检索结果-内蒙古大学图书馆

控制与决策 2025年第4期40卷 1247-1256页

作者：薛楠刘莉芬李鹏程哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080

视线估计是一种预测人眼注视位置或注视方向的技术,在人机交互和计算机视觉的应用中发挥重要作用.针对特征的差异性和利用率不全面的问题,提出双分支特征融合的视线估计算法.首先,构建Agent Swin Transformer网络与残差网络相结合的双... 详细信息

视线估计是一种预测人眼注视位置或注视方向的技术,在人机交互和计算机视觉的应用中发挥重要作用.针对特征的差异性和利用率不全面的问题,提出双分支特征融合的视线估计算法.首先,构建Agent Swin Transformer网络与残差网络相结合的双分支网络模型,对视线特征进行提取,由改进的Agent Swin Transformer网络构成全局特征提取分支,逐层提取全局语义特征;由残差网络构成局部特征提取分支,提取不同尺度下的局部细节特征.通过特征融合将特征张量连接在一起,增强模型的表征能力.其次, Agent Swin Transformer网络融合高效多尺度注意力模块(EMA)及空间和信道重建卷积模块(SCConv),以加强特征,保持信息有效性,降低复杂性和计算成本.最后,结合头部姿态估计进行视线估计得到最终的视线方向,以减少干扰因素对眼部外观的影响.在MPIIFaceGaze数据集上进行大量实验,实验结果表明,该方法的视线估计角度平均误差为4.23°,同当前主流的同类方法相比,所提出算法能够更为准确地进行视线估计.

关键词：视线估计双分支特征融合 Agent Swin Transformer 残差网络空间和信道重建卷积高效多尺度注意力

来源：评论

学校读者我要写书评

暂无评论

二次聚合个性化联邦的不同工况下滚动轴承寿命预测方法

引用

振动与冲击 2025年第2期44卷 254-266页

作者：康守强杨得济王玉静王庆岩谢金宝哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080 海南师范大学物理与电子工程学院海口571158

针对不同工况下滚动轴承振动数据分布差异大,单一用户数据量少且多个用户间数据不共享的问题,提出一种二次聚合个性化联邦的滚动轴承寿命预测方法。该方法用不同深度的自编码器提取多尺度特征信息并压缩为散点图,实现特征增强;利用无监... 详细信息

针对不同工况下滚动轴承振动数据分布差异大,单一用户数据量少且多个用户间数据不共享的问题,提出一种二次聚合个性化联邦的滚动轴承寿命预测方法。该方法用不同深度的自编码器提取多尺度特征信息并压缩为散点图,实现特征增强;利用无监督二元回归模型确定第一预测时间,构建分段退化标签;提出二次聚合个性化联邦学习算法,各用户构建改进的卷积神经网络-长短时记忆网络模型,并将其参数上传至服务端,服务端采用多任务学习框架,一次聚合多用户同种工况模型参数;在此基础上,利用批量归一化层参数统计信息计算一次聚合模型间相似度,引入权重更新机制指导模型参数二次聚合,减少不同工况模型间的负迁移现象并学习有益的全局知识,最终形成针对各工况的个性化预测模型。经试验验证,所提方法在保障数据隐私的前提下,可实现不同工况下滚动轴承寿命预测,并且预测的平均得分与不考虑数据隐私的集中式学习方法相当、相较于联邦平均算法平均得分提高0.2197。

关键词：滚动轴承多尺度特征提取联邦学习个性化剩余寿命预测

来源：评论

学校读者我要写书评

暂无评论

基于密集残差和质量评估引导的频率分离生成对抗超分辨率重构网络

引用

电子与信息学报 2024年第12期46卷 4563-4574页

作者：韩玉兰崔玉杰罗轶宏兰朝凤哈尔滨理工大学测控技术与通信工程学院哈尔滨150080 哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080

生成对抗网络因其为盲超分辨率重构提供了新的思路而备受关注。针对现有方法未充分考虑图像退化过程中的低频保留特性而对高低频成分采用相同的处理方式,缺乏对频率细节有效利用,难以获得较好重构效果的问题,该文提出一种基于密集残差... 详细信息

生成对抗网络因其为盲超分辨率重构提供了新的思路而备受关注。针对现有方法未充分考虑图像退化过程中的低频保留特性而对高低频成分采用相同的处理方式,缺乏对频率细节有效利用,难以获得较好重构效果的问题,该文提出一种基于密集残差和质量评估引导的频率分离生成对抗超分辨率重构网络。该网络采用频率分离思想,对图像的高频和低频信息分开处理,从而提高高频信息捕捉能力,简化低频特征处理。该文对生成器中的基础块进行设计,将空间特征变换层融入密集宽激活残差中,增强深层特征表征能力的同时对局部信息差异化处理。此外,利用视觉几何组网络(VGG)设计了专门针对超分辨率重构图像的无参考质量评估网络,为重构网络提供全新的质量评估损失,进一步提高重构图像的视觉效果。实验结果表明,同当前先进的同类方法比,该方法在多个数据集上具有更佳的重构效果。由此表明,采用频率分离思想的生成对抗网络进行超分辨率重构,可以有效利用图像频率成分,提高重构效果。

关键词：超分辨率生成对抗网络频率分离质量评估密集残差

来源：评论

学校读者我要写书评

暂无评论

LGDNet:结合局部和全局特征的表格检测网络

引用

电子与信息学报 2024年第12期46卷 4553-4562页

作者：卢迪袁璇哈尔滨理工大学测控技术与通信工程学院哈尔滨150080 哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080

在大数据时代,表格广泛存在于各类文档图像中,进行表格检测对于表格信息再利用具有重要意义。针对现有的基于卷积神经网络的表格检测算法存在感受野受限、依赖于预设的候选区域以及表格边界定位不准确等问题,该文提出一种基于DINO模型... 详细信息

在大数据时代,表格广泛存在于各类文档图像中,进行表格检测对于表格信息再利用具有重要意义。针对现有的基于卷积神经网络的表格检测算法存在感受野受限、依赖于预设的候选区域以及表格边界定位不准确等问题,该文提出一种基于DINO模型的表格检测网络。首先,设计一种图像预处理方法,旨在增强表格的角点和线特征,以更好地区分表格与文本等其他文档元素。其次,设计一种主干网络SwTNet-50,通过在ResNet中引入Swin Transformer Blocks (STB),有效地进行局部-全局特征信息的提取,提高模型的特征提取能力以及对表格边界的检测准确性。最后,为了弥补DINO模型在1对1匹配中编码器特征学习不足问题,采用协同混合匹配训练策略,提高编码器的特征学习能力,提升模型检测精度。与多种基于深度学习的表格检测方法进行对比,该文模型在表格检测数据集TNCR上优于对比算法,在IoU阈值为0.5, 0.75和0.9时F1-Score分别达到98.2%, 97.4%和93.3%。在IIIT-AR-13K数据集上,IoU阈值为0.5时F1-Score为98.6%。

关键词：表格检测卷积神经网络 Transformer 特征提取

来源：评论

学校读者我要写书评

暂无评论

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

引用

仪器仪表学报 2024年第3期45卷 60-71页

作者：康守强章炜东王玉静刘连胜孙宇林哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室哈尔滨150080 哈尔滨工业大学电子与信息工程学院哈尔滨150001 哈尔滨工业大学郑州研究院郑州450000

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。该方法将源域和目标域一维振动数据利... 详细信息

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。该方法将源域和目标域一维振动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不同工况下谐波减速器的故障诊断。通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均准确率可达98.8%,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。

关键词：信息融合不同工况域适应谐波减速器故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于迁移学习和TCN-BIGRU的短期负荷预测

引用

北京航空航天大学学报 2024年

作者：刘杰周博文田明韩轲哈尔滨理工大学模式识别与信息感知黑龙江省重点实验室中国电信股份有限公司黑龙江分公司哈尔滨商业大学计算机与信息工程学院

电力负荷预测对于电力系统的稳定运行有着重要意义。传统短期预测方法常使用线性回归模型进行负荷预测，模型无法捕捉到复杂的负荷波动，导致预测结果准确性受到限制，因此提出了一种基于迁移学习的TCN-BIGRU模型。采用迁移学习（TL）... 详细信息

电力负荷预测对于电力系统的稳定运行有着重要意义。传统短期预测方法常使用线性回归模型进行负荷预测，模型无法捕捉到复杂的负荷波动，导致预测结果准确性受到限制，因此提出了一种基于迁移学习的TCN-BIGRU模型。采用迁移学习（TL）策略将相关性高的信息迁移到实验模型中，利用K-medoids聚类算法对数据进行聚类分析，通过并行卷积策略提取时间卷积网络（TCN）不同尺度的特征，利用时间注意力（TA）捕获相关信息，结合双向门控循环单元（BIGRU）进一步提取TCN训练输出的非线性特征，使用动态多群粒子群优化（DMS-PSO）算法对网络训练的超参数进行优化和调参，以寻找最佳的超参数组合。实验结果表明，相对于门控循环单元（GRU），所提TL-TCN-BIGRU算法MAE降低了39.7%；RMSE降低了40.7%；MAPE降低了30.4%；R2提升了4.9%。

关键词：短期负荷预测迁移学习时间卷积网络 K-medoids聚类融合网络

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：