基于无监督域适应的室外点云语义分割

为处理室外大规模场景中语义分割网络训练需求数据量过大的问题,提出一种基于无监督域自适应的点云语义分割方法。该方法使用改进的RandLA-Net以SPTLS3D真实世界数据集的少量点云作为目标对象进行语义分割。模型在SensatUrban数据集上完成分割网络的预训练,通过缩小源域和目标域之间的域差距来完成模型的迁移。RandLA-Net编码过程会缺失原始点云全局特征,因此本文提出一种额外获取全局信息加入网络解码的方法。此外,为增强差异化信息的获取,RandLA-Net的局部注意力模块权值改为根据各点的特征和其邻域的平均特征的差值。实验显示,该网络在Se manticKITTI数据集上的平均交并比精度达到54.3%,在Semantic3D上的平均交并比精度达到了71.91%。预训练好的模型经过微调后平均交并比精度达到了80.05%,比直接训练的效果好8.83个百分点。

基于双层模糊推理和改进DWA的多机器人路径规划

针对未知复杂环境下,现有多机器人系统路径规划方法存在难以处理好可达性、安全性等性能指标与求解时间之间平衡的问题,提出一种基于双层模糊推理的改进DWA(Dynamic Window Approach)算法。首先,利用线速度模糊控制器以及转向角模糊控制器输出基础位姿,保障机器人寻路过程的灵活性和安全性;然后,对传统DWA算法的障碍物距离评价函数进行改进,纳入偏离危险区评价函数,实现多机器人避碰;通过扩展评价函数和权值参数,改善鲁棒性和全局性能;最后,融合双层模糊推理与改进的DWA算法,即利用双层模糊控制确定大致的速度和方向,在此基础上采用改进DWA算法输出精确速度和转向角。仿真实验表明改进算法生成的轨迹更平滑,并且可提高多机器人路径规划的运行效率和安全性。

敬告作者

尊敬的广大读者、作者:本刊郑重声明:从未委托任何机构或网络媒体代征、代审科技论文。目前社会上出现打着《计算机与现代化》期刊的名义征文的现象,严重侵犯了本刊的权益,本刊表示强烈的抗议并保留法律诉讼的权利。

面向数据增强的轻量化语音情感识别

利用深度学习进行语音情感识别时通常需要大量的训练数据。针对现有语音情感数据库匮乏且数据量少容易造成过拟合的缺陷,本文在预处理阶段,将原始语音通过加入高斯白噪声和对波形进行位移产生新的语音信号以实现数据增强,不仅可提高识别准确率而且可增强模型的鲁棒性。与此同时,由于普通卷积神经网络参数量过大,提出一种轻量化模型,该模型由可分离卷积与门控循环单元构成。首先,从原始语音中提取MFCC特征作为模型的输入;其次利用可分离卷积来提取语音空间信息,门控循环单元提取语音的时序信息,用时序信息和空间信息同时表征语音情感可以使预测结果更加准确;最后送入带有softmax的全连接层完成情感分类。实验结果表明,本文模型与基准模型相比不仅可以得到较高的准确率且模型可压缩约50%。

红外小目标检测方法综述

本文旨在对基于传统的特征提取、局部对比与现今使用广泛的深度学习的3种红外小目标检测方法进行综述,并通过对比这3种方法的前沿应用,分析其在目标检测性能、鲁棒性和实时性等方面的优势和不足。从中发现,基于特征提取的方法在简单场景下具有较好的实时性和鲁棒性,但在复杂场景下可能受限。基于局部对比方法对目标的尺寸和形状变化相对鲁棒,但对背景干扰较为敏感。基于深度学习的方法在目标检测性能方面表现出色,但需要大量数据和较大的计算资源。因此,在实际应用中,应根据具体场景需求综合考虑这些方法的优缺点,并选择合适的方法进行红外小目标检测。

基于VMD与MOGOA-LSTM的短期负荷预测模型

为了提高短期负荷预测的准确度,降低非平稳信号对模型预测造成的影响,提出一种集数据挖掘和多目标优化网络于一体的短期负荷预测模型。该方法将电力负荷数据通过变分模态分解技术分解成若干个不同频率的模态分量,采用相间重构方法动态确定人工神经网络的训练测试比和神经元设置,采用长短期记忆神经网络对各分量进行模型搭建,并在长短期记忆神经网络的基础上加入多目标蝗虫智能优化算法来优化网络内部参数,累加所有分量模型预测的值,实现短期负荷预测。仿真结果表明,与统计学方和混合模型相比,本文提出的模型在短期预测方面的预测精度较高、泛化能力更强。

基于SM9盲签名的OpenID协议

OpenID是一个以用户为中心的数字身份识别框架,同时又是一个去中心化的网上身份认证系统,它具有开放、分散、自由等特性。但是,当前已有的一些OpenID协议在有效保护用户隐私方面仍存在诸多不足,如身份提供商可以通过每次使用了解用户登录的依赖方信息。针对上述问题,本文提出一种基于盲签名的OpenID协议设计思路,将OpenID依赖方的网站标识符进行盲化。首先基于国密算法SM9设计一个身份基盲签名方案,并证明该方案的安全性依赖于SM9签名方案;随后基于上述盲签名方案,设计一个OpenID协议;最后通过仿真实验和理论分析论证所提出的OpenID协议的高效性和安全性。

基于全局自注意力的小麦图像识别

在实际应用场景下,通过图像识别的方式来识别小麦的病虫害具有极大的挑战性。与以往纯粹基于卷积神经网络(Convolutional Neural Network,CNN)的方法相比,将小麦图像转换成一系列视觉语言,并从全局视角进行小麦识别的方法是更可行和实用的。运用Convolutional Visual Transformers(CVT)来解决小麦识别分为2个环节。首先,利用2分支CNN生成的2种特征图来实现注意选择性融合(Attentional Selective Fusion,ASF)。ASF通过融合多个特征和全局-局部注意力来获取有区别的信息,并投射成一系列的视觉语言。其次,受Transformers在自然语言处理方面的成功启发,用全局自注意力来建模这些视觉语言之间的关系。将CVT与经典分类网络LeNet-5、ResNet-18、VGG-16、EfficientNet对比,识别率有所提升,同时该方法具有良好的泛化能力。

基于Retinanet的轮毂焊缝检测定位方法

提出一种基于深度学习方法的轮毂焊缝实时检测定位方法,设计轮毂焊缝视觉检测硬件平台,阐述多规格轮毂焊缝的检测定位原理,细述基于卷积神经网络的目标检测算法Retinanet以及基于Transformer架构的目标检测算法CoTNet的原理,优化Cot结构,提出CoTx结构,从而实现便捷替换卷积神经网络中通用的卷积层。在Pytorch框架下,简化Retinanet网络,通过CoTx结构和Retinanet网络的融合对比实验来优化Retinanet网络在轮毂焊缝数据集上的检测性能。实验结果表明,用CoTx结构替换Retinanet最后的几个特征提取层,可以得到更好的检测效果。在生产现场,进行为期30天的轮毂焊缝在线实时检测,平均检测精度为99.71%,单张检测时间为7 ms,达到企业生产的要求。

保护位置隐私的效用优化本地差分隐私机制

移动设备收集用户的地理位置数据用以提供个性化服务,同时也会产生数据泄露的潜在风险。现有地理位置差分隐私保护机制对于不同地理位置隐私保护级别等同对待,效用优化本地差分隐私(ULDP)考虑了对数据加以不同级别的隐私保护,但仅适用于类别型数据的频率估计,在地理位置隐私保护方面没有应用。考虑ULDP机制下的地理位置保护方案,将平方机制进行改造,提出效用优化的平方机制(USM)。该机制对于敏感地理位置满足本地差分隐私,对于非敏感地理位置不作安全性要求以提高整体效用。选取2种不同的真实地理位置数据集,在隐私预算相同的条件下将USM与平方机制进行对比实验,理论分析和实验结果表明USM在效用方面有显著提升。本文同时还展望了本机制进一步优化的可能方向。

面向协作式自动泊车的场端单目视觉测距系统

在协作式自动泊车的实现过程中,较为关键的一点是停车场全局范围内相关车辆的识别与定位,因此本文提出一种应用于场端基于单目视觉的车辆识别与定位方法。首先,考虑基础设施停车场的特点,设计灵活性更好的以分布式架构为核心的感知系统架构,改进SSD网络以使检测模型更适于在边缘处理设备中部署运行;之后分析并构建用于场端的单目视觉测距数学模型;最终综合利用目标检测与视觉测距算法,完成目标车辆的识别与定位。为验证单目视觉测距算法在场端中应用的有效性,在真实的停车场环境中设计模拟实验,进行相应的测试,实验结果表明,视觉测距精度满足系统要求。

基于排序学习算法的智能检索系统

本文旨在解决数据资产管理系统中信息检索效率低、检索结果准确率低下的痛点,基于排序学习算法构建智能检索系统,提升检索结果和用户请求的相关性。对排序学习算法理论进行研究,对常用的排序学习算法进行相关优化,将分类问题扩展到文本排序问题之上,定义相关的目标函数及损失函数,使用机器学习的方法来提升检索结果的准确度。基于垂直分布式搜索引擎技术及排序学习算法构建智能检索系统,通过相关性工程提升检索请求转化的效率。实验表明本系统可以在优化检索速率的基础之上,提升检索语句与返回结果之间的相关性和检索的准确度。

基于风格迁移的手势分割方法

基于全卷积神经网络的手势分割方法过于依赖大量精准标注的训练样本,同时由于提取特征中缺乏足够的上下文信息,常出现类内不一致的错分现象。针对上述问题,本文提出一种基于风格迁移的手势分割方法。首先选择HGR-Net手势分割网络的前5层作为主干网络,并在主干网各层添加上下文信息增强层,使用全局均值池化操作,结合通道注意机制,增强显著性特征通道的权值,保证特征上下文信息的连续性,从而解决类内不一致问题;其次,本文还提出一种基于风格迁移的领域自适应方法,使用VGG网络,对源域测试图像进行风格迁移预处理,使其同时具有自身内容和目标域训练样本图像的风格,提高本文的手势分割模型的泛化能力,从而解决跨域样本的分割问题。使用OUHANDS数据集进行测试,本文的手势分割结果mIoU和MPA分别为0.9143和0.9363,较HGR-Net手势分割网络提高了3.2个百分点和1.8个百分点。使用本文的风格迁移方法,并在自采集数据集上进行测试,迁移后的mIoU和MPA值分别提高了19个百分点和23个百分点。本文的风格迁移领域自适应方法为无标记样本的跨域分割提供了一种新的思路。

基于集成模型的超短时负荷预测方法

精准的短期负荷预测是保证电力系统顺利运行的关键。机器学习算法普及后,为以前难以解决的短期和超短期负荷预测提供了算法支持。鉴于梯度提升决策树(Catboost)、卷积神经网络-长短期记忆网络(CNN-LSTM)、极端随机树(Extratrees)等集成模型处理非线性相关数据效果好,本文将上述3种方法进行组合,构建集成预测模型,使用BP神经网络确定权重系数,通过权重将各种单项预测模型的优点结合在一起,从而起到了更好的预测效果。为了更好地说明本文使用方法的优点,本文采用平均绝对百分比误差(MAPE)和均方根误差、均方误差、拟合优度作为衡量指标,以集成模型与各个单项预测模型作对比,在MAPE标准下,集成模型比Catboost、CNN-LSTM、Extratrees模型分别降低了1.01个百分点、0.94个百分点、1.19个百分点。

基于复合混沌的鲁棒型医学图像加密算法

当前单一混沌图像加密算法的图像置乱程度低,导致加密结果易受到已知明文攻击,存在安全性低的问题。本文提出基于复合混沌的鲁棒型医学图像加密算法。设置图像密文反馈机制作为算法实现的理论支持,并读取鲁棒型医学原始图像。根据混沌模型的建立条件,构建复合混沌模型。选择Logistics混沌映射,生成复合混沌序列并进行多次迭代后,置乱加密鲁棒型医学初始图像像素值并进行替换与扩散,生成对应的密钥,从而实现鲁棒型医学图像的加密。通过与传统加密算法的对比,本文方法的置乱位数增加了886位,即置乱程度提升了8.7%,且明密文序列相关性较低、抗明文攻击能力较强,实验结果表明该鲁棒型医学图像加密算法的安全性较高。

基于卷积神经网络的苹果栽培品种识别

针对苹果栽培品种识别分类问题,提供一个包含多个苹果果树品种的叶片图像原始数据集,并且研究构建一种新的深度卷积神经网络分类模型,对其分类准确性、泛化性能和稳定性进行对比验证,以期对苹果栽培品种简便、快速、准确的识别分类提供理论依据和技术支持。以甘肃省平凉市静宁县果树果品研究所苹果良种苗木繁育基地作为实验基地,在其中选取14个苹果果树品种。每个品种选取10棵左右树龄、树势、长势都存在差异的果树,采摘100片左右成熟的、无机械损伤的叶片,然后拍摄叶片图像建立数据集,进而利用卷积神经网络训练识别分类模型。本文针对苹果栽培品种识别分类,提供一个包含14个苹果果树品种共计14394张叶片图像的原始数据集,并且设计实现基于卷积神经网络的识别分类模型。实验结果表明,该识别分类模型有较高的准确率,训练集训练精度可以达到99.88%,验证集验证精度为94.36%,独立测试集的测试精度为90.49%。本文的研究结果可以为现代苹果田间种植及科研试验等实际场景提供力所能及的帮助,为深度卷积神经网络技术在植物品种识别分类实际应用场景提供参考,丰富深度学习在农业上的应用。

基于优化残差网络的多模态音乐情感分类

针对传统的音乐情感分类因特征提取困难而导致模型分类准确率不高和人工工作量大等问题,提出一种基于优化深度残差网络的多模态音乐情感分类方法。该方法首先利用多模态翻译将难以提取特征的音乐音频模态转换为易于操作的图像模态;同时在深度残差网络的基础上对网络输入层的卷积核大小和残差块的快捷连接进行优化改进,减少了信息流失,缩短了计算时间;此外,为了缓解Softmax分类器存在类内离散、类间聚集这一弊端,引入了Center loss函数的变体来提升Softmax分类函数的性能。实验结果表明了本文优化后的残差网络模型的有效性和鲁棒性,相比于原始的残差网络,其对音乐情感的分类准确率提升了4.27个百分点。

敬告作者

尊敬的广大读者、作者:本刊郑重声明:从未委托任何机构或网络媒体代征、代审科技论文。目前社会上出现打着《计算机与现代化》期刊的名义征文的现象,严重侵犯了本刊的权益,本刊表示强烈的抗议并保留法律诉讼的权利。希望广大读者、作者继续关心支持本刊,欢迎继续踊跃投稿。

面向软件生态的资源定位技术

为满足大型复杂软件系统定制需求,软件生态系统应运而生,并逐渐成为软件工程领域新的发展趋势,如何准确快速地定位软件资源成为关键问题。本文以本体为基础给出软件生态系统模型,保证不同软件资源能够进行统一描述,在此基础上,提出一种基于统一访问引擎的软件资源快速访问技术,从而保证能够精确获取不同软件资源库的软件资源,满足软件生态系统中不同组织、大量软件的精细化管理需求。实验表明,本文提出的资源管理技术能够大幅提高软件资源定位精度和效率。

一种基于通道重排的轻量级目标检测网络

Tiny YOLO和YOLOv3-tiny作为2种轻量级目标检测算法以其突出的速度表现而闻名。本文以这2种网络模型为基础,结合分组卷积并改进通道重排算法,改进了原来的损失函数,构建了一种新的更快的网络模型,通过改进YOLOv3的损失函数而增加其检测准确度。在PASCAL VOC数据集和COCO数据集上分别训练并且测试,该网络模型每秒处理的速度超过265张图片,Map值达到55.8%,准确度超过Tiny YOLO且与YOLOv3-tiny相仿。