检索结果-内蒙古大学图书馆

光学精密工程 2025年第4期33卷 653-664页

作者：李娜刘蒙巧潘金婷黄开贾兴轩西安邮电大学通信与信息工程学院陕西西安710121

针对复杂深度模型在运算资源受限条件下难以实现高精度、高帧率跟踪的问题,本文提出了一种基于知识蒸馏的Transformer视觉跟踪器。该视觉跟踪器通过引入图像动态校正模块,将当前帧搜索图像与基于光流的预测图像进行动态融合,能有效应对... 详细信息

针对复杂深度模型在运算资源受限条件下难以实现高精度、高帧率跟踪的问题,本文提出了一种基于知识蒸馏的Transformer视觉跟踪器。该视觉跟踪器通过引入图像动态校正模块,将当前帧搜索图像与基于光流的预测图像进行动态融合,能有效应对目标快速移动、运动模糊等挑战。为了降低模型复杂度,本文采用知识蒸馏学习策略对模型进行压缩,并将同方差不确定性融入损失函数中,通过学习可得到不同子任务的损失权重,从而避免手动调参的繁琐与困难。同时,在训练过程中,采用随机模糊策略以增强模型的鲁棒性。本文提出了两种不同复杂度的跟踪框架:KTransT-T和KTransT,并在五个公开数据集上与12种算法进行了对比实验。实验结果表明:KTransT-T算法有效提高了跟踪精度和成功率,KTransT则在保证较低模型复杂度的同时,达到了与主流算法相当的跟踪精度,其跟踪速度可达158 frame/s,满足实时跟踪的需求。

关键词：计算机视觉目标跟踪 Transformer 知识蒸馏同方差不确定性

来源：评论

学校读者我要写书评

暂无评论

用于颈动脉自动综合分析的光流辅助不确定性引导型多任务回归网络

用于颈动脉自动综合分析的光流辅助不确定性引导型多任务回归网络

引用

作者：赵承倩山东师范大学

学位级别：硕士

全自动化的颈动脉综合分析(感兴趣区(ROI)的定位、内径(CALD)和内中膜厚度(CIMT)的直接定量测量与分割、颈动脉壁的运动估计)是心血管疾病可靠的辅助诊断,它有效减轻了医生繁重的工作负担。由于五个棘手的挑战,目前还没有工作实现完全... 详细信息

全自动化的颈动脉综合分析(感兴趣区(ROI)的定位、内径(CALD)和内中膜厚度(CIMT)的直接定量测量与分割、颈动脉壁的运动估计)是心血管疾病可靠的辅助诊断,它有效减轻了医生繁重的工作负担。由于五个棘手的挑战,目前还没有工作实现完全自动化的颈动脉综合分析:(1)ROI的选取严重依赖有经验的颈动脉医生,这限制了完全自动化的研究。(2)CIMT的微小结构增加了神经网络进行特征编码的难度。(3)颈动脉壁的径向运动导致内膜与腔的边界缺乏判别特征。(4)病变的颈动脉丢失了许多结构与表达特征。(5)多任务回归的最优权重难以人工调节到最优。在本文中,本文提出了两个新型的多任务回归网络——OF-MSRN和OF-UMRN来解决以上棘手的挑战。OF-MSRN网络是颈动脉综合分析的初步尝试。本网络评估前后光流的一致性,以提高对病变的颈动脉运动估计的准确性。更重要的是,本网络首次探索了一种光流辅助模块,利用分割和运动估计的互利关系来克服径向运动的限制。在此基础上网络被进一步优化,提出了用于全自动的颈动脉综合分析的OF-UMRN网络。本网络建立了新型的同方差不确定性模型来自动地优化分割任务和直接定量测量任务的权重。本网络充分利用了多个对象之间的病理关系以及多个任务之间的协同提升。本网络对101例患者的202个颈动脉超声序列进行了广泛的实验,证明了OF-UMRN在颈动脉全自动综合分析中具有优越的性能。因此,用于颈动脉自动综合分析的光流辅助不确定性引导型多任务回归网络在心血管疾病的诊断和评估方面具有很好的临床应用前景。

关键词：直接定量测量分割运动估计双向光流同方差不确定性

来源：评论

学校读者我要写书评

暂无评论

基于PINN的细长体飞行器气动特性预测研究

基于PINN的细长体飞行器气动特性预测研究

引用

作者：王康晋西南科技大学

学位级别：硕士

飞行器气动特性预测在飞行器设计中扮演着至关重要的角色。随着PINN技术的不断进步,基于PINN的细长体飞行器气动特性预测已成为当前的主流方法。然而此方法在应用过程中仍面临许多问题,如多任务学习中如何合理设置不同气动特性参数的损... 详细信息

飞行器气动特性预测在飞行器设计中扮演着至关重要的角色。随着PINN技术的不断进步,基于PINN的细长体飞行器气动特性预测已成为当前的主流方法。然而此方法在应用过程中仍面临许多问题,如多任务学习中如何合理设置不同气动特性参数的损失权重、引入物理方程时可能会出现负迁移现象等问题。为了应对这些问题,本文在深入研究基于PINN的细长体飞行器气动特性预测的基础上,对网络结构进行了优化和改进,并提出了针对性的构建方案。主要研究工作如下: （1）针对多任务学习网络并没有充分考虑各个任务的损失权重,会导致模型在训练过程中出现偏差或过度拟合的问题,提出基于特征增强与同方差不确定性的残差学习模型。该模型在多任务网络任务层中融入残差块,提升了模型的表达与特征学习能力;同时运用同方差不确定性方法,为不同的预测任务设定合理的损失权重,从而优化模型训练过程;此外还补充飞行器的机翼面积和飞行条件等关键参数作为输入特征,以全面捕捉飞行器的复杂动态和飞行环境。实验结果表明相比于PIMTLNN模型,本模型四个气动特性参数(CA、CN、Cmz、Xp)预测误差的百分比降低超过90。（2）针对基于PINN的细长体飞行器气动特性预测模型中因引入与任务轴向力系数无关的物理信息导致负迁移现象的问题,提出了一种基于相关性过滤和点积注意力的多任务学习模型。该模型通过在多任务学习共享层中融入多个点积注意力模块,增强了模型对不同气动特性参数间关联性的理解。同时,为了有效减小负迁移的影响,提出了一种基于相关性过滤的训练策略。实验结果表明相比于PIMTLNN模型,本模型有三个气动特性参数在三个测试集上预测误差得到了降低,其中有两个参数误差减少超5%。

关键词：深度学习细长体飞行器物理信息神经网络同方差不确定性

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：