检索结果-内蒙古大学图书馆

计算机工程与应用 2025年第1期61卷 98-108页

作者：姜贸翔司占军王晓喆天津科技大学人工智能学院天津300457 北京航空航天大学无人系统研究院北京100191

针对轻小型无人机图像目标检测中由于目标灵活多样、环境复杂多变导致的检测精度低等问题,提出基于改进RT-DETR无人机目标检测算法。综合考虑轻量级SimAM注意力和倒置残差模块改进ResNet-r18主干网络,提高目标检测模型的特征提取能力。... 详细信息

针对轻小型无人机图像目标检测中由于目标灵活多样、环境复杂多变导致的检测精度低等问题,提出基于改进RT-DETR无人机目标检测算法。综合考虑轻量级SimAM注意力和倒置残差模块改进ResNet-r18主干网络,提高目标检测模型的特征提取能力。采用级联分组注意力机制优化倒置残差模块和特征交互模块,提升特征选择能力,实现目标检测信息的精细化获取。颈部网络中引入160×160检测层,提升特征融合阶段小目标的感知能力。基于VisDrone2019数据集的实验结果表明,改进后的模型具有更低的参数量和更高的检测精度。在Alver_Lab_Ulastirma和HIT-UAV数据集上进一步验证了改进方法的有效性和鲁棒性。

关键词：小目标检测 DETR 注意力机制 Transformer 残差链接

来源：评论

学校读者我要写书评

暂无评论

联合局部多尺度和全局上下文特征的步态识别

引用

智能系统学报 2024年第4期19卷 853-862页

作者：李浩淼张含笑邢向磊哈尔滨工程大学智能科学与工程学院黑龙江哈尔滨150001

现有步态识别方法在空间上能提取丰富的步态信息,但是在时间上通常忽略局部区域内的细粒度时间特征和不同子区域间的时间上下文信息。考虑到步态识别为细粒度识别问题同时每个人行走的时间上下文信息具有独特性,提出一种联合局部多尺度... 详细信息

现有步态识别方法在空间上能提取丰富的步态信息,但是在时间上通常忽略局部区域内的细粒度时间特征和不同子区域间的时间上下文信息。考虑到步态识别为细粒度识别问题同时每个人行走的时间上下文信息具有独特性,提出一种联合局部多尺度和全局上下文时间特征的步态识别方法。将整个步态序列按多个时间分辨率划分并提取局部子序列内的多分辨率细粒度时间特征。在子序列之间基于Transformer提取时间上下文信息,并基于上下文信息融合所有子序列形成全局特征。在2个公开数据集上进行大量的实验,在CASIA-B数据集的3种行走状态下取得98.0%、95.4%和87.0%的rank-1准确率,在OU-MVLP数据集上取得90.7%的rank-1准确率。本文提出的方法得到的结果可为其他步态识别方法提供参考。

关键词：生物识别步态识别跨视角卷积神经网络深度学习残差链接细粒度注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于残差对抗神经网络的图像艺术风格迁移

引用

哈尔滨商业大学学报(自然科学版) 2025年第1期41卷 31-37页

作者：杨天庾晨龙安徽理工大学计算机科学与工程学院安徽淮南232001

图像的艺术风格迁移旨在维持图像内容特征不变的前提下,将其风格特征转变为另一张图像所具有的风格特征.然而,当前的风格迁移方法在网络处理中采用都是像素级的卷积,往往存在内容信息和风格信息的普遍丢失问题,导致生成的风格化图片泄... 详细信息

图像的艺术风格迁移旨在维持图像内容特征不变的前提下,将其风格特征转变为另一张图像所具有的风格特征.然而,当前的风格迁移方法在网络处理中采用都是像素级的卷积,往往存在内容信息和风格信息的普遍丢失问题,导致生成的风格化图片泄露原有的内容.为解决这一问题,提出了一种新的残差对抗网络模型,名为RLGAN(Residually Generative Network).模型采用了多层残差链接的结构,将网络前面的内容信息与深层特征相链接,有效应对信息损失的问题.RLGAN在传输风格信息的同时,巧妙地保护了图像的内容纹理结构,能够对一张给定的内容图和另一张风格图生成内容保真的风格化结果.在模型训练过程中,引入了判别器和全新设计的损失函数,优化解码器参数的更新,从而提高模型性能.RLGAN模型能够生成既具有原始内容图的纹理结构,又具备艺术风格的图像.这一创新性的方法旨在克服传统风格迁移中常见的信息损失问题,提供更加真实和富有艺术感的图像生成.

关键词：残差链接对抗神经网络结构保护内容保真信息损失样式迁移

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的风力发电功率预测研究

基于深度学习的风力发电功率预测研究

引用

作者：王琦山东建筑大学

学位级别：硕士

风能利用的本质是将大气运动所具有的动能转化为人类可利用的能源形式。近年来,随着环保问题的日益凸显和能源需求的不断增长,各国普遍认识到大力推进风电发展的必要性,而风电的随机性、波动性给电力系统的稳定运行带来了挑战。高精度... 详细信息

风能利用的本质是将大气运动所具有的动能转化为人类可利用的能源形式。近年来,随着环保问题的日益凸显和能源需求的不断增长,各国普遍认识到大力推进风电发展的必要性,而风电的随机性、波动性给电力系统的稳定运行带来了挑战。高精度的风电功率预测是维护电力系统安全稳定运行的有力工具。本文以风电功率预测中的超短期和短期预测问题为主要研究内容,从风电数据的预处理、构建超短期和短期预测模型、算例仿真分析等方面开展研究工作。首先,介绍风力发电原理以及风电功率特性。其次,对影响实际风电功率的气象因素进行分析,利用斯皮尔曼相关性分析方法对可能影响历史风电功率因素进行量化分析。在此基础上,针对数据预处理方面异常数据和缺失数据导致预测精度低等问题,采用K均值聚类(K-means Clustering,K-means)算法检测异常数据和多重插补(Multiple Imputation,MI)方法重构缺失数据,对采集到的风电场原始数据进行预处理。最后,通过滑动窗口对原始数据进行截取,从而组成预测模型所需输入特征数据,为后续预测模型的研究提供了质量良好的数据。针对时间尺度为超短期的风电功率预测模型构建中特征提取复杂以及预测精度低等问题,首先,利用卷积神经网络(Convolutional Neural Networks,CNN)深度提取风电数据特征,再结合长短期记忆网络(Long Short-Term Memory Networks,LSTM)对时间序列数据进行学习。然后,为了进一步提高风电功率的预测精度,结合输入序列的正向和反向信息,构建了双向LSTM网络(Bi-directional LSTM,Bi LSTM)。最后,采用灰狼优化算法(Grey Wolf Optimizer,GWO)对模型中两个模块的超参数进行寻优,获得最优超参数,从而构建完整的组合式超短期风电功率预测模型。实验结果表明,所提出的组合模型能够进一步提升风电功率的预测精度。针对时间尺度为短期的风电功率预测模型构建中时间跨度大,预测不稳定,时空特性提取缺失等问题,首先,为了充分挖掘较长时间数据的时空特征信息,建立了包含因果卷积和膨胀卷积的并行卷积网络,用于捕获重构风电数据的时空特征。然后,为了可以最大限度地将输出层的时空特征与底层数据特征融合,将并行卷积网络提取的时空特征输入改进的LSTM网络,即在改进的模型中引入了残差链接方法,以使模型能够跨循环层传输底层依赖信息,从而进一步提高短期风电功率预测的准确性。最后,通过不同模型对实际风电功率数据进行预测对比,验证了所提改进模型的实用性和有效性。

关键词：风电功率预测特征挖掘双向长短期记忆网络并行卷积网络残差链接

来源：评论

学校读者我要写书评

暂无评论

基于残差卷积神经网络的语音识别算法

引用

计算机与数字工程 2023年第2期51卷 440-444页

作者：冯成立程雯武汉邮电科学研究院武汉430000

传统语音识别声学模型DFCNN在对语音特征进行提取的时,采用深度卷积模型只考虑了局部特征,对不同的声学特征无法抓重点选择,且训练速度较慢,难以收敛。文本针对这些问题,提出一种基于深度残差的卷积神经网络的声学模型DRCNN。结合CTC技... 详细信息

传统语音识别声学模型DFCNN在对语音特征进行提取的时,采用深度卷积模型只考虑了局部特征,对不同的声学特征无法抓重点选择,且训练速度较慢,难以收敛。文本针对这些问题,提出一种基于深度残差的卷积神经网络的声学模型DRCNN。结合CTC技术,直接使用DRCNN对声学特征进行建模,使用SE-Block通道加权残差机制和深度堆叠结构,加快声学特征提取过程,增强拟合能力,提高训练速度。在此基础上搭建基于transformer的语言模型。相比传统DFCNN-HMM模型,更能学习到语音信息的深度特征,增强声学模型,语言模型鲁棒性。实验结果表明,在中文语音识别数据集,文本提出的语音识别算法相比DFCNN-HMM有在字错误率WER上有4.03%的提升。

关键词：语音识别 CNN transformer 自注意力机制残差链接 SE-Block

来源：评论

学校读者我要写书评

暂无评论

基于时间卷积网络的极化码译码算法

引用

计算机技术与发展 2022年第3期32卷 54-58页

作者：李硕王友国柴允任珈仪南京邮电大学通信与信息工程学院江苏南京210003 南京邮电大学理学院江苏南京210023

针对传统的极化码译码(SC译码)算法实际应用中的用时较长和容错率较差的问题,提出并使用新型人工神经网络——时间卷积网络(temporal convolutional network,TCN)拟合的方式搭建极化码译码模型。与其他人工神经网络不同的是,时间卷积网... 详细信息

针对传统的极化码译码(SC译码)算法实际应用中的用时较长和容错率较差的问题,提出并使用新型人工神经网络——时间卷积网络(temporal convolutional network,TCN)拟合的方式搭建极化码译码模型。与其他人工神经网络不同的是,时间卷积网络属于卷积神经网络(convolutional neural network,CNN),和循环神经网络(recurrent neural network,RNN)的功能相似,其独有的膨胀因果卷积结构和残差链接方法使其擅于分析时间数据,比长短期记忆网络(long short-term memory,LSTM)、门控循环神经网络(gated recurrent units,GRU)之类的规范循环网络更准确、更简单、更清晰,比较适合极化码这样的时间序列。通过调试网络模型参数的方式,对时间卷积网络译码性能影响进行了研究,仿真结果显示,通过合理地调整训练序列数、卷积核的大小和数目可以实现提升极化码译码性能的要求。

关键词：极化码 SC译码时间卷积网络膨胀因果卷积残差链接

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：