基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

基于多头注意力动态图卷积网络的交通流预测

【目的】交通流预测对于城市交通系统的有效管理和运行至关重要。交通网络中不同路段或路口的流量随时间动态变化,空间邻近路段或路口的流量也会相互影响。为了更好地从交通流序列中学习不同路段或路口流量的时空相关性,提升交通流短时预测性能,提出基于多头注意力动态图卷积网络(dynamic graph convolution network with multi-head attention,DGCNMA)的交通流预测方法。【方法】DGCNMA模型在Transformer框架中首先引入图卷积网络学习交通流序列的空间嵌入并融入交通流序列,进而采用多头注意力机制从多个角度同时捕捉交通流序列的时间相关性和空间相关性;其次引入交互动态图卷积网络,通过卷积网络和动态图卷积网络交互学习以及交通流奇偶子序列特征交互融合,同时学习交通流序列的局部时空相关性和全局时空相关性。【结果】通过在高速公路交通流数据集(PEMS03、PEMS04、PEMS08)和地铁人群流量数据集(HZME inflow and HZME outflow)上的大量实验,验证了所提出的DGCNMA模型的交通流预测性能优于基线模型。

面向智慧运维系统的改进YOLOv8行为检测算法

针对智慧运维系统在维护机房安全时难以稳定检测机房工作人员的行为,导致出现安全隐患的问题,提出一种改进YOLOv8的行为检测算法。首先,设计一种自适应空间权重卷积模块来改进原C2f模块,提升网络对多尺度特征的获取能力;其次,提出多残差可变形卷积模块来增强算法对不规则空间特征的学习能力,并将其融入颈部网络中进一步提升对机房工作人员行为的检测精度;然后,针对当前机房图像数据集缺少的问题,从现有媒体中收集和标注相关图像,并使用迁移学习在现有训练权重基础上进一步调试优化;最后,引入Wise-IoU损失函数解决自建数据集中低质量示例对训练结果的影响。实验结果表明,改进后的算法在标准NTU RGB+D数据集的测试精度为87.84%,优于对比算法;在真实机房的测试中相较于原YOLOv8,准确度和召回率分别提高了13.24%和10.47%,参数量降低了18.07%。

New method to solve electromagnetic parabolic equation

This paper puts forward a new method to solve the electromagnetic parabolic equation （EMPE） by taking the vertically-layered inhomogeneous characteristics of the atmospheric refractive index into account. First, the Fourier transform and the convo- lution theorem are employed, and the second-order partial differential equation, i.e., the EMPE, in the height space is transformed into first-order constant coefficient differential equations in the frequency space. Then, by use of the lower triangular characteristics of the coefficient matrix, the numerical solutions are designed. Through constructing ana- lytical solutions to the EMPE, the feasibility of the new method is validated. Finally, the numerical solutions to the new method are compared with those of the commonly used split-step Fourier algorithm.

空间通道双重注意力道路场景语义分割

无人驾驶领域的一个重要问题就是在低功耗移动电子设备上怎样运行实时高精度语义分割模型。由于现有语义分割算法参数量过多、内存占用巨大导致很难满足无人驾驶等现实应用的问题,并且在影响语义分割模型的精度和推理速度的众多因素中,空间信息和上下文特征尤为重要,并且很难同时兼顾。针对该问题提出采用不完整的ResNet18作为骨干网络,ResNet18是一个轻量级的模型,参数量较少,占用内存不大;同时采用双边语义分割模型的技术,在两条路径上添加通道空间双重注意力机制,来获取更多的上下文信息和空间信息的想法。另外还采用了精炼上下文信息的注意力优化模块,和融合两条路径输出的融合模块,添加的模块对于参数量和内存的影响很小,可以即插即用。以Cityscapes和CamVid为数据集。在Citycapes上,mIoU达到77.3%;在CamVid上,mIoU达到66.5%。输入图像分辨率为1024×2048时,推理时间为37.9 ms。

线性正则正余弦变换卷积及其性质

卷积是一种重要的积分变换,它在信号处理领域有着非常重要的作用。基于线性正则正余弦变换,定义了两类新的线性正则正余弦变换的卷积运算,给出了线性正则正余弦变换卷积与已有卷积之间的关系,并推导出线性正则正余弦卷积定理。研究结果是经典傅里叶正余弦卷积理论在线性正则域内的进一步拓展。

遥感图像在船舶检测深层卷积神经网络的应用

为了改善不同朝向、外形尺寸船舶目标检测效果,提出基于深层卷积神经网络的船舶遥感图像检测方法。采用拉普拉斯算子对原始船舶遥感图像作增强处理,采用中值滤波算法消除处理后的遥感图像所含噪声,将去噪后的船舶遥感图像输入到船舶检测模型中,引入可变形卷积的D-FPN网络获取疑似船舶候选区域图像,通过多尺度锚点设计满足船舶目标检测时的尺寸要求,将疑似船舶候选区域提取结果作为D-FCN网络的输入,完成旋转矩形框定位以及损失函数的设计,实现不同类型船舶目标的识别。结果表明:该方法可提升原始船舶遥感图像视觉效果,实现船舶目标检测;嵌入3个可变形卷积层并放置于ResNet网络后端,模型P、R、F1指标值最大、训练损失最低。

改进DeepLabV3+的农作物病害分割方法

针对于传统农作物病害识别存在的效率低、难度大等问题,提出了一种改进DeepLabV3+网络的农作物病害分割方法。主干特征提取网络使用轻量级的MobileNetV3,在空洞空间金字塔池化(ASPP)中使用深度可分卷积替代普通卷积,减少模型计算量;引入SE通道注意力和ECA有效通道注意力,挖掘有效的通道信息来提高分割精度。以某地区的苹果叶片病害图像作为研究对象。实验结果表明,改进的DeepLabV3+算法平均交并比可达到82.7%,而且模型参数量只有4.98MB,具有较好的性能。

基于多分支卷积的单目深度估计方法研究

单目深度估计目前存在精度欠佳和物体边界深度预测模糊等挑战,针对上述问题,论文提出了一种基于多分支卷积的单目深度估计算法,利用复杂的卷积结构提取场景中更丰富的语义信息。模型在训练阶段使用四分支卷积替代原有单分支卷积,测试部署时可将多支路卷积的权重参数移植到原单支路网络上,从而网络模型在测试及使用阶段不会增加额外的推理时间。在公开数据集的测试对比中,论文提出的方法预测的深度图结果更加清晰,能有效地应对图片中物体边界等区域,实验结论证明论文提出的方法具备一定的有效性。

基于时间序列深度学习的超窄间隙焊接质量预测方法

焊接过程中,电信号与焊接质量密切相关。超窄间隙焊接是一种高效低热输入的新焊接方法,但其电弧控制与熔滴过渡过程复杂,传统的信号特征提取与分析方法往往不能完整表达和充分利用时间序列信息。结合超窄间隙焊接过程特点,运用完整电信号时间序列构建卷积神经网络,在深入挖掘同属性信号时序信息的同时,充分考虑同步采集的焊接电流和电弧电压信号之间的时间关联信息,对焊接质量进行预测。试验结果表明,基于完整时序信号的深度网络模型能够准确地预测焊接质量,准确率达到95%,在使用RTX2080GPU作为运算加速器的情况下,模型预测所需时间仅为0.178 ms,为实时预测超窄间隙焊接质量奠定了基础。

基于自注意力的扩展卷积神经网络情感分类

针对现有文本情感分析方法在对文本中词位置、结合上下文以及深层次情感词提取中存在的不足,提出一种模型。利用扩展卷积网络将词或字符编码矩阵转化为向量;扩展卷积以并行卷积核实现增加词之间的位置信息,使词与词之间联系更加紧密;在模型中融合双向GRU网络增加下文信息的影响;利用自注意力机制分配深层次信息的权重,增加词在整句话中的语义信息;将不同权重的文本信息特征放入到softmax层进行文本分类。实验结果表明,该模型在数据集IMDB、SSTB上的准确率比同类模型更高。

用于电力系统随机生产模拟的剩余持续负荷曲线

分析了等效持续负荷曲线的特性及其用于随机生产模拟时存在的不足,在此基础上提出了剩余持续负荷曲线的概念,并与等效电量函数法相结合,用于电力系统的随机生产模拟。对IEEE-RTS79扩大系统的仿真结果表明,采用等效持续负荷曲线或剩余持续负荷曲线进行随机生产模拟拥有相同的计算精度,但采用剩余持续负荷曲线可以节约超过60%的计算时间,能够较好地满足实际大规模电力系统的应用要求。

基于PPR模型的稀疏矩阵向量乘及卷积性能优化研究

稀疏矩阵向量乘和卷积作为高性能计算的两大计算核心,是非规则和规则访存的典型代表.目前已经做了许多针对性的优化工作,但是对于大量运行着不同指令集和拥有不同计算和访存性能的机器,仍然无法判定在特定的体系结构下导致性能效率无法被完全释放的主要原因及性能瓶颈,同时也很难准确预测出程序在特定机器上可达到的最佳性能.通过使用性能模型方法,建模程序在真实机器上的运行细节,可以得出更加精确的性能预测,并且根据模型输出的反馈信息提出针对性的优化指导.提出了PPR(probability-process-ram)模型,并在一个通用处理器上建模程序内指令执行和数据传输开销,其中包括使用模型预测各种指令数量及内存层次之间的数据传输大小去分析程序各个阶段的性能瓶颈,并且根据模型反馈的信息提出优化方案以及优化后的性能期望.最终使用PPR建模和优化2个计算核心,同时也比较了与常用的Roofline和ECM模型的区别.

关于一类含有线性算子的亚纯多叶函数

引进和研究了一类含有线性算子的新的多叶亚纯函数,得到了这一函数类中的一些有趣性质,如包含关系、卷积性质等.这些结果改进和拓展了早期的一些工作,同时也得到了其他一些新的结果.

基于邻域相似的层次粒化的网络表示学习方法

捕获更多的结构特征给网络表示学习方法带来较高的复杂度。基于分层递阶思想,文中提出基于邻域相似的层次粒化的网络表示学习方法,降低已有网络表示学习方法的复杂度。首先利用节点邻域相似性将网络逐步压缩至粗粒度的表示空间中。然后利用已有的网络表示学习方法学习粗粒的特征表示。最后利用图卷积网络将已学习的粗粒特征逐步细化为原始网络的节点表示。在多个数据集上的实验表明,文中方法可以快速有效大幅压缩网络,降低算法的运行时间。针对节点分类和链接预测任务,当粒化层次较低时,文中方法可以较大幅度提升原有算法的性能。

含有卷积核的线性Volterra积分微分方程的数值解

利用不动点定理证明了含有卷积核的线性Volterra积分微分方程古典解的存在性与唯一性.讨论了用TayIor公式求解该类方程的方法,并通过几个具体的例子说明这种方法的精确性.

扩展G-期望下的最小卷积问题(英文)

文章研究了在多维的G-分布期望下的最小卷积问题,并且得到了多维G-分布期望的最小卷积和生成元G的最小卷积的关系.此外,我们还研究了此问题的连续性性质和动态性质.

卷积型积分微分方程解的稳定性定理

本文研究卷积型积分微分方程（１）和（２），建立了方程（１）和（２）的零解渐近稳定的若干充分性准则。

基于速度门控时空图卷积网络的交通流预测

现有的交通流预测模型大多数仅以交通流数据的角度进行预测,但交通速度和交通流数据之间也存在着一定的联系。因此,提出一种基于速度门控时空图卷积网络(SGSTGCN)的交通流预测模型,同时以交通流和交通速度的角度来解决交通流预测问题。SGSTGCN通过门控扩张卷积和图卷积分别对交通数据的时间和空间相关性进行建模,接着利用门控机制将交通速度特征融合到交通流特征中,使模型更精确地感知交通路网的动态变化,以实现准确的交通流预测。在真实高速公路交通流数据集上的实验表明,SGSTGCN模型比其他时空图网络预测模型DCRNN,STGCN具有更高的预测精度。

既有桥梁车辆荷载行进过程数学模型构建

根据我国现有的车辆荷载样本模型,考虑在不同运行状态下车辆荷载出现的统计规律,提出n辆车行进于桥梁上并且连续到达的概率密度函数的通用表达式及解析表达式。解析表达式可避免通用表达式繁琐的数值计算,为确定桥上最大可能车辆数提供便利。