检索结果-内蒙古大学图书馆

计算机工程 2021年第4期47卷 248-255页

作者：包俊刘宏哲北京联合大学北京市信息服务工程重点实验室北京100101

环视鱼眼图像具有目标形变大和图像失真的缺点,导致传统网络结构在对鱼眼图像进行目标检测时效果不佳。为解决环视鱼眼图像中由于目标几何畸变而导致的目标检测难度大的问题,提出一种基于可变形卷积网络的鱼眼图像目标检测方法。将Casca... 详细信息

环视鱼眼图像具有目标形变大和图像失真的缺点,导致传统网络结构在对鱼眼图像进行目标检测时效果不佳。为解决环视鱼眼图像中由于目标几何畸变而导致的目标检测难度大的问题,提出一种基于可变形卷积网络的鱼眼图像目标检测方法。将Cascade_RCNN中固定的卷积层和池化层分别替换为可变形卷积层和可变形池化层,使用Resnet50网络提取候选区域以获得检测框,级联具有不同IoU阈值的检测网络进行检测框抑制。在公开鱼眼图像数据集SFU_VOC_360和本文所采集的真实道路场景鱼眼图像数据集上进行实验,结果表明,该方法在鱼眼图像目标检测中具有有效性,目标检测准确率高于Cascade_RCNN网络。

关键词：鱼眼图像可变形卷积可变形池化目标检测环视系统

来源：评论

学校读者我要写书评

暂无评论

基于显著性多尺度特征协作融合的行人重识别方法

引用

计算机工程 2021年第6期47卷 234-244,252页

作者：董亚超刘宏哲徐成北京联合大学北京市信息服务工程重点实验室北京100101

由于背景信息复杂、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征不具有辨别力和鲁棒性,从而导致重识别精度较低,针对该问题,提出一种基于显著性检测与多尺度特征协作融合的SMC-ReID方法。利用显著性检测提取行人中... 详细信息

由于背景信息复杂、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征不具有辨别力和鲁棒性,从而导致重识别精度较低,针对该问题,提出一种基于显著性检测与多尺度特征协作融合的SMC-ReID方法。利用显著性检测提取行人中具有判别力的特征区域,融合显著性特征与全局特征并完成不同尺度的切块,将上述不同尺度的特征进行协作融合以保证特征切块后的连续性,根据全局特征和局部特征的差异性联合3种损失函数进行学习。在推理阶段,将各个尺度的特征降低到同一维度并融合成新的特征向量,以实现相似性度量。在行人重识别公开数据集Market1501、DukeMTMC-reID和CUHK03上进行实验,结果表明,SMC-ReID方法所提取的特征具有较强的可区分性和鲁棒性,识别准确率优于SVDNet和PSE+ECN等方法。

关键词：显著性检测多尺度特征协作融合多损失联合学习行人重识别深度学习

来源：评论

学校读者我要写书评

暂无评论

单目视觉惯性SLAM与UWB数据融合的精确定位

引用

传感器与微系统 2022年第9期41卷 125-128页

作者：李玉卿鲍泓徐成北京联合大学智慧城市学院北京100101 北京联合大学北京市信息服务工程重点实验室北京100101

针对室内或封闭场景下的无人驾驶,提出了一种融合视觉同步定位与建图(SLAM)与超宽带(UWB)的定位方法。通过惯性测量单元(IMU)预积分提高单目SLAM的可靠性;再将视觉SLAM与UWB获取的定位信息通过扩展卡尔曼滤波器(EKF)得到融合后的数据。... 详细信息

针对室内或封闭场景下的无人驾驶,提出了一种融合视觉同步定位与建图(SLAM)与超宽带(UWB)的定位方法。通过惯性测量单元(IMU)预积分提高单目SLAM的可靠性;再将视觉SLAM与UWB获取的定位信息通过扩展卡尔曼滤波器(EKF)得到融合后的数据。实验结果表明:在正常光照下环境下的最大误差为0.101 316 m,根均方误差(RMSE)为0.035 965,在弱光照环境下的最大误差为0.136 103 m, RMSE为0.039 132,未出现明显的跳变及漂移。提高了系统定位精度及鲁棒性。

关键词：无人自主驾驶同步定位与建图单目视觉惯性超宽带数据融合

来源：评论

学校读者我要写书评

暂无评论

构音障碍说话人自适应研究进展及展望

引用

计算机科学 2024年第8期51卷 11-19页

作者：康新晨董雪燕姚登峰钟经华北京联合大学北京市信息服务工程重点实验室北京100101 清华大学人文学院计算语言学实验室北京100084 清华大学心理学与认知科学研究中心北京100084

自动化语音识别工具让构音障碍者和正常人的沟通变得顺畅,因此,近年来构音障碍语音识别成为了一项热门研究。构音障碍语音识别的研究包括:收集构音障碍者和正常人的发音数据,对构音障碍者和正常人的语音进行声学特征表示,利用机器学习... 详细信息

自动化语音识别工具让构音障碍者和正常人的沟通变得顺畅,因此,近年来构音障碍语音识别成为了一项热门研究。构音障碍语音识别的研究包括:收集构音障碍者和正常人的发音数据,对构音障碍者和正常人的语音进行声学特征表示,利用机器学习模型比较和识别发音的内容并定位出差异性,以帮助构音障碍者改善发音。然而,由于收集构音障碍者的大量语音数据非常困难,且构音障碍者存在发音的强变异性,导致通用语音识别模型的效果往往不佳。为了解决这一问题,许多研究提出将说话人自适应方法引入构音障碍语音识别。对大量相关文献进行调研发现,当前此类研究主要围绕特征域和模型域对构音障碍语音进行分析。文中重点分析特征变换和辅助特征如何解决语音特征的差异性表示,以及声学模型的线性变换、微调声学模型参数和基于数据选择的域自适应方法如何提高模型识别的准确率。最后总结出构音障碍说话人自适应研究当前遇到的问题,并指出未来的研究可以从语音变异性的分析、多特征多模态数据的融合以及基于小数量的自适应方法的角度,提升构音障碍语音识别模型的有效性。

关键词：构音障碍说话人自适应辅助特征变换微调域自适应

来源：评论

学校读者我要写书评

暂无评论

基于视觉DQN的无人车换道决策算法研究

引用

传感器与微系统 2023年第10期42卷 52-55页

作者：付一豪鲍泓梁天骄付东普潘峰北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院北京100027 首都经济贸易大学管理工程学院北京100070

无人驾驶技术是当前人工智能(AI)领域的研究热点。针对传统深度Q网络(DQN)在基于视觉的换道决策上存在收敛速度慢等问题,提出了基于视觉的DQN的无人车换道决策模型。将基于注意力机制的视觉感知与DQN融合,使网络聚焦在重要的图像特征上... 详细信息

无人驾驶技术是当前人工智能(AI)领域的研究热点。针对传统深度Q网络(DQN)在基于视觉的换道决策上存在收敛速度慢等问题,提出了基于视觉的DQN的无人车换道决策模型。将基于注意力机制的视觉感知与DQN融合,使网络聚焦在重要的图像特征上;并引入Q-Masking机制来降低决策复杂度,加快DQN的训练收敛速度。最后,提出基于DQN的速度决策算法来构成一个完整的换道决策模型,并在仿真环境中进行训练与测试。实验结果表明:所提模型可以实现更快的换道决策策略,同时加快了DQN的收敛速度。

关键词：无人车换道决策注意力机制强化学习

来源：评论

学校读者我要写书评

暂无评论

基于多尺度特征融合的功耗建模分析方法

引用

四川大学学报（自然科学版） 2024年第3期61卷 182-194页

作者：李想杨宁刘伟锋陈艾东张彦龙王硕周婧北京联合大学北京市信息服务工程重点实验室北京100101 中国科学院半导体研究所北京100085 北京联合大学机器人学院北京100101 北京联合大学多智能体系统研究中心北京100101 北京微电子技术研究所北京100076

在数字化浪潮推动下,5G和6G技术的快速发展正引领移动通信系统步入新阶段.先进的硬件设备和加密芯片为不断增长的数据处理需求和日益关注的安全保障提供了强有力的支持.在这一背景下,搭载现代密码技术的各类硬件设备逐渐演变为不可或缺... 详细信息

在数字化浪潮推动下,5G和6G技术的快速发展正引领移动通信系统步入新阶段.先进的硬件设备和加密芯片为不断增长的数据处理需求和日益关注的安全保障提供了强有力的支持.在这一背景下,搭载现代密码技术的各类硬件设备逐渐演变为不可或缺的生活基石.这些设备已经具备抵御传统密码分析的能力.近年来,学术界的研究重点之一是对设备在实际运行过程中产生的物理泄漏进行分析.这一领域被称为侧信道分析(Side-Channel Analysis,SCA).深度学习驱动的侧信道分析已被广泛认可为一种有效的方法,针对当前神经网络模型的功耗曲线数量需求大、鲁棒性差和收敛速度慢等问题,本文提出一种基于CNNbest的多尺度特征融合侧信道分析方法.首先,重构特征提取网络结构,以解决深层特征向量容易过度解释噪声细节的问题和模型过拟合问题.而后,使用滤波器阵列执行离散小波变换(Dis‐crete Wavelet Transform,DWT)分析方法构造多解析度时频,提升数据质量.最后,引入轻量级的结合通道空间的卷积块注意力模块(Convolutional Block Attention Module,CBAM),以提高功耗曲线关键特征的学习效率.实验结果表明,本文方法对侧信道分析所需的功耗曲线较原模型减少了88.27%,显著提高了分析性能,能够满足侧信道建模和分析的要求.

关键词：侧信道分析功耗分析多尺度特征融合离散小波变换注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于EfficientDet网络的细粒度吸烟行为识别

引用

计算机工程 2022年第3期48卷 302-309,314页

作者：张洋姚登峰江铭虎李凡姝北京联合大学北京市信息服务工程重点实验室北京100101 清华大学人文学院计算语言学实验室北京100084

在实际场景中,因香烟目标过于微小且特征不明显,现有的目标检测算法难以区分类烟物与香烟,导致吸烟行为识别效果差。提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法。采用Edge Boxes算法检测图像块的特征边缘,通过... 详细信息

在实际场景中,因香烟目标过于微小且特征不明显,现有的目标检测算法难以区分类烟物与香烟,导致吸烟行为识别效果差。提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法。采用Edge Boxes算法检测图像块的特征边缘,通过非极大值抑制对边缘进行筛选,形成候选区域块。构建包含物体级筛选器和局部级筛选器的细粒度两级注意力模型,其中物体级筛选器使用改进的EfficientDet网络滤除候选区域的背景噪声,以分类前景物体及特征较强的候选区域,并在局部级筛选器中使用通道注意力卷积块对候选区域进行聚类,筛选出得分最高的像素块。通过融合物体级筛选器与局部级筛选器得到的结果,以准确识别吸烟行为。在BUU-Smoke数据集上的实验结果表明,该算法的吸烟行为识别准确率为93.10%,误检率为3.6%,并且具有较优的鲁棒性和泛化能力。

关键词：吸烟行为 EfficientDet网络弱监督细粒度注意力机制行为识别

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制的交通场景图像描述生成算法

引用

计算机应用与软件 2022年第11期39卷 201-207页

作者：宋禄琴玄祖兴王彩云北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学基础与交叉科学研究所北京100101

针对交通场景复杂多变,主要体现在道路拓扑结构复杂、道路元素和交通参与者类型的多样性问题,提出一种基于注意力机制的图像描述生成算法。在算法的编码阶段,利用卷积神经网络提取图像不同区域的图像特征,每个区域融合注意力机制用来获... 详细信息

针对交通场景复杂多变,主要体现在道路拓扑结构复杂、道路元素和交通参与者类型的多样性问题,提出一种基于注意力机制的图像描述生成算法。在算法的编码阶段,利用卷积神经网络提取图像不同区域的图像特征,每个区域融合注意力机制用来获取具有注意力权值的图像特征,突出图像中的重点信息。解码阶段,利用多个长短期记忆网络模块作为交通场景图像描述生成任务的语言模型。实验结果表明:在MSCOCO验证数据集中,该算法在评估指标BLEU-1至BLEU-4上分值分别为0.735、0.652、0.368和0.323,所提算法能够很好地描述交通场景图像。

关键词：交通场景图像注意力机制卷积神经网络长短期记忆网络图像描述生成

来源：评论

学校读者我要写书评

暂无评论

基于改进单级特征图方法的交通标志检测

引用

传感器与微系统 2022年第2期41卷 123-127,131页

作者：梁天骄鲍泓潘卫国潘峰胡正坤北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院北京100027 北京联合大学应用科技学院北京100012

基于深度学习的交通标志牌检测算法取得了突破性的进展,但在检测精度和速度方面仍得不到兼顾。针对此问题,本文在YOLOF算法的基础上提出了一种改进的算法,在YOLOF网络检测分支中融入注意力机制以增强网络对交通标志牌目标的表示,并利用C... 详细信息

基于深度学习的交通标志牌检测算法取得了突破性的进展,但在检测精度和速度方面仍得不到兼顾。针对此问题,本文在YOLOF算法的基础上提出了一种改进的算法,在YOLOF网络检测分支中融入注意力机制以增强网络对交通标志牌目标的表示,并利用CIoU改进损失函数;使用数据增广模拟自动驾驶过程中的复杂环境,增强检测模型的鲁棒性。对比实验结果表明:本文提出的改进方法具有更高的检测精度,能够达到检测精度和速度的平衡。

关键词：目标检测注意力机制交通标志牌单级特征图

来源：评论

学校读者我要写书评

暂无评论

改进深度Q网络的无人车换道决策算法研究

引用

计算机工程与应用 2022年第7期58卷 266-275页

作者：张鑫辰张军刘元盛路铭谢龙洋北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院北京100101 北京联合大学应用科技学院北京100101

深度Q网络(deep Q network,DQN)模型已被广泛应用于高速公路场景中无人车换道决策,但传统的DQN存在过估计且收敛速度较慢的问题。针对此问题提出了基于改进深度Q网络的无人车换道决策模型。将得到的状态值分别输入到两个结构相同而参数... 详细信息

深度Q网络(deep Q network,DQN)模型已被广泛应用于高速公路场景中无人车换道决策,但传统的DQN存在过估计且收敛速度较慢的问题。针对此问题提出了基于改进深度Q网络的无人车换道决策模型。将得到的状态值分别输入到两个结构相同而参数更新频率不同的神经网络中,以此来减少经验样本之间的相关性,然后将隐藏层输出的无人车状态信息同时输入到状态价值函数(state value function)流和动作优势函数(action advantage function)流中,从而更准确地得到模型中每个动作对应的Q值,再采用优先级经验回放(prioritized experience replay,PER)的方式从经验回放单元中抽取经验样本,增加经验回放单元中重要样本的利用率。在NGSIM数据集搭建的实验场景中进行模型的训练和测试,实验结果表明,改进的深度Q网络模型可以使无人车更好地理解环境中的状态变化,提高了换道决策成功率的同时网络的收敛速度也得到提升。

关键词：无人车换道决策状态价值函数动作优势函数优先级经验回放

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：