检索结果-内蒙古大学图书馆

数据采集与处理 2014年第2期29卷 259-264页

作者：张立伟贾冲张雄伟闵刚曾理解放军理工大学指挥信息系统学院南京210016 西安通信学院基础部西安710106

鉴于卷积非负矩阵分解在语音增强算法中的成功应用,进一步考虑语音信号在时频域的稀疏性,提出了稀疏卷积非负矩阵分解(Sparse convolutive nonnegative matrix factorization,SCNMF)的语音增强算法。该算法包括训练和增强两个阶段。训... 详细信息

鉴于卷积非负矩阵分解在语音增强算法中的成功应用,进一步考虑语音信号在时频域的稀疏性,提出了稀疏卷积非负矩阵分解(Sparse convolutive nonnegative matrix factorization,SCNMF)的语音增强算法。该算法包括训练和增强两个阶段。训练阶段通过SCNMF算法分别对纯净语音和噪声的频谱进行训练,得到纯净语音和噪声字典,并将其作为增强阶段的先验信息。增强阶段首先通过SCNMF算法对带噪语音的频谱进行分解,然后利用纯净语音和噪声联合字典以及相应的迭代公式对语音编码矩阵进行估计,重构增强语音。通过实验仿真分析了稀疏因子对增强语音质量的影响。实验结果表明,在非平稳噪声和低信噪比条件下,本文算法增强效果均优于多带谱减、非负矩阵分解和卷积非负矩阵分解等传统的算法。

关键词：语音增强稀疏卷积非负矩阵字典训练稀疏因子

来源：评论

学校读者我要写书评

暂无评论

3D稀疏卷积结构下融合空间点与体素关系建模的LiDAR点云跟踪方法

引用

电子学报 2024年第10期52卷 3527-3540页

作者：田胜景韩一男赵宪通刘秀平张明中国矿业大学经济管理学院江苏徐州221116 大连理工大学白俄罗斯国立大学联合学院辽宁大连116024 大连理工大学数学科学学院辽宁大连116024

稀疏卷积在处理激光雷达点云单目标跟踪时的潜力尚未得到充分发掘.目前,绝大多数点云跟踪算法使用基于球邻域的骨干网络,其显存计算资源占用大并且目标感知的关系建模不充分.针对此问题,本文提出一种基于稀疏卷积结构的LiDAR(Lightlaser... 详细信息

稀疏卷积在处理激光雷达点云单目标跟踪时的潜力尚未得到充分发掘.目前,绝大多数点云跟踪算法使用基于球邻域的骨干网络,其显存计算资源占用大并且目标感知的关系建模不充分.针对此问题,本文提出一种基于稀疏卷积结构的LiDAR(Lightlaser Detection And Ranging)点云跟踪算法,并创新性地融合了空间点与体素双通道的关系建模模块,以高效适应稀疏框架下目标判别信息的嵌入.首先,本文采用3D稀疏卷积残差网络来分别提取模板和搜索区域的特征,并利用反卷积来获取逐点特征来保证跟踪任务中对空间位置特性的要求.其次,关系建模模块进一步在模板与搜索区域特征之间计算相似度语义查询表.为了捕捉到模板与搜索区域间细粒度的关联性,该模块一方面在空间点通道中利用近邻算法找出每个搜索区域点的模板近邻点,并根据语义查询表提取对应特征;另一方面,在体素通道中以每个搜索区域点为中心构建局部多尺度体素,并根据落入体素单元的模板点索引计算语义查询表中值的累计和.最后,将双通道的特征融合并送入基于鸟瞰图的候选包围盒生成模块来回归目标包围盒.为了验证所提出方法的优越性,本文在KITTI和NuScenes数据集进行了测试,对比其他使用稀疏卷积的算法,本文方法平均成功率和精确率分别提升了11.0%和12.0%.本文方法在继承了稀疏卷积高效特点的同时还实现了跟踪精度的提高.

关键词：点云理解目标跟踪机器视觉稀疏卷积特征融合

来源：评论

学校读者我要写书评

暂无评论

基于边界点估计与稀疏卷积神经网络的三维点云语义分割

引用

浙江大学学报（工学版） 2024年第6期58卷 1121-1132页

作者：杨军张琛兰州交通大学电子与信息工程学院甘肃兰州730070 兰州交通大学测绘与地理信息学院甘肃兰州730070

针对大规模点云具有稀疏性,传统点云方法提取上下文语义特征不够丰富,并且语义分割结果存在物体边界模糊的问题,提出基于边界点估计与稀疏卷积神经网络的三维点云语义分割算法,主要包括体素分支与点分支.对于体素分支,将原始点云进行体... 详细信息

针对大规模点云具有稀疏性,传统点云方法提取上下文语义特征不够丰富,并且语义分割结果存在物体边界模糊的问题,提出基于边界点估计与稀疏卷积神经网络的三维点云语义分割算法,主要包括体素分支与点分支.对于体素分支,将原始点云进行体素化后经过稀疏卷积得到上下文语义特征;进行解体素化得到每个点的初始语义标签;将初始语义标签输入到边界点估计模块中得到可能的边界点.对于点分支,使用改进的动态图卷积模块提取点云局部几何特征;依次经过空间注意力模块与通道注意力模块增强局部特征;将点分支得到的局部几何特征与体素分支得到的上下文特征融合,增强点云特征的丰富性.本算法在S3DIS数据集和SemanticKITTI数据集上的语义分割精度分别达到69.5%和62.7%.实验结果表明,本研究算法能够提取到更丰富的点云特征,可以对物体的边界区域进行准确分割,具有较好的三维点云语义分割能力.

关键词：点云数据语义分割注意力机制稀疏卷积体素化

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积和注意力机制的点云语义分割方法

引用

激光与光电子学进展 2023年第20期60卷 114-125页

作者：左蒙刘意杨崔好白洪飞中国科学院网络化控制系统重点实验室辽宁沈阳110016 中国科学院沈阳自动化研究所辽宁沈阳110016 中国科学院机器人与智能制造创新研究院辽宁沈阳110169 中国科学院大学北京100049

近年来,三维点云语义分割方法取得了很大的进展,代表性的方法为基于稀疏卷积的方法,但是稀疏卷积会带来全局上下文信息丢失的问题。基于此,提出一种基于稀疏卷积和注意力机制的点云语义分割方法。将注意力机制引入稀疏卷积网络,增强网... 详细信息

近年来,三维点云语义分割方法取得了很大的进展,代表性的方法为基于稀疏卷积的方法,但是稀疏卷积会带来全局上下文信息丢失的问题。基于此,提出一种基于稀疏卷积和注意力机制的点云语义分割方法。将注意力机制引入稀疏卷积网络,增强网络对全局上下文信息的获取能力。但是注意力机制计算量较大,限制了所提方法的适用场景。进一步将空间金字塔采样引入注意力机制中,在减少计算量的同时扩展其使用场景。实验结果表明,所提方法在Scannet V2数据集上取得了71.825%的平均交并比(MIOU),在S3DIS数据集上的MIOU达到70.5%,优于对比方法,验证了其有效性。

关键词：机器视觉点云语义分割稀疏卷积注意力机制空间金字塔采样

来源：评论

学校读者我要写书评

暂无评论

一种多尺度稀疏卷积的高分辨率遥感图像变化检测方法

引用

小型微型计算机系统 2020年第11期41卷 2365-2370页

作者：胡蕾江宇李进张永梅江西师范大学计算机信息工程学院南昌330022 北方工业大学信息学院北京100144

高分辨率遥感图像中地物越来越清晰,变化检测不仅要能检测出大目标的变化,也要能检测出小目标的变化,还要兼顾干扰因素对变化性质的判断.本文针对高分辨率遥感图像变化检测,提出一种多尺度稀疏卷积模型,利用不同数量不同尺度的卷积层提... 详细信息

高分辨率遥感图像中地物越来越清晰,变化检测不仅要能检测出大目标的变化,也要能检测出小目标的变化,还要兼顾干扰因素对变化性质的判断.本文针对高分辨率遥感图像变化检测,提出一种多尺度稀疏卷积模型,利用不同数量不同尺度的卷积层提取多尺度的特征,通过1×1卷积层实现跨通道信息整合,把不同通道中相关性高、同一空间位置的特征聚合在一起,有效减少了通道数量和参数数量,使得模型呈现稀疏性,大幅度削减参数的相互依存关系,一定程度上缓解了过拟合问题,使模型具有高效的学习能力和高容量的表达能力.同时,本文探讨了孪生网络和多通道网络对变化检测精度的影响.通过对不同场景的高分辨率遥感图像数据进行实验,表明所提方法能有效检测大目标和小目标的变化情况.

关键词：高分辨率遥感图像变化检测深度学习稀疏卷积多尺度

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积的前景实时双目深度估计算法

引用

计算机应用 2021年第12期41卷 3680-3685页

作者：邱哲瀚李扬广东工业大学机电工程学院广州510006

为了提高立体匹配算法处理前景视差估计任务的计算效率,针对一般网络采用完全双目图像作为输入,场景内前景空间占比小而导致输入信息冗余度大的缺点,提出了一种基于稀疏卷积的目标实时立体匹配算法。为实现和改善算法对稀疏前景的视差估... 详细信息

为了提高立体匹配算法处理前景视差估计任务的计算效率,针对一般网络采用完全双目图像作为输入,场景内前景空间占比小而导致输入信息冗余度大的缺点,提出了一种基于稀疏卷积的目标实时立体匹配算法。为实现和改善算法对稀疏前景的视差估计,首先利用分割算法同时获得稀疏前景掩膜和场景语义特征;其次通过稀疏卷积提取稀疏前景区域的空间特征后与场景语义特征相融合,并将融合特征输入到解码模块进行视差回归;最后以前景真值图作为损失生成视差图。在ApolloScape数据集上的测试结果表明,所提算法的准确性和实时性均优于先进算法PSMNet和GANet,且算法的单次运行时间低至60.5 ms,对目标遮挡具有一定的鲁棒性,可用于目标实时深度估计。

关键词：立体匹配稀疏卷积深度学习语义分割注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积得GoogLeNet网络硬件加速设计与实现

基于稀疏卷积得GoogLeNet网络硬件加速设计与实现

引用

作者：白志鸿北京交通大学

学位级别：硕士

随着人工智能的快速发展，卷积神经网络成为了热门的研究领域。然而由于卷积神经网络的高复杂度计算，传统的CPU无法满足实时性要求。GPU虽然被广泛用于网络的训练中，但是由于其过高的功耗无法满足嵌入式应用需求。因此，FPGA凭借其低... 详细信息

随着人工智能的快速发展，卷积神经网络成为了热门的研究领域。然而由于卷积神经网络的高复杂度计算，传统的CPU无法满足实时性要求。GPU虽然被广泛用于网络的训练中，但是由于其过高的功耗无法满足嵌入式应用需求。因此，FPGA凭借其低功耗、可重构、低延时的特点逐步成为研究的热点。目前传统在FPGA上部署卷积神经网络的方法主要是构建大型的乘累加阵列，该方法的最大性能受限于FPGA上乘法器单元的数量，并且无法利用卷积神经网络中参数量冗余的特点来获得更高的性能，针对这些问题，本文针对GoogLeNet网络，创新性的使用以下方法进行解决：　　(1)提出多维度算法压缩框架包括剪枝、聚类和量化三种压缩算法来对GoogLeNet网络进行轻量化以解决其存在的计算量大、参数量多的问题。根据剪枝率以及GoogLeNet网络不同卷积层参数的分布，动态调整剪枝阈值，将不重要的参数去除，使用K-Means聚类算法对GoogLeNet网络进行聚类，并提出根据网络卷积核大小以及非零参数量的不同设置不同的聚类类别来达到最优的聚类效果，最后结合Ristretto算法对GoogLeNet网络进行8bit量化探索以降低模型的存储空间。实验结果表明，同时使用三种算法压缩后的GoogLeNet网络模型的存储空间降为原模型的十分之一，计算量降为原模型的四分之一。　　(2)基于OpenCL异构计算框架，结合压缩后的GoogLeNet网络模型以及课题组所提出的ABM-SpConv稀疏卷积算法，设计了面向稀疏GoogLeNet网络的硬件架构。通过将卷积运算中加法、乘法解耦为两个阶段，先在加法单元中将权值对应的特征图数据相加，然后再将累加结果送到乘法单元中和对应的权值相乘，从而减少了乘法器单元的用量。并提出将GoogLeNet网络中的归一化层和卷积层相融合的方法来进一步降低部署的难度以及对压缩后的网络模型参数进行编码以解决传统稀疏卷积算法中访存效率低的问题。最后本文设计了一套完整的设计空间探索流程，通过对资源、频率、性能进行理论建模分析，得到本文架构在目标板卡上的最优性能，为跨设备移植提供便利。　　本文将GoogLeNet网络部署在Arria10GXFPGA开发板上并进行了实验，取得了非常好的结果。在最优电路参数的配置下，识别一张图片的时间为3.4毫秒，最大吞吐量为1456GOPS，能效比是CPU的34倍，GPU的4倍，和之前最优的架构相比，速度提升了1倍，吞吐量提升了3倍。

关键词：稀疏卷积 GoogLeNet网络图像识别异构计算

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积的三维目标检测研究

基于稀疏卷积的三维目标检测研究

引用

作者：胡靖璟电子科技大学

学位级别：硕士

自动驾驶因减少驾驶员负担和提高安全性的潜力在近年来逐渐获得关注,其中三维目标检测是自动驾驶感知系统的基础,其作用是预测自动驾驶车辆附近3D物体的位置、大小和类别,对后续的路径规划、运动预测等具有重要指导作用。其中三维目标... 详细信息

自动驾驶因减少驾驶员负担和提高安全性的潜力在近年来逐渐获得关注,其中三维目标检测是自动驾驶感知系统的基础,其作用是预测自动驾驶车辆附近3D物体的位置、大小和类别,对后续的路径规划、运动预测等具有重要指导作用。其中三维目标检测在输入点云数据处理与多模态融合方面存在困难,与像素在图像平面上有规则分布的图像分布不同,点云是一种稀疏且不规则的3D表示,因此难以在点云上直接应用传统卷积进行检测,而相机和激光雷达传感器提供的信息在坐标和数据分布方面存在区域差距,对多模态融合造成了困难。本文针对点云三维目标检测和多模态点云图像融合检测展开研究,以稀疏卷积和可变形注意力机制为工具,探索稀疏卷积对不规则点云的特征提取方法,以及可变形注意力在多模态特征融合中的应用,提出了基于空间自适应稀疏卷积方法和基于可变形注意力机制融合方法,提高了网络的信息感知和多模态融合能力。本文的主要研究内容如下: (1)提出了一种基于空间自适应稀疏卷积的点云目标检测方法。该方法引入卷积核形状动态变化的稀疏卷积来提取特征,在输入点云的不同区域中动态变化卷积核形状以适应不同结构的点云。同时针对卷积核元素动态分布而无法提取原有点云特征的问题,提出了空间分区方法,该方法在不增加更多参数的情况下增大稀疏卷积核的感受野,增强了点云目标检测的整体可靠性。在KITTI数据集的点云检测实验评估中,该方法平均精度达到了85.51%。 (2)提出了一种基于可变形注意力机制的多模态三维目标检测方法。该方法通过二维卷积和三维稀疏卷积分别提取图像和点云特征,在已有多模态特征基础上设计了基于可变形注意力机制的相似特征匹配模块,使用最远点采样方法选择点云区域,得到投影对应的图像信息,通过可变形注意力深度融合多模态信息,将融合信息添加到图像特征反投影到对应的空点云特征位置,匹配相似特征以减少点云图像信息的数据差异,使多模态特征对齐。然后通过基于门控机制的方法融合所有特征进行检测。在KITTI数据集的三维检测实验评估中,该方法的平均精度达到了86.91%。

关键词：三维目标检测稀疏卷积空间自适应可变形注意力

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积的GoogLeNet网络硬件加速设计与实现

基于稀疏卷积的GoogLeNet网络硬件加速设计与实现

引用

作者：白志鸿北京交通大学

学位级别：硕士

随着人工智能的快速发展,卷积神经网络成为了热门的研究领域。然而由于卷积神经网络的高复杂度计算,传统的CPU无法满足实时性要求。GPU虽然被广泛用于网络的训练中,但是由于其过高的功耗无法满足嵌入式应用需求。因此,FPGA凭借其低功耗... 详细信息

随着人工智能的快速发展,卷积神经网络成为了热门的研究领域。然而由于卷积神经网络的高复杂度计算,传统的CPU无法满足实时性要求。GPU虽然被广泛用于网络的训练中,但是由于其过高的功耗无法满足嵌入式应用需求。因此,FPGA凭借其低功耗、可重构、低延时的特点逐步成为研究的热点。目前传统在FPGA上部署卷积神经网络的方法主要是构建大型的乘累加阵列,该方法的最大性能受限于FPGA上乘法器单元的数量,并且无法利用卷积神经网络中参数量冗余的特点来获得更高的性能,针对这些问题,本文针对GoogLeNet网络,创新性的使用以下方法进行解决:(1)提出多维度算法压缩框架包括剪枝、聚类和量化三种压缩算法来对GoogLeNet网络进行轻量化以解决其存在的计算量大、参数量多的问题。根据剪枝率以及GoogLeNet网络不同卷积层参数的分布,动态调整剪枝阈值,将不重要的参数去除,使用K-Means聚类算法对GoogLeNet网络进行聚类,并提出根据网络卷积核大小以及非零参数量的不同设置不同的聚类类别来达到最优的聚类效果,最后结合Ristretto算法对GoogLeNet网络进行8bit量化探索以降低模型的存储空间。实验结果表明,同时使用三种算法压缩后的GoogLeNet网络模型的存储空间降为原模型的十分之一,计算量降为原模型的四分之一。(2)基于OpenCL异构计算框架,结合压缩后的GoogLeNet网络模型以及课题组所提出的ABM-Sp Conv稀疏卷积算法,设计了面向稀疏GoogLeNet网络的硬件架构。通过将卷积运算中加法、乘法解耦为两个阶段,先在加法单元中将权值对应的特征图数据相加,然后再将累加结果送到乘法单元中和对应的权值相乘,从而减少了乘法器单元的用量。并提出将GoogLeNet网络中的归一化层和卷积层相融合的方法来进一步降低部署的难度以及对压缩后的网络模型参数进行编码以解决传统稀疏卷积算法中访存效率低的问题。最后本文设计了一套完整的设计空间探索流程,通过对资源、频率、性能进行理论建模分析,得到本文架构在目标板卡上的最优性能,为跨设备移植提供便利。本文将GoogLeNet网络部署在Arria 10 GX FPGA开发板上并进行了实验,取得了非常好的结果。在最优电路参数的配置下,识别一张图片的时间为3.4毫秒,最大吞吐量为1456 GOPS,能效比是CPU的34倍,GPU的4倍,和之前最优的架构相比,速度提升了1倍,吞吐量提升了3倍。

关键词：稀疏卷积 GoogLeNet OpenCL FPGA 图像识别异构计算

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积特征增强的三维目标检测

基于稀疏卷积特征增强的三维目标检测

引用

作者：陈习武华中科技大学

学位级别：硕士

三维目标检测作为计算机视觉领域中重要的一部分,它在很多领域中起到了重要的作用,例如自动驾驶和智能机器人等领域。近些年,随着研究的不断深入,多个公开的三维目标检测数据集被提出,促进了三维目标检测技术的发展进步。基于三维视锥... 详细信息

三维目标检测作为计算机视觉领域中重要的一部分,它在很多领域中起到了重要的作用,例如自动驾驶和智能机器人等领域。近些年,随着研究的不断深入,多个公开的三维目标检测数据集被提出,促进了三维目标检测技术的发展进步。基于三维视锥的方法是三维目标检测任务中一种具有代表性的方法,其通过二维目标检测框获取三维视锥点云数据,缩小了三维搜索空间。然而当前基于视锥的方法仍然存在特征提取能力不足和难以处理一个视锥中存在多个物体的问题,因此,本文主要从以下两个方面进行了改进: (1)本文提出了基于稀疏卷积的视锥三维目标检测算法。该算法采用了基于视锥的方法,缩小了三维目标检测的搜索空间,因此降低了网络训练的难度;同时该算法采用了稀疏卷积神经网络来提取视锥点云特征,增强了基于视锥的方法的特征提取能力,避免了对点云进行稠密体素化所带来的额外计算与存储开销。 (2)本文提出了一种基于稀疏特征增强的视锥三维目标检测算法。考虑到同一个视锥中存在多个物体时会影响检测性能,本文设计了一种针对稀疏特征的感兴趣区域特征增强模块,用于加强视锥中前景物体的特征,降低其他物体对检测器的干扰;同时本文采用通道特征增强模块,根据网络输入特征自适应地调整各个通道的权重,提升了网络特征表达能力,使网络更易区分同一视锥中存在的不同物体。通过结合感兴趣区域特征增强模块以及通道特征增强模块,本文对视锥的稀疏特征进行了特征增强,使网络提取到了更具表达能力的特征,增强了网络的检测性能与鲁棒性。本文对基于视锥点云的三维目标检测任务进行了研究,并针对基于视锥的方法所存在的问题,提出了一种基于稀疏卷积特征增强的视锥三维目标检测算法。本文在两个公开的室外场景三维目标检测数据集中进行了实验验证,基于上述两个方面的改进,本文方法取得了有竞争力的检测性能,同时在推理速度与检测性能上取得了平衡,证明了本文方法的有效性。

关键词：计算机视觉三维目标检测稀疏卷积特征增强空间注意力通道注意力

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：