检索结果-内蒙古大学图书馆

作者：伍泰霖高希彤廖东平叶可江须成忠 518055 广东省深圳市南山区深圳大学城学苑大道1068号

本申请涉及加快联邦学习系统及同步隐藏、稀疏卷积层构建和学习方法。所述的系统包括多个数据源、同步隐藏层模块、前馈神经层模块,或多个数据源、同稀疏卷积层模块：同步隐藏层构建方法包括隐藏概率选择、训练；稀疏卷积层构建方法包... 详细信息

标准号: CN114282650A

本申请涉及加快联邦学习系统及同步隐藏、稀疏卷积层构建和学习方法。所述的系统包括多个数据源、同步隐藏层模块、前馈神经层模块,或多个数据源、同稀疏卷积层模块：同步隐藏层构建方法包括隐藏概率选择、训练；稀疏卷积层构建方法包括假设、培训，加快联邦学习的方法，其特征在于：所述的学习方法包括数据输入、不同数据源的轨迹相似度分析、稀疏卷积层处理、数据输出。本申请的优点是，根据数据隐私和数据安全需求并结合联邦学习的特点，提出多个数据源存放在本地，并通过使各数据源通过一个协议，使得各个数据源可以联合起来建立一个联邦模型，通过交换一些模型的参数信息，让联邦模型不断成长优化。

关键词：数据源稀疏卷积构建联邦模型隐藏层学习轨迹相似度参数信息概率选择数据安全数据输出数据隐私学习系统前馈申请神经交换培训优化分析联合

来源：评论

学校读者我要写书评

暂无评论

基于稀疏卷积递归的发电系统可靠性评估方法

基于稀疏卷积递归的发电系统可靠性评估方法

引用

作者：吴茵杨小卫苗增强黄柳强李秋文巩德军王刚孙艳广西壮族自治区南宁市兴宁区民主路6号

本发明涉及一种基于稀疏卷积递归的发电系统可靠性评估方法，首先输入原始数据（负荷数据和机组技术数据），形成原始持续负荷曲线，N台机组默认排序，然后计算机组i发电量，并修正等效持续负荷曲线，最后计算可靠性指标LOLP和EENS，其... 详细信息

标准号: CN106548267A

本发明涉及一种基于稀疏卷积递归的发电系统可靠性评估方法，首先输入原始数据（负荷数据和机组技术数据），形成原始持续负荷曲线，N台机组默认排序，然后计算机组i发电量，并修正等效持续负荷曲线，最后计算可靠性指标LOLP和EENS，其中，根据等效持续负荷曲线的离散性，采用稀疏卷积递推法。本发明有益的效果是：本发明的方法计算精度高，对基准单位的取值不敏感，在对LOLP指标精度要求较高的场合，较之等效电量函数法具有明显的优势，能够较好地满足电力系统随机生产模拟的应用要求。

关键词：负荷曲线稀疏卷积可靠性评估可靠性指标机组电力系统发电系统负荷数据基准单位技术数据计算机组精度要求随机生产应用要求原始数据不敏感函数法离散性递归递推发电量排序电量修正

来源：评论

学校读者我要写书评

暂无评论

基于球坐标的稀疏3D卷积加速

基于球坐标的稀疏3D卷积加速

引用

作者：郭兴中国科学技术大学

学位级别：硕士

随着自动驾驶的发展以及更为廉价的激光雷达设备的普及,基于激光雷达获得的点云数据的3D目标检测也成为一个研究热点。现有研究的主流方法是采用神经网络,扩展2D目标检测网络框架,来解决3D空间中点云的目标检测问题。3D目标检测神经网... 详细信息

随着自动驾驶的发展以及更为廉价的激光雷达设备的普及,基于激光雷达获得的点云数据的3D目标检测也成为一个研究热点。现有研究的主流方法是采用神经网络,扩展2D目标检测网络框架,来解决3D空间中点云的目标检测问题。3D目标检测神经网络的核心问题为如何从点云中高效、快速地提取特征信息。骨干网络是提取点云特征的关键结构,基于体素的骨干网络就是2D卷积网络在3D的推广。该方法将点云离散化为体素,然后再使用多层3D卷积提取特征。点云由激光雷达获得,稀疏地分布在物体表面。为了提高存储与计算效率,现有基于体素的骨干网络一般使用稀疏3D卷积,即先将体素保存为COO格式,然后通过将卷积转换为多个矩阵乘法来实现。这种方法的问题是,在计算时没有考虑点云的空间局部性,导致无法高效利用GPU的内存层级。特别地,由于激光雷达的工作特点,激光是从雷达位置向空间以等方位角和俯仰角角度间隔发射,使用球坐标变换可以得到分布均匀、稠密的点云。基于这一观察,本文的工作分两部分:·验证球坐标下基于体素的3D目标检测方法的可行性。结合激光雷达点云的分布特点,对点云进行球坐标变换,在球坐标下进行体素化,同时修改目标检测的学习目标以适应球坐标表示,实验表明可以得到类似或者超越直角坐标的检测效果。·为球坐标下得到均匀分布的点云设计了新的存储结构和稀疏卷积算法。该算法在俯仰角与方位角两个方向上对卷积进行计算分块,实现细粒度的卷积计算。实验显示这种方法最高可以减少内存消耗4.8x,提升3D卷积网络的推理速度1.7x。

关键词：三维卷积稀疏卷积目标检测计算加速

来源：评论

学校读者我要写书评

暂无评论

基于Transformer的点云几何有损压缩方法

引用

北京航空航天大学学报 2024年第2期50卷 634-642页

作者：刘舸昕章骏腾丁丹丹杭州师范大学信息科学与技术学院杭州311121

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在... 详细信息

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明:Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。

关键词：点云几何压缩 Transformer 注意力机制深度学习稀疏卷积

来源：评论

学校读者我要写书评

暂无评论

基于局部信息融合的点云3D目标检测算法

引用

浙江大学学报（工学版） 2024年第11期58卷 2219-2229页

作者：张林杰柴志雷王宁江南大学人工智能与计算机学院江苏无锡214122 江苏省模式识别与计算智能工程实验室江苏无锡214122

针对当前基于点云的三维目标检测算法缺乏目标准确的空间位置信息,提出局部信息编码模块和后期交叉融合模块的三维目标检测算法.在特征提取阶段,模型通过三维稀疏卷积高效地编码全局特征.局部信息编码模块利用目标内部的原始点云信息,... 详细信息

针对当前基于点云的三维目标检测算法缺乏目标准确的空间位置信息,提出局部信息编码模块和后期交叉融合模块的三维目标检测算法.在特征提取阶段,模型通过三维稀疏卷积高效地编码全局特征.局部信息编码模块利用目标内部的原始点云信息,构建目标的细粒度语义信息,通过自注意力机制对这些信息进行重新加权,增强局部特征的表达能力.提出交叉融合模块,用于局部特征与全局特征的信息交互,产生表达能力更强的目标检测特征.使用KITTI和Waymo公开数据集,验证所提出的方法.在KITTI数据集的简单、中等和困难任务上,本文方法的平均准确率AP0.7分别达到了91.60%、82.53%和77.83%,在Waymo数据集上的平均准确率AP0.7达到74.92%.

关键词：点云稀疏卷积局部信息注意力机制交叉融合

来源：评论

学校读者我要写书评

暂无评论

增量式稀疏三维卷积计算架构、系统与装置

增量式稀疏三维卷积计算架构、系统与装置

引用

作者：方璐刘乐遥郑添 100084 北京市海淀区清华园

本发明提出一种增量式稀疏三维卷积的三维点云数据处理方法及设备，该方法通过获取三维点云数据，进行数据预处理后，形成三维点云数据的训练集；构建稀疏三维卷积网络模型，并所述将三维点云数据的训练集输入所述稀疏三维卷积网络模型... 详细信息

标准号: CN114494661B

本发明提出一种增量式稀疏三维卷积的三维点云数据处理方法及设备，该方法通过获取三维点云数据，进行数据预处理后，形成三维点云数据的训练集；构建稀疏三维卷积网络模型，并所述将三维点云数据的训练集输入所述稀疏三维卷积网络模型中，进行模型训练；基于训练完成的所述稀疏三维卷积网络模型，构建增量式稀疏三维卷积网络模型；将实时的三维点云数据输入所述增量式稀疏三维卷积网络模型，输出结果即为对实时三维点云数据的处理结果。通过本发明，能够加速采用稀疏卷积的在线任务，实现增量计算，加速网络预测。

关键词：三维点云数据卷积稀疏网络模型三维增量式训练集构建数据预处理加速网络模型训练三维点云输出结果数据处理稀疏卷积增量计算预测

来源：评论

学校读者我要写书评

暂无评论

增量式稀疏三维卷积的三维点云数据处理方法及设备

增量式稀疏三维卷积的三维点云数据处理方法及设备

引用

作者：方璐刘乐遥郑添 100084 北京市海淀区清华园

标准号: CN114494661A

关键词：三维点云数据卷积稀疏网络模型三维增量式训练集构建数据预处理加速网络模型训练三维点云输出结果数据处理稀疏卷积增量计算预测

来源：评论

学校读者我要写书评

暂无评论

结合密集残差结构和多尺度剪枝的点云压缩网络

引用

中国图象图形学报 2023年第7期28卷 2105-2119页

作者：朱威张雨航应悦郑雅羽何德峰浙江工业大学信息工程学院杭州310023 浙江省嵌入式系统联合重点实验室杭州310023

目的点云是一种重要的三维数据表示形式,已在无人驾驶、虚拟现实、三维测量等领域得到了应用。由于点云具有分辨率高的特性,数据传输需要消耗大量的网络带宽和存储资源,严重阻碍了进一步推广。为此,在深度学习的点云自编码器压缩框架基... 详细信息

目的点云是一种重要的三维数据表示形式,已在无人驾驶、虚拟现实、三维测量等领域得到了应用。由于点云具有分辨率高的特性,数据传输需要消耗大量的网络带宽和存储资源,严重阻碍了进一步推广。为此,在深度学习的点云自编码器压缩框架基础上,提出一种结合密集残差结构和多尺度剪枝的点云压缩网络,实现了对点云几何信息和颜色信息的高效压缩。方法针对点云的稀疏化特点以及传统体素网格表示点云时分辨率不足的问题,采用稀疏张量作为点云的表示方法,并使用稀疏卷积和子流形卷积取代常规卷积提取点云特征;为了捕获压缩过程中高维信息的依赖性,将密集残差结构和通道注意力机制引入到点云特征提取模块;为了补偿采样过程的特征损失以及减少模型训练的动态内存占用,自编码器采用多尺度渐进式结构,并在其解码器不同尺度的上采样层之后加入剪枝层。为了扩展本文网络的适用范围,设计了基于几何信息的点云颜色压缩方法,以保留点云全局颜色特征。结果针对几何信息压缩,本文网络在MVUB(Microsoft voxelized upper bodies)、8iVFB(8i voxelized full bodies)和Owlii(Owlii dynamic human mesh sequence dataset)3个数据集上与其他5种方法进行比较。相对MPEG(moving picture experts group)提出的点云压缩标准V-PCC(video-based point cloud compression),BD-Rate(bjontegaard delta rate)分别增加了41%、54%和33%。本文网络的编码运行时间与G-PCC(geometry-based point cloud compression)相当,仅为V-PCC的2.8%。针对颜色信息压缩,本文网络在低比特率下的YUV-PSNR(YUV peak signal to noise ratio)性能优于G-PCC中基于八叉树的颜色压缩方法。结论本文网络在几何压缩和颜色压缩上优于主流的点云压缩方法,能在速率较小的情况下保留更多原始点云信息。

关键词：深度学习点云压缩自编码器稀疏卷积点云注意力机制密集残差结构多尺度剪枝

来源：评论

学校读者我要写书评

暂无评论

基于SDA-SSD的轨道交通异物检测

引用

铁道科学与工程学报 2024年第4期21卷 1667-1676页

作者：蒋伟梁奕肖睿徐秋然王志伟曲伟强上海电力大学电子与信息工程学院上海200090 上海锐明轨交设备有限公司上海200000

随着城市轨道交通规模的日益扩大,异物侵限已成为城市轨道交通安全的重大隐患,基于人工智能方法开展城市轨道交通异物检测成为研究热点。相对于传统视觉相机,激光雷达具有光照不敏感、测距精度高、可远距离探测等优点,更适用于城市轨道... 详细信息

随着城市轨道交通规模的日益扩大,异物侵限已成为城市轨道交通安全的重大隐患,基于人工智能方法开展城市轨道交通异物检测成为研究热点。相对于传统视觉相机,激光雷达具有光照不敏感、测距精度高、可远距离探测等优点,更适用于城市轨道交通场景下的安全监控和检测。面对海量的稀疏点云数据,现有基于激光雷达的目标检测方法会因三维结构信息损失产生漏检、误检问题。针对以上不足,提出一种基于结构密度感知的单阶段目标检测方法(Structure Density Aware Single-Stage Object Detector,SDA-SSD)。设计体素特征聚合模块提取三维结构信息,通过三重特征融合模块将点云特征和三维结构信息融合,改善因提取高层语义而导致空间特征质量下降的问题,提升目标的检测能力。设计体素密度值用于度量样本的稀疏程度,基于体素密度值校正分类置信度,改善目标定位和分类精度不一致的问题。实验结果表明:所提算法在KITTI数据集汽车类别的平均检测精度为88.21%,检测速度为21 FPS,相较于基准网络SECOND,平均检测精度提高了2.36个百分点,检测速度提高了13%,具有较高的识别率和实时性。在城市轨道交通实际场景对所提算法进行了验证,算法在复杂场景下具有良好的检测效果,能准确识别到列车前方目标障碍物,具备较高的有效性和可行性。研究成果为城市轨道交通安全营运和人民生命财产安全提供了保障。

关键词：智能交通激光雷达三维目标检测深度学习稀疏卷积

来源：评论

学校读者我要写书评

暂无评论

基于特征稀疏化的粉尘图像深度预测

引用

太原理工大学学报 2023年第5期54卷 853-860页

作者：贾慧敏王园宇太原理工大学信息与计算机学院山西晋中030600

【目的】针对粉尘环境中单幅图像深度预测精度低的问题,提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络,利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深... 详细信息

【目的】针对粉尘环境中单幅图像深度预测精度低的问题,提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】使用粉尘图像的直接传输率与深度的关系设计预估计深度网络,利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架,编码器中使用残差网络(ResNet)对粉尘图像进行编码,设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法,以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息,平均相对误差降低到0.054,均方根误差降低到0.610,在δ<1.25时准确率达到0.967.

关键词：粉尘图像稀疏深度样本深度预测颜色衰减先验残差网络稀疏卷积

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：