检索结果-内蒙古大学图书馆

信息系统工程 2024年第10期 132-135页

作者：郑丹宋思楠贺强晋中信息学院

为了优化深度可分离卷积网络在遥感图像分类中的应用,解决传统卷积神经网络在处理高分辨率遥感图像时的计算量大、参数冗余等问题。采用模块化与层次化设计方法,应用数据增强技术与特征工程,通过轻量化模型设计、参数剪枝与量化技术,并... 详细信息

为了优化深度可分离卷积网络在遥感图像分类中的应用,解决传统卷积神经网络在处理高分辨率遥感图像时的计算量大、参数冗余等问题。采用模块化与层次化设计方法,应用数据增强技术与特征工程,通过轻量化模型设计、参数剪枝与量化技术,并设置实验环境、选取典型数据集,进行实验设计与评估,比较不同模型的分类准确率。结果显示,优化后的深度可分离卷积网络在分类准确率、计算量、训练时间和能耗方面表现优异。得出结论,优化模型在遥感图像分类中具备高实用价值,提升了遥感图像分类的效率和准确性。

关键词：深度学习深度可分离卷积网络遥感图像分类

来源：评论

学校读者我要写书评

暂无评论

面向高光谱影像小样本分类的全局-局部特征自适应融合方法

引用

地球信息科学学报 2023年第8期25卷 1699-1716页

作者：左溪冰刘智金飞林雨准王淑香刘潇李美霖信息工程大学地理空间信息学院郑州450001

高光谱影像标记样本的获取通常是一项费时费力的工作,如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分,导致在小样本条件下的分类精度较差。针对此... 详细信息

高光谱影像标记样本的获取通常是一项费时费力的工作,如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分,导致在小样本条件下的分类精度较差。针对此问题,本文设计了一种面向高光谱影像小样本分类的全局特征与局部特征自适应融合方法。该方法基于动态图卷积网络和深度可分离卷积网络,分别从全局尺度和局部尺度挖掘影像的潜在信息,实现了标记样本的有效利用。进一步引入极化自注意力机制,在减少信息损失的同时提升网络的特征表达,并采用特征自适应融合机制对全局特征和局部特征进行自适应融合。为验证本文方法的有效性,在University of Pavia、Salinas、WHU-Hi-LongKou和WHU-Hi-HanChuan4组高光谱影像基准数据集上开展分类试验。试验结果表明,与传统分类器和先进的深度学习模型相比,本文方法兼顾执行效率和分类精度,在小样本条件下能够取得更为优异的分类表现。在4组数据集上的总体分类精度分别为99.01%、99.42%、99.18%和95.84%,平均分类精度分别为99.31%、99.65%、98.89%和95.49%,Kappa系数分别为98.69%、99.35%、98.93%和95.14%。本文方法对应的代码开源于https://***/IceStreams/GLFAF。

关键词：高光谱影像分类小样本深度学习深度可分离卷积网络超像素分割动态图卷积网络极化自注意力机制特征自适应融合

来源：评论

学校读者我要写书评

暂无评论

融合注意力的轻量级遥感影像村落提取方法

引用

测绘科学 2023年第6期48卷 161-171页

作者：柳杨赵泉华李玉杨馨慧辽宁工程技术大学测绘与地理科学学院辽宁阜新123000

针对采用现有全卷积神经网络的村落提取仍存在耗时长、小型村落错提率高、误提严重,而对大型村落的提取存在碎片化、边缘细节粗糙等问题。该文提出基于轻量级MobileNet v2的Deeplab v3+网络,以实现村落的有效提取。采用轻量级MobileNet... 详细信息

针对采用现有全卷积神经网络的村落提取仍存在耗时长、小型村落错提率高、误提严重,而对大型村落的提取存在碎片化、边缘细节粗糙等问题。该文提出基于轻量级MobileNet v2的Deeplab v3+网络,以实现村落的有效提取。采用轻量级MobileNet v2作为Deeplab v3+的主干网络,同时在跳跃连接阶段引用注意力机制。以Landsat-8 OLI影像为数据源,并制作620幅512像素×512像素训练样本影像进行实验。实验结果表明,该文算法在节省大量训练时间的同时,其他精度指标都高于对比方法,表明在村落提取方面具有有效性和可行性。该文算法应用于辽宁省阜新市复杂的村落场景下,对于大、小型村落均能有效提取,表明在大尺度场景村落提取下具有实际应用价值。

关键词：轻量级网络村落提取深度可分离卷积网络 MobileNet v2 注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于GAN轻量化改进的红外与可见光图像融合算法

引用

电光与控制 2024年第8期31卷 58-62,85页

作者：鲁晓涵李洋邰昱博徐宇贾耀东长春理工大学长春130000

普通神经网络难以生成符合人眼视觉的红外与可见光融合图像,且网络模型复杂、占用内存过大。本文改进现有的生成对抗网络(GAN)框架:首先,在生成器中融入深度卷积和逐点卷积,设计小卷积核的卷积网络以减少网络参数;其次,对源图像进行掩... 详细信息

普通神经网络难以生成符合人眼视觉的红外与可见光融合图像,且网络模型复杂、占用内存过大。本文改进现有的生成对抗网络(GAN)框架:首先,在生成器中融入深度卷积和逐点卷积,设计小卷积核的卷积网络以减少网络参数;其次,对源图像进行掩膜处理以减少提取特征过程中源图像信息的丢失;然后将处理后的图像和生成器得到的融合图像共同输入到鉴别器中,以增强网络对可见光图像保留源图像信息的能力;最后,在性能评价阶段将损失函数设置为梯度损失、对抗损失和内容损失函数,以约束融合图像,使其包含更多的可见光图像的背景信息以及红外图像的目标信息。在TNO image fusion dataset上进行了仿真实验,结果表明所提算法在降低网络复杂度、减少运算参数的同时可得到细节丰富、目标明确的融合图像。

关键词：图像融合红外与可见光图像生成对抗网络深度可分离卷积网络

来源：评论

学校读者我要写书评

暂无评论

一种基于YOLOv8的轻量化盲区检测网络

引用

现代电子技术 2024年第16期47卷 163-170页

作者：李问渠陈继清郝科崴李明宇广西大学机械工程学院广西南宁530007

近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检... 详细信息

近年来,全国的交通安全形势日益严峻,交通事故频繁发生,人员伤亡和财产损失惨重。其中,因视觉盲区受限引起的人车碰撞事故最为常见,由于传感器的高昂造价和在盲区检测方面的研究应用较少,预防此类事故主要依靠司机驾驶经验。针对盲区检测和研究的不足,提出一种简洁高效的轻量化盲区检测网络BsDet和BsDet+。轻量化网络以最先进的YOLOv8为基础,结合其他YOLO网络的优点,在头部和颈部进行了轻量化重构,在特征提取部分使用改进的深度可分离卷积降低网络的参数量与计算量。在特定层使用更大的卷积核来扩大感受野,进一步提高网络的检测精度。在构建的盲区数据集进行实验,实验结果表明,BsDet拥有97.72%的mAP和300.76 f/s的FPS,BsDet+的mAP和FPS分别为99.35%和181.31 f/s,相比于SOTA方法,提高了36.8%的检测速度和1.44%的mAP。两种网络分别在树莓派、安卓手机和便携式计算机上进行部署与测试,结果显示在任何平台上,BSDet均拥有最高的检测速度。BsDet和BsDet+可适用于不同性能的硬件与检测需求,具有设备要求低、准确率高、速度快等特点,不仅为轻量化设计提供了借鉴,也能够有效改善基于视觉的辅助驾驶技术。

关键词：交通事故盲区检测轻量化网络 YOLOv8网络深度可分离卷积网络大卷积核

来源：评论

学校读者我要写书评

暂无评论

融合场景中物体位置关系的图像描述生成

融合场景中物体位置关系的图像描述生成

引用

作者：杨璐桂林电子科技大学

学位级别：硕士

图像描述是人工智能领域的一个重要的研究方向,旨在让计算机理解图像并生成准确的自然语言描述。图像描述是一种将图像视觉内容转化为文本语言描述的多模态生成任务,通常使用编码器-解码器结构,该任务要求通过检测图像中存在的物体并理... 详细信息

图像描述是人工智能领域的一个重要的研究方向,旨在让计算机理解图像并生成准确的自然语言描述。图像描述是一种将图像视觉内容转化为文本语言描述的多模态生成任务,通常使用编码器-解码器结构,该任务要求通过检测图像中存在的物体并理解物体间的语义关系,进而对图像内容产生准确描述。图像描述被广泛应用于图像标注、视觉导航、儿童教育以及视力受损人士的生活辅助等方面。目前的图像描述模型缺少对场景图中物体位置信息的关注,难以生成准确的、完整的文本描述,并且训练该类多模态模型所需时间和存储成本过高。为此,本文结合图卷积结构、Transformer结构和深度可分离卷积结构,借助三种结构的优点,模型可以更快更准确地生成文本描述。本文对融合场景中物体位置关系的图像描述生成进行相关研究,具体如下:一、现有方法缺少对图像中隐含位置信息的关注,导致物体位置关系难以得到准确描述。为解决该问题,本文提出一种基于场景中物体位置关系的图像描述方法。在该方法中,首先,利用位置关系编码器对物体关系场景图的节点特征进行初次编码,提出了构建包含二次编码机制的位置关系编码器的方法,该方法是通过计算物体间比例失衡程度值,结合常识词典和推理模块,对物体关系节点进行二次编码;其次,结合常识词典与推理模块,提出了融合结合擦除模块和偏置门控机制的联合解码器,进一步优化物体关系场景图中的节点特征,计算物体间比例失衡程度值,根据该程度值对物体关系节点进行二次编码。再次,使用联合解码器对已编码信息进行处理,利用擦除模块和偏置门控机制进一步优化图中的节点特征。最后,生成该图像对应的文字描述。提出的方法在公开数据集上进行实验验证,在各项评价指标上对比现有方法均有提升,并在CIDEr指标上取得显著效果。二、现有的图像描述方法存在计算过程复杂耗时,模型参数量过大且训练成本较高,模型参数无法得到有效更新,从而导致模型效率低且描述不准确的问题。为解决该问题,本文提出一种基于轻量卷积结构的图像描述方法。在该方法中,首先,使用轻量化的深度可分离卷积网络提取图像特征;在初次编码时,结合融合物体位置关系的轻量编码器编码图像的视觉特征;提出联合Transformer解码器,从输入的轻量视觉特征和全局图像语义特征解码输出对应文本描述。所提方法在公开数据集上进行实验验证,该方法在CIDEr指标上取得显著效果,并能在模型性能不降低的情况下,减少模型参数,降低生成文本描述的时间成本。

关键词：图像描述图卷积网络长短期记忆网络深度可分离卷积网络 Transformer

来源：评论

学校读者我要写书评

暂无评论

基于DSCNN-LSTM的滚动轴承典型故障诊断研究

基于DSCNN-LSTM的滚动轴承典型故障诊断研究

引用

作者：吴丹重庆大学

学位级别：硕士

由于科技不断进步,促进了工业的进一步发展,从而使现代设备的自动化程度越来越高。工业物联网技术广泛应用,大数据化时代给行业带来了机会和挑战,如何将海量数据进行科学决策是目前亟待解决的问题。预测与健康管理是保障设备安全性和可... 详细信息

由于科技不断进步,促进了工业的进一步发展,从而使现代设备的自动化程度越来越高。工业物联网技术广泛应用,大数据化时代给行业带来了机会和挑战,如何将海量数据进行科学决策是目前亟待解决的问题。预测与健康管理是保障设备安全性和可靠性的一项关键技术,在预防性维护的基础上增加预测性维护,分析和判断设备的实时运行状态、分析故障类型。旋转机械中不可缺少的零件就是滚动轴承,但是它又十分容易被磨损,进而导致设备故障。所以其运行的健康状态对整个设备的安全可靠运作起着举足轻重的作用,一旦发生故障,轻则造成经济损失,重则导致毁灭性的人员伤亡。本文针对该问题,以机械设备中的常见零件滚动轴承为研究对象,提出了一种数据驱动的滚动轴承故障诊断方法。目前较多方法需要使用信号处理技术对振动信号进行初步处理,但本方法不需要进行信号处理和人工识别,能够自动完成特征识别以及故障诊断。由于直接应用于振动信号,为了提高特征提取的能力,提高分类准确度,本文提出了基于深度可分离卷积网络和长短时记忆网络(DSCNN-LSTM)混合的滚动轴承故障诊断方法,主要工作包括:首先,研究分析故障诊断领域的研究背景和国内外学者的研究成果,为了对现有方法的不足之处进行改进,提出了本文的研究方案。其次,在现有理论基础上,提出了一种新的轴承故障诊断算法DSCNN-LSTM,该算法将深度可分离卷积网络和长短期记忆网络相结合。并采用双层DSCNN和双层LSTM并行结构,由LSTM直接提取原始传感器信号中隐藏的特征,两条路径之间没有相关性,但两条路径的输出都会影响数据的学习结果,然后对故障进行分类。然后,在凯斯西储大学提供的CWRU权威公开数据集上进行实验。对数据集内容和添加噪声的数据应用多种算法分别进行对比实验,采用准确率、混淆矩阵等指标评估算法性能。实验结果表明,与目前常见的故障诊断方法相比,本文所提出方法能够提取更深层次的特征,分类准确率达到了99%以上。最后,根据论文所提出的故障诊断算法,将提出的算法应用到故障诊断系统中,设计并实现了一个滚动轴承典型故障诊断原型系统。

关键词：故障诊断滚动轴承深度可分离卷积网络长短时记忆网络

来源：评论

学校读者我要写书评

暂无评论

数字货币投资组合策略研究 ——基于深度强化学习方法

数字货币投资组合策略研究 ——基于深度强化学习方法

引用

作者：宋稳柱南京信息工程大学

学位级别：硕士

投资组合问题是将资金不断地重新分配到不同金融产品,在保证预定收益的前提下使投资的风险最小,或在控制风险的前提下使得投资收益最大化。传统的投资组合思想注重风险分散,现代投资组合思想则关注选取最优投资比例或最优组合规模。本... 详细信息

投资组合问题是将资金不断地重新分配到不同金融产品,在保证预定收益的前提下使投资的风险最小,或在控制风险的前提下使得投资收益最大化。传统的投资组合思想注重风险分散,现代投资组合思想则关注选取最优投资比例或最优组合规模。本文针对数字货币市场的投资组合的最优投资比例问题,提出一种基于深度强化学习框架的解决方案。该框架主要包括数字货币历史数据预处理、输出投资组合策略的深度神经网络、保存数字货币历史数据和分配策略的经验池、强化学习的奖励机制以及在线随机批量学习方案。本文主要工作如下:1.为了筛选出关联性较高的数据属性,本文首先通过XGBoost算法对数字货币数据属性进行特征重要性排序,筛选出重要性排序靠前的三种货币属性,去除关联性不强的属性达到降低计算量,提高训练效果的目的。同时将输入数据按照货币属性、货币数量和历史数据时间段三个方面构建成三维输入数据。2.当前深度学习处理金融问题时,往往试图预测价格的变动,交易代理人根据预测结果采取行动,然而未来市场价格很难预测。本文使用深度强化学习算法能够直接做出交易动作决策,并分别使用卷积神经网络(Convolutional Neural Network,CNN)、卷积长短时记忆网络(Convolutional Long Short-Term Memory Network,ConvLSTM)和改进的深度可分离卷积网络(Depthwise Separable Convolution)作为投资组合策略输出网络,并通过Policy-based强化学习方法对数字货币市场进行充分探索和学习,给出合理的投资组合策略。和传统的投资组合策略方法相比,在相同货币数不同时间段和相同时间段不同货币数的回测实验结果比较中,基于深度强化学习方法的几种网络框架结果都取得更高的最终资产价值,并且改进的深度可分离卷积网络在取得很好的效果同时,能够有效地减少计算参数加快网络的训练。3.在上述研究基础上,为进一步提高模型的投资收益,本文提出了一种可分离门控网络,该网络能够对卷积网络输出的三维特征图的各个维度的数据赋予不同的权值,并将各个维度的权值融合,从而更好地对特征数据进行增强和抑制。将该网络分别融入到CNN、ConvLSTM以及改进的深度可分离卷积网络中,实验结果都进一步得到了提高。

关键词：投资组合数字货币深度强化学习深度可分离卷积网络可分离门控

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的癫痫脑电信号识别

基于深度学习的癫痫脑电信号识别

引用

作者：王艳北京工业大学

学位级别：硕士

癫痫是大脑局部神经异常放电引起的慢性脑部疾病。脑电信号是脑细胞群在生理过程中自发或诱发的电活动在头皮表层的电位信号。临床上可以利用脑电信号来预测和诊断癫痫发作。脑电信号具有明显的节律性、非平稳性、随机性和非线性等特点... 详细信息

癫痫是大脑局部神经异常放电引起的慢性脑部疾病。脑电信号是脑细胞群在生理过程中自发或诱发的电活动在头皮表层的电位信号。临床上可以利用脑电信号来预测和诊断癫痫发作。脑电信号具有明显的节律性、非平稳性、随机性和非线性等特点，信息含量很大。神经科医师人工诊断受个人因素影响较大，因此癫痫脑电信号自动识别具有重要意义。深度学习能够自动迭代优化参数，具有需要较少的先验知识等优势。目前，深度学习已在癫痫脑电信号识别问题上有所应用，并取得了一定成绩，但尚未形成一种可以应用到临床的有效算法。本文以提高基于深度学习的癫痫脑电信号识别精度为目标，开展了以下三点研究:　　本文提出了一种基于通道选择的多导联脑电信号特征融合提取方法。该方法针对使用全通道数据会带来冗余信息的缺点，根据局灶性癫痫脑电信号特征集中于中央颞区的特点，选择中央颞区对应的部分通道。该方法还针对现有研究中癫痫脑电信号识别方法仅使用一种导联组合，丢失了多导联数据中包含信息的缺点，将单极导联和双极导联数据特征融合，充分提取癫痫脑电信号在不同导联上的信息。实验结果表明，该方法能够有效提取癫痫脑电信号特征，提高分类精度。　　本文提出了一种基于深度可分离卷积网络的癫痫脑电信号发作分类方法。针对传统卷积神经网络使用跨通道卷积运算，无法提取不同通道间差异性信息的缺点，该方法使用深度可分离卷积代替传统卷积，构建深度可分离卷积网络，并通过实验找到分类效果相对较好的模型结构与参数。实验结果表明，相较于传统卷积神经网络，基于深度可分离卷积网络的癫痫发作分类模型获得了更好的分类效果。本文对实验中出现的较深网络结构分类效果反而不好的现象进行分析，为网络模型的改进进行铺垫。　　本文提出了一种改进的基于预激活倒置残差模块的深度可分离卷积网络模型。为了进一步提高分类精度，避免加深网络结构带来的退化现象，该方法将预激活残差模块与倒置残差模块相结合，创新地提出了预激活倒置残差模块，形成了基于预激活倒置残差模块的深度可分离卷积网络，有效增加了网络深度，提高了从癫痫脑电信号数据中学习特征的能力。实验结果表明，该模型进一步提高了癫痫脑电信号识别的精度，形成了新的基于深度学习的癫痫脑电信号识别方法。

关键词：癫痫脑电信号通道选择深度可分离卷积网络预激活倒置残差模块

来源：评论

学校读者我要写书评

暂无评论

基于Informer的PM2.5浓度预测研究

基于Informer的PM2.5浓度预测研究

引用

作者：郑熙重庆科技学院

学位级别：硕士

随着我国城市化、工业化的快速发展,空气污染问题变得越来越严重。PM2.5是空气污染的主要污染物之一,人体长期吸入过量的PM2.5后容易诱发心血管疾病和肺癌,严重危害着人类的身体健康,因此科学且准确地实现PM2.5浓度预测对政府防控工作... 详细信息

随着我国城市化、工业化的快速发展,空气污染问题变得越来越严重。PM2.5是空气污染的主要污染物之一,人体长期吸入过量的PM2.5后容易诱发心血管疾病和肺癌,严重危害着人类的身体健康,因此科学且准确地实现PM2.5浓度预测对政府防控工作和个人出行有着重要的指导意义。本研究对PM2.5浓度预测的研究现状做出系统的分析,提出了改进的Informer模型用于实现PM2.5浓度预测。论文的主要工作如下: （1）针对PM2.5浓度数据中含有噪声的问题,提出了改进的MODWT阈值去噪方法,旨在解决数据采集过程中由于传感器故障等因素导致的噪声问题,从而提高模型的预测效果。首先采用改进方差分解的噪声水平估计方法提高噪声水平估计的准确性,克服了传统的中值绝对变差方法对噪声水平估计不够准确,灵活性低的问题;然后采用了灵活性高、参数可调节且具有连续性质的阈值函数解决以往阈值边界处产生跳变、尖峰过渡过于平滑的问题;最终通过相关实验验证了本研究提出的改进的MODWT阈值降噪方法的有效性。（2）针对PM2.5浓度预测模型复杂度高、精度不够、预测步长短的问题,采用Informer模型实现PM2.5浓度预测。并针对Informer模型中存在捕获数据局部特征能力弱,信息利用率低的问题,提出了基于深度可分离卷积网络代替原有的一维卷积结构,以提高模型的表达能力和性能。而针对Informer模型中的自注意力单元计算量较大、在训练时内存占有率高的问题,对自注意力模块结构进行了改进,将数据分为两部分处理,降低了模型的内存占用率和模型的复杂度。（3）为了验证本文提出的PM2.5浓度预测模型的有效性,将去噪后的数据作为改进的Informer模型后的输入数据,并与原来的Informer模型、经典的时序模型LSTM以及Log Trans模型做对比实验。对比实验结果表明本研究提出的改进Informer模型应用在PM2.5浓度预测时,预测精度和预测性能均有所提升,且在PM2.5浓度长期预测方面达到较好的预测效果。

关键词： PM2.5浓度预测 MODWT阈值去噪 Informer模型深度可分离卷积网络自注意力机制

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：