检索结果-内蒙古大学图书馆

电子与信息学报 2025年第1期47卷 233-243页

作者：姚婷婷肇恒鑫冯子豪胡青大连海事大学信息科学技术学院大连116026

以广距鸟瞰视角拍摄获取的遥感图像通常具有目标种类多、尺度变化大以及背景信息丰富等特点,为目标检测任务带来巨大挑战。针对遥感图像成像特点,该文设计一种上下文感知多感受野融合网络,通过充分挖掘深度网络中遥感图像在不同尺寸特... 详细信息

以广距鸟瞰视角拍摄获取的遥感图像通常具有目标种类多、尺度变化大以及背景信息丰富等特点,为目标检测任务带来巨大挑战。针对遥感图像成像特点,该文设计一种上下文感知多感受野融合网络,通过充分挖掘深度网络中遥感图像在不同尺寸特征描述下所包含的上下文关联信息,提高图像特征描述力,进而提升遥感目标检测精度。首先,在特征金字塔前4层网络中构建了感受野扩张模块,通过扩大网络在不同尺度特征图上的感受野范围,增强网络对不同尺度遥感目标的感知能力;进一步,构建了高层特征聚合模块,通过将特征金字塔网络中高层语义信息聚合到低层特征中,从而将特征图中所包含的多尺度上下文信息进行有效融合;最后,在双阶段定向目标检测框架下设计了特征细化区域建议网络。通过对一阶段提案进行精细化处理,提升提案准确性,进而提高二阶段兴趣区域对齐网络得到的不同成像方向下的遥感目标检测性能。在公测数据集DIOR-R和HRSC2016上的定性和定量的对比实验结果证明,所提方法对不同种类和尺度大小的遥感目标均能实现更加准确的检测。

关键词：遥感图像深度学习目标检测多感受野融合

来源：评论

学校读者我要写书评

暂无评论

基于时间比率-航速-航向的船舶轨迹压缩方法

引用

交通运输工程学报 2025年第1期25卷 172-183页

作者：刘畅曹鲁芳杨雨露林彬张仕泽大连海事大学信息科学技术学院辽宁大连116026

考虑船舶航迹中包含的时间、位置、航速与航向等信息,提出一种全面考虑时空运动特性的船舶轨迹压缩方法;针对船舶自动识别系统(AIS)数据中的对地航速和对地航向分别提出航速及航向压缩算法以提取轨迹运动数据;为保留时间信息和空间数据... 详细信息

考虑船舶航迹中包含的时间、位置、航速与航向等信息,提出一种全面考虑时空运动特性的船舶轨迹压缩方法;针对船舶自动识别系统(AIS)数据中的对地航速和对地航向分别提出航速及航向压缩算法以提取轨迹运动数据;为保留时间信息和空间数据,引入时间比率算法;通过综合这3种算法,提出时间比率-航速-航向(TSH)压缩算法,并根据压缩率和长度损失率实现了TSH算法参数的自适应确定;为验证方法的有效性,以威海、老铁山和长江水域的AIS数据作为研究对象,与道格拉斯-普克(DP)算法、改进DP算法进行对比。试验结果表明:TSH算法能够更精细地提取船舶轨迹的特征点,从而保留时空和运动行为,其中,单条轨迹压缩结果显示,经TSH算法压缩后的轨迹与原始轨迹之间的豪斯多夫距离比DP算法和改进DP算法分别降低1.6和1.1倍,多属性对称分割路径距离(MSSPD)较改进DP算法降低1.9倍,更好地保留了船舶轨迹的原始特征;整体轨迹压缩结果显示,对于威海、老铁山和长江水域,TSH算法在豪斯多夫距离上较DP算法分别降低2.1、2.2和1.7倍,较改进DP算法分别降低1.4、1.5和1.1倍,在MSSPD指标上分别低于改进DP算法1.3、1.1和1.2倍,进一步证明TSH压缩算法对船舶航行行为保留的有效性。经验证,所提出的TSH算法在较高压缩率下展现出更好的轨迹重构能力。

关键词：船舶自动识别系统船舶轨迹数据 AIS数据船舶轨迹压缩 TSH算法 TS算法

来源：评论

学校读者我要写书评

暂无评论

融合域迁移和注意力机制的水下图像增强

引用

光学精密工程 2025年第2期33卷 298-310页

作者：姚婷婷冯子豪肇恒鑫大连海事大学信息科学技术学院辽宁大连116026

水下环境存在复杂的光线衰减和散射现象,使得成像设备拍摄到的原始图像存在明显的质量退化问题。基于深度学习的水下图像增强方法在一定程度上提高了原始图像成像质量,但现有方法大多使用人工合成或模型生成的配对数据集进行训练。由于... 详细信息

水下环境存在复杂的光线衰减和散射现象,使得成像设备拍摄到的原始图像存在明显的质量退化问题。基于深度学习的水下图像增强方法在一定程度上提高了原始图像成像质量,但现有方法大多使用人工合成或模型生成的配对数据集进行训练。由于训练样本与真实图像在数据分布上存在较大域差,因此容易出现过度增强、色偏去除不明显等现象。针对上述问题,该文提出了融合域迁移和注意力机制的水下图像增强模型。首先,设计了域迁移图像生成网络,结合物理成像模型和水型分类器,学习不同场景下不同域图像间的特征描述映射关系,减小生成图像与真实图像之间的差异性。然后,设计了多尺度混合注意力编解码网络,通过引入高效的特征连接和注意力融合机制,提高了网络对图像局部细节区域的增强能力。最后,提出了全局域关联一致性损失函数,通过构建域迁移过程中各阶段生成图像的内容和结构一致性关联,更好地训练网络模型参数,提高图像增强质量。所提模型在水下真实数据集UIEB和EUVP上UIQM和UCIQE指标分别取得了3.140 1,0.602 1和3.076 8,0.612 4的精度。实验结果表明,模型可以有效提高水下图像的增强质量,色彩恢复更自然,细节增强效果更显著。

关键词：水下图像增强域迁移生成对抗网络注意力增强

来源：评论

学校读者我要写书评

暂无评论

基于激光场同步扫描的水下光学成像系统

引用

激光与光电子学进展 2025年第4期62卷 59-67页

作者：吴厚德刘振义王洪昌李持尧顾晓雪郭睿琦大连海事大学信息科学技术学院

针对水下光学成像因水体及其杂质吸收与散射的影响导致常规光学成像方式获取的水下图像存在对比度低、可视距离短等缺点，提出了一种激光场同步扫描水下光学成像系统。首先，该成像系统的光源采用520 nm波长的线结构激光器，通过Galvo... 详细信息

针对水下光学成像因水体及其杂质吸收与散射的影响导致常规光学成像方式获取的水下图像存在对比度低、可视距离短等缺点，提出了一种激光场同步扫描水下光学成像系统。首先，该成像系统的光源采用520 nm波长的线结构激光器，通过Galvo振镜控制线状激光束对目标平面进行一维扫描，形成二维照明光场；然后，相机采用具有电子卷帘快门的科学级互补金属氧化物半导体（sCMOS）图像传感器，通过减少曝光时长，将相机的瞬时视场压缩成窄带状；最后，控制光源同步照射相机的瞬时视场，将相机与光源的光路重合体积进行极大程度的压缩，使得水体后向散射对成像影响大幅降低。在水池中进行了浊度和距离实验，实验结果表明：浊度实验中，在水体浊度为19.6 FTU时，峰值对比度改善为原来的4.7倍，峰值对比度信噪比改善为原来的2.1倍。距离实验中，水体衰减系数为0.2，成像距离为13 m时，峰值对比度改善为原来的5.6倍，峰值对比度信噪比改善为原来的2.8倍，实现了15 m范围清晰成像。该方法有效减少了后向散射对成像质量的影响，促进了水下任务的进一步发展，使该方法在水下成像方面具有较高的适用性。

关键词：水下成像后向散射激光场同步扫描低照度相机

来源：评论

学校读者我要写书评

暂无评论

基于自适应层次图池化的脑电情绪识别

引用

信号处理 2025年第3期41卷 544-552页

作者：刘董理崔恒刘爱萍陈勋中国科学技术大学信息科学技术学院安徽合肥230094

近年来,图神经网络因其出色的空间拓扑能力,在脑电情绪识别领域表现突出。然而许多方法只考虑了脑电通道间的连接,忽略了大脑区域间的功能性联系。图神经网络通常依赖线性变换来更新节点,如果直接将原始脑电信号作为输入,容易导致模型... 详细信息

近年来,图神经网络因其出色的空间拓扑能力,在脑电情绪识别领域表现突出。然而许多方法只考虑了脑电通道间的连接,忽略了大脑区域间的功能性联系。图神经网络通常依赖线性变换来更新节点,如果直接将原始脑电信号作为输入,容易导致模型过拟合。虽然使用手工提取的特征可以减轻这一问题,但这也限制了对信息的全面提取。针对当前图相关算法在脑电情绪识别领域的局限性,本文提出一种基于自适应层次图池化技术的端到端脑电情绪识别算法。首先,设计一个自适应图生成模块,采用数据驱动的方法,能够自动生成与情绪识别任务密切相关的图邻接矩阵,对脑电信号的空间信息进行有效建模。随后,为了更准确地提取关键通道或脑区的时域脑电信号特征,本文进一步提出时域层次图池化模块,在识别时域信号特征的同时,融合图节点的相关特征。最后,该模块通过对脑电通道的层层池化,提炼出更有代表性的区域特征,并动态更新各区域之间的功能连接,从而实现对脑电信号的深度特征提取和有效表示。为了验证所提出的自适应层次图池化模型的有效性,本文在两个广泛使用的公共脑电情绪数据集DEAP和MAHNOB-HCI上开展实验,结果表明所提出的自适应层次图池化模型在性能上显著优于其他最先进的深度学习方法和传统机器学习方法。

关键词：脑电信号处理情绪识别图神经网络图池化深度学习

来源：评论

学校读者我要写书评

暂无评论

基于空中计算CoMAC架构的不同计算场景叠加符号判决算法

引用

中山大学学报（自然科学版）（中英文） 2025年第1期64卷 61-70页

作者：秦晓卫周子涵陈力中国科学技术大学信息科学技术学院安徽合肥230027

本文研究不同场景下基于空中计算的多址信道计算(CoMAC)架构的覆盖符号决策算法。首先,从理论上分析了XOR、ADD、MOD三种场景中加性高斯白噪声(AWGN)多址接入信道下叠加符号的概率密度分布,提出了一种基于先验概率的最优门限判决策略。... 详细信息

本文研究不同场景下基于空中计算的多址信道计算(CoMAC)架构的覆盖符号决策算法。首先,从理论上分析了XOR、ADD、MOD三种场景中加性高斯白噪声(AWGN)多址接入信道下叠加符号的概率密度分布,提出了一种基于先验概率的最优门限判决策略。其次,推导了系统最优门限及对应误码率的理论表达式。最后,通过仿真验证了不同信噪比、传感器节点个数及先验概率对于该门限判决方案的鲁棒性和可靠性的影响。与通信计算相分离的传统方案相比,空中计算判决方案具有更好的检测性能,为多址接入信道下的信号识别提供了新的参考方案。

关键词：空中计算多址接入信道最优门限判决检测性能

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的林火小目标和烟雾检测模型

引用

南京林业大学学报(自然科学版) 2025年第1期49卷 225-234页

作者：薛震洋林海峰焦万果南京林业大学信息科学技术学院

【目的】由于火焰和烟雾都是动态目标，使得航拍视角下的森林火焰小目标和烟雾检测变得富有挑战性。基于卷积神经网络的林火小目标和烟雾检测模型构建对于平衡森林火灾小目标和烟雾目标的参数量和检测精度具有重要意义。【方法】根据林... 详细信息

【目的】由于火焰和烟雾都是动态目标，使得航拍视角下的森林火焰小目标和烟雾检测变得富有挑战性。基于卷积神经网络的林火小目标和烟雾检测模型构建对于平衡森林火灾小目标和烟雾目标的参数量和检测精度具有重要意义。【方法】根据林火检测实时性要求，对基于高实时性的FasterNet进行改进，并构建了FRSCnet的主干网络层。利用分组洗牌卷积(group shuffle convolution, GSConv)构建了FRSCnet的颈部网络层。在头部网络中，引入了卷积块注意力模块(CBAM)注意力机制。最后，在颈部网络的第1层添加了感受野阻滞(receptive field block, RFB)特征提取模块。【结果】FasterNet采用独特的部分卷积(partial convolution, PConv)技术，有效减少了冗余计算和内存访问，从而保证了模型在处理航拍图像时的高速检测性能。GSConv能够平衡模型的参数量和特征融合性能，从而在保证检测精度的同时减少了模型的复杂度。通过CBAM注意力机制，在尽可能少地增加参数量的情况下，模型能够更好地关注森林火灾小目标和烟雾目标，提高检测性能。RFB特征提取模块，可增大模型的感受野，更好地提取航拍视角下的森林火灾小目标和烟雾目标。实验结果表明，提出的FRSCnet模型的平均精度(mAP@0.5)达到了89.2%,比YOLOv7-tiny和YOLOv5-s模型分别提高了2.9%和5.3%,但是参数量比YOLOv7-tiny和YOLOv5-s模型低。【结论】提出的FRSCnet林火小目标和烟雾目标检测模型，在参数量和检测精度之间取得了较好的平衡。

关键词：林火识别烟雾识别目标检测卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于Hadamard矩阵的纠缠辅助量子纠错码

引用

中国科学:物理学、力学、天文学 2025年第3期55卷 176-184页

作者：刘敏谭晓青包戴鹏伟黄睿暨南大学信息科学技术学院广州510632 深圳职业技术大学人工智能学院深圳518055

构造量子纠错码的经典线性码需满足某些特定条件,纠缠辅助量子纠错码的提出消除了该条件的限制,因此所有经典线性码都可以构造成纠缠辅助量子纠错码.Hadamard矩阵是一类特殊的正交矩阵,基于Hadamard矩阵标准型构造的Hadamard码是一类线... 详细信息

构造量子纠错码的经典线性码需满足某些特定条件,纠缠辅助量子纠错码的提出消除了该条件的限制,因此所有经典线性码都可以构造成纠缠辅助量子纠错码.Hadamard矩阵是一类特殊的正交矩阵,基于Hadamard矩阵标准型构造的Hadamard码是一类线性互补对偶码.通过扩充Hadamard码的生成矩阵和校验矩阵所得到的两类经典码[(l+1)(n-1),n-1]和[3n-3,n-1]依旧保持线性互补对偶性质,利用其线性互补对偶性与Euclidean Hull的维数之间的关系,本文基于Hadamard矩阵构造了两类能够达到最大纠缠的纠缠辅助量子纠错码,相较于其他纠缠辅助量子纠错码有更高的码率和净码率,它们的参数分别为[[3n-3,2n-2,d≥1;n-1]]和[[2n-2,n-1,d≥1;n-1]].

关键词： Hadamard矩阵线性互补对偶码纠缠辅助量子纠错码

来源：评论

学校读者我要写书评

暂无评论

基于模板对齐与多阶段特征学习的光场角度重建

引用

电子与信息学报 2025年第2期47卷 530-540页

作者：郁梅周涛陈晔曜蒋志迪骆挺蒋刚毅宁波大学信息科学与工程学院宁波315211 宁波大学科学技术学院宁波315300

现有光场图像角度重建方法通过探索光场图像内在的空间-角度信息以进行角度重建,但无法同时处理不同视点层的子孔径图像重建任务,难以满足光场图像可伸缩编码的需求。为此,将视点层视为稀疏模板,该文提出一种能够单模型处理不同角度稀... 详细信息

现有光场图像角度重建方法通过探索光场图像内在的空间-角度信息以进行角度重建,但无法同时处理不同视点层的子孔径图像重建任务,难以满足光场图像可伸缩编码的需求。为此,将视点层视为稀疏模板,该文提出一种能够单模型处理不同角度稀疏模板的光场图像角度重建方法。将不同的角度稀疏模板视为微透镜阵列图像的不同表示,通过模板对齐将输入的不同视点层整合为微透镜阵列图像,采用多阶段特征学习方式,以微透镜阵列级-子孔径级的特征学习策略来处理不同输入的稀疏模板,并辅以独特的训练模式,以稳定地参考不同角度稀疏模板,重建任意角度位置的子孔径图像。实验结果表明,所提方法能有效地参考不同稀疏模板,灵活地重建任意角度位置的子孔径图像,且所提模板对齐与训练方法能有效地应用于其它光场图像超分辨率重建方法以提升其处理不同角度稀疏模板的能力。

关键词：光场图像角度重建可伸缩编码稀疏模板

来源：评论

学校读者我要写书评

暂无评论

基于双加性角裕度边际损失的说话人验证

引用

信号处理 2025年第1期41卷 174-182页

作者：张汐宇陈仙红北京工业大学信息科学技术学院北京100124

说话人验证是深度学习领域的一项关键任务,旨在根据说话人的声音来验证其身份。加性边际损失(Additive Margin loss, AM loss)和加性角裕度边际损失(Additive Angular Margin loss, AAM loss)是说话人验证中常用的损失函数。这两种方法... 详细信息

说话人验证是深度学习领域的一项关键任务,旨在根据说话人的声音来验证其身份。加性边际损失(Additive Margin loss, AM loss)和加性角裕度边际损失(Additive Angular Margin loss, AAM loss)是说话人验证中常用的损失函数。这两种方法通过引入边际项,显著提高了同类样本的聚集度。然而,这些方法只考虑了类内距离而忽略了不同类别之间的关系,限制了区分不同说话人的能力。为解决这一缺陷,本文提出一种新的损失函数,称为双加性角裕度边际损失(Double Additive Angular Margin loss, DAAM loss)。DAAM损失为类内角度和类间角度引入边际常数,有效地考虑了类内内聚和类间分离。同时压缩类内距离和扩大类间距离,DAAM损失增强了对说话人嵌入的区分能力,从而提高了性能。为了验证DAAM损失的有效性,我们采用不同损失监督的说话人验证模型Xvector和Extended-Xvector(Evector)来提取说话人嵌入信息,在广泛使用的Voxceleb1和Voxceleb2数据集上进行了大量的实验。此外,我们分析了不同损失函数监督模型得到的说话人嵌入的平均类内和类间距离。实验结果表明,DAAM损失在相等错误率(equal error rate, EER)、最小检测代价函数(minimum Detection Cost Function,minDCF)以及类间距离和类内距离比值方面优于AM损失和AAM损失。DAAM损失有效地最大化了不同说话人之间的距离,同时令同一说话人的样本保持紧凑,从而增强了说话人嵌入的区分能力。总之,本文提出了双加性角裕度边际损失(DAAM loss)。DAAM损失考虑了类内和类间关系,增强了类可分性,提高了验证性能,使说话人验证模型能够学习到更有鉴别性和鲁棒性的说话人表示。在Voxceleb1和Voxceleb2数据集上使用Xvector和Evector模型进行了广泛的实验,验证了DAAM损失的有效性,展示了其在推进说话人验证领域最先进技术方面的潜力。提出的DAAM损失有助于开发更准确和鲁棒的说话人验证系统,为该领域的未来研究铺平了道路。

关键词：说话人验证深度学习度量学习

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：