计的用户画像方法无法处理非结构化的文本数据,而传统的基于模型的用户画像方法亦无法从多角度深层次提取用户特征。为实现更加全面且精准的用户属性预测,该文提出一种基于多层级特征提取的融合网络用户画像生成方法,通过对用户原始文本关键词的提取和排序,分别生成基于top 2关键词的子句表示和top N关键词的词向量,并结合循环神经网络和注意力机制,构建多层次用户特征提取的分类模型,利用原始用户数据进行用户属性预测。在搜狗用户搜索文本数据集上的实验表明,文中模型较其他基线模型在分类准确率上显著提升,达到0.73,通过消融实验进一步表明各个模块均为有效提取用户特征从而提升分类准确率发挥了重要作用。

基于多尺度协同的长沙市生态网络构建与层级优化

城市化背景下人类与自然环境的矛盾呈现出多尺度、层级化特征,而传统生态网络的构建方式较少考虑不同尺度下生态要素的关系,无法从区域落实到中心城区,难以形成系统性的解决方案。研究在综合梳理各尺度生态网络构建方法的基础上,以长沙市为例,基于形态学空间格局分析(Morphological Spatial Pattern Analysis,MSPA)、景观连通性原理和生态斑块重要性评价识别生态源地,并通过多层级生态阻力面的确定,综合运用最小费用路径(Least-cost path method,LCP)、电路理论、层级传导理论、尺度嵌套等方法对市域、都市区、中心城区的生态网络进行了协同构建和层级优化,最后基于不同尺度生态网络的特点应用并落实到多层级的国土空间规划体系中。研究结果表明:(1)长沙市域生态网络和都市区生态网络具有较好的层级嵌套特征;共识别两尺度生态叠合源地14个、生态叠合廊道15条,主要通过中心城区内的湘江、浏阳河和捞刀河部分河段与外围生态绿圈相衔接,形成“外环内楔”的空间格局。(2)确定市域重要廊道、市域潜在廊道、生态叠合廊道、都市区重要廊道、都市区潜在廊道的核心保护面积共501.14 km~2,并提取位于生态廊道核心保护区范围内的生态夹点和生态障碍点,以进一步落实生态保护修复策略。(3)得到具有重要生态连通功能的中心城区生态绿道长度441.2 km,生态修复单元56个,并结合生态阻力值划分为5级进行针对性修复。(4)基于不同尺度生态网络的衔接、嵌套,最终构建“市域总体生态安全格局—都市区城市生态空间发展格局—以城市绿道为基础的中心城区生态修复单元”,并与不同层级的国土空间规划体系相对应。研究结果将为以大城市为中心的跨尺度生态系统修复和生态安全格局构建提供科学参考。

结合MacBERT与多层次特征协同网络的音乐社交评论情感分析模型

为更好地解决传统模型特征捕捉能力不足,词向量语义表示不准确等问题,提出了结合MacBERT与多层次特征协同网络的音乐社交评论情感分析模型MacBERT-MFCN(MacBERT and Multi-level Feature Collaborative Network)。采用MacBERT模型提取评论文本特征向量,解决静态词向量无法表示多义词的问题;多层次特征协同网络结合双向内置注意力简单循环单元(Bidirectional Built in Attention Simple Recurrent Unit,BiBASRU)和多层次卷积神经网络(Multilevel Convolutional Neural Network,MCNN)模块,全面捕捉局部和上下文语义特征;软注意力用来衡量分类特征贡献的大小,赋予关键特征更高权重。基于网易云评论文本数据集进行实验,结果表明,MacBERTMFCN模型F1值高达95.56%,能有效地提升文本情感分类准确率。

基于多级多尺度特征提取的CNN-BiLSTM模型的中文情感分析

情感分析作为自然语言处理(NLP)的一个研究子领域,在舆情监测方面起着非常重要的作用。在中文情感分析任务中,已有方法仅从单极、单尺度来考虑情感特征,无法充分挖掘和利用情感特征信息,模型性能不理想。针对这一问题,提出了一种多级多尺度特征提取的CNN-BiLSTM模型。该模型首先利用预训练好的中文词向量模型并结合嵌入层微调来获取词级特征;然后利用多尺度短语级特征表征模块和句子级特征表征模块来分别获取短语级和句子级特征,在多尺度短语级特征表征模块中,使用具有不同卷积核尺寸的卷积网络来获取不同尺度的短语级特征;最后使用多级特征融合方法将词级特征、不同尺度的短语级特征以及句子级特征进行融合形成多级联合特征,与单极、单尺度特征相比,多级联合特征具有更多的情感信息。在实验中,使用Accuracy,Precision,Recall,F1这4个评估指标对模型性能进行评估,并与包括支持向量机(SVM)在内的8种方法进行比较。实验结果表明,所提方法在4个评估指标中的得分均优于8种对比方法,证明了所提模型在多级和多尺度特征提取上的优势。

基于改进RetinaNet的高铁无砟轨道板表面裂缝检测

针对高铁无砟轨道板表面裂缝尺度差异大、裂缝类别不平衡等问题,提出了基于改进RetinaNet的裂缝检测方法。为了缓解下采样与特征金字塔横向连接压缩而导致的细微信息丢失的问题,利用多级特征金字塔融合ResNet-50主干网络中提取的不同层次的深浅特征,实现了图像特征信息的充分表达;为了解决检测过程中表面裂缝的分类和定位置信度之间不匹配的问题,提出自适应锚点学习使锚点与网络模型同时进行优化,提高了对小尺度裂缝的检测精度;为了缓解裂缝类别不平衡对检测性能的影响,引入焦点损失函数(Focal Loss)作为分类损失函数,并在其中添加类平衡权重项因子,提升了对小类别裂缝的检测精度。实验结果表明,改进RetinaNet检测网络对高铁无砟轨道板不同类别的裂缝均获得了较好的效果,平均检测精度(mAP)达到72.58%,较之原始RetinaNet检测网络提高了3.60个百分点,有效实现了对不同尺度裂缝的准确检测。

利用多特征协同深度网络的高分遥感影像分类

基于深度卷积神经网络的高空间分辨率遥感影像(高分影像)分类是当前遥感智能解译技术领域的研究热点之一。然而,现有的分类网络未充分考虑多类型特征间的协同性,无法有效捕获高分影像中复杂的地物空间关系。为进一步挖掘空间信息、提高分类精度,本文提出了一种多特征协同深度网络(MFCDN)学习算法。在MFCDN中,首先提取多类型的浅层特征作为网络输入,随后利用多尺度特征提取模块获取不同空间尺度的地物信息。然后经过通道和空间注意力机制动态加权后,采用多个特征提取层和数据下采样层提取语义信息,并通过逐元素相加的方式进行特征融合。最后,使用多层感知机结合Softmax函数获取分类结果。试验结果证明,MFCDN在分类精度和泛化能力方面都优于相关方法。

基于多级连续编码与解码的图像超分辨率重建算法

以卷积神经网络为模型框架的图像超分辨率重建算法难以提取低分辨率图像内部的多层次特征信息,导致重建图像缺少丰富细节,为此提出新的图像超分辨率重建算法.所提算法通过初始卷积层从低分辨率图像提取浅层特征;通过多个端对端连接的多级连续编码与解码的注意力残差模块获取低分辨率图像内部不同层级的图像特征,按照不同的提取难度生成这些特征的权重,重新校准不同层次的图像特征,获取图像内部丰富的细节特征;通过上采样模块和重建卷积层将提取到的丰富细节特征和浅层特征重建成高分辨率图像.在Set5、Set14、BSD100和Urban100测试集上进行的对比测试结果表明,使用所提算法重建的图像在客观评价指标、视觉效果上均优于使用主流算法重建的图像.

基于多层注意力机制的4DC-BGRU脑电情感识别

为了提高脑电情感识别的准确率,提取更丰富的特征信息,提升网络模型稳定性,提出一种改进的基于多层注意力机制的脑电情感识别模型。在特征提取方面,将原始脑电信号转换成四维空间-频谱-时间结构,提取丰富的脑电信息。在网络模型方面,构建双路卷积神经网络学习空间及频率信息,有效提取多尺度特征,增加网络宽度来学习更丰富的特征信息;在卷积层及池化层后融入批量归一化层,防止过拟合。最后,构建多层注意力机制-双向门控循环单元模块处理时间特征并配合Softmax分类。采用双向门控循环单元学习更全面的上下级特征信息。利用多层注意力机制使四维特征中不同时间切片与整体时间切片之间产生关联。该文在DEAP数据集唤醒度和效价两个维度进行了评估实验,二分类平均准确率分别为96.38%和96.73%,四分类平均准确率为93.78%。实验结果显示,与单路卷积神经网络及其他文献算法相比,该文算法的平均准确率有所提高,表明该算法可以有效提升脑电情感识别性能。