检索结果-内蒙古大学图书馆

福建师范大学学报(自然科学版) 2025年第1期41卷 21-29页

作者：朱佳楠邢树礼福建理工大学福建省大数据挖掘与应用重点实验室福建福州350118

场景文本图像超分辨率(STISR)技术旨在提高低分辨率文本图像中的分辨率和可读性,是下游文本识别任务的基础性工作。利用深度卷积神经网络完成STISR的现有方法缺乏对文本图像全局信息的考虑,导致恢复结果不稳定,在处理视觉相似的低分辨... 详细信息

场景文本图像超分辨率(STISR)技术旨在提高低分辨率文本图像中的分辨率和可读性,是下游文本识别任务的基础性工作。利用深度卷积神经网络完成STISR的现有方法缺乏对文本图像全局信息的考虑,导致恢复结果不稳定,在处理视觉相似的低分辨率文本图像时尤其明显。针对上述问题,提出一种新的场景文本图像超分辨率网络(MASRN),它包含一个文本先验(TP)模块和一个混合骨干网络。TP模块首先通过提取文本图像的语义特征来生成文本先验信息,接着由卷积模块和多头注意力融合模块组成的混合骨干网络将文本先验信息与多尺度图像特征融合。在TextZoom数据集上的实验结果表明,所提的MASRN能够恢复出更高质量的文本图像,有效提升了下游文本识别任务的精度。

关键词：场景文本图像超分辨率文本识别文本先验卷积网络多头注意力

来源：评论

学校读者我要写书评

暂无评论

一种融合图数据多元结构和特征的图池化方法

引用

计算机工程 2025年第1期51卷 128-137页

作者：王翔魏玉锌毛国君福建理工大学计算机科学与数学学院福建福州350118 福建理工大学福建省大数据挖掘与应用技术重点实验室福建福州350118

在图神经网络中,图池化是一类用于对图数据进行下采样以提取图表征的重要操作。由于图数据存在较为复杂的网络拓扑结构和高维度的特征信息,因此现有图池化方法在设计过程中未能同时融合图数据的拓扑结构信息和节点的长距离依赖信息,在... 详细信息

在图神经网络中,图池化是一类用于对图数据进行下采样以提取图表征的重要操作。由于图数据存在较为复杂的网络拓扑结构和高维度的特征信息,因此现有图池化方法在设计过程中未能同时融合图数据的拓扑结构信息和节点的长距离依赖信息,在图池化过程中没有考虑丢弃节点的特征,造成图数据的重要信息损失。为此,提出一种基于多元特征融合的图池化方法来同时捕获图数据的局部拓扑信息、全局拓扑信息以及长距离节点依赖关系,并使用1个聚合模块聚合这些特征信息得到1个新的池化图。为了解决图池化过程中节点特征信息丢失的问题,提出一种新的特征融合方法将丢弃节点的信息以一定比例汇聚到保留节点上。基于该池化方法,构建基于分层池化的图分类模型。在D&D、PROTEINS、NCI1和NCI1094个数据集上的实验结果表明,与最佳基线模型相比,所提模型的分类准确率分别提升了2.97、3.59、0.48和0.24个百分点,能够更有效利用图数据的特征信息、拓扑信息和长距离节点依赖信息,在图分类任务上取得了更好的效果。

关键词：图池化图分类拓扑信息长距离节点依赖特征融合

来源：评论

学校读者我要写书评

暂无评论

基于分组卷积的通道重洗注意力机制

引用

计算机应用 2025年第4期45卷 1069-1076页

作者：张李伟梁泉胡禹涛朱乔乐福建理工大学计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室(福建理工大学) 福州350118

注意力机制的引入使得主干网能够学习更具区分性的特征表示。然而,为了控制注意力的复杂度,传统的注意力机制采用的通道降维或减少通道数而增加批量大小的策略会导致过度减少通道数和损失重要特征信息的问题。为解决这一问题,提出通道... 详细信息

注意力机制的引入使得主干网能够学习更具区分性的特征表示。然而,为了控制注意力的复杂度,传统的注意力机制采用的通道降维或减少通道数而增加批量大小的策略会导致过度减少通道数和损失重要特征信息的问题。为解决这一问题,提出通道重洗注意力(CSA)模块。首先,利用分组卷积学习注意力权重,以控制CSA的复杂度;其次,通过传统通道重洗和深层通道重洗(DCS)方法,增强不同组间的通道特征信息交流;再次,使用逆通道重洗恢复注意力权重的顺序;最后,将恢复后的注意力权重与原始特征图相乘,以获得更具表达能力的特征图。实验结果表明,在CIFAR-100数据集上,与添加CA(Coordinate Attention)的ResNet50相比,添加CSA的ResNet50的参数量降低了2.3%,Top-1准确率提升了0.57个百分点;与添加EMA(Efficient Multi-scale Attention)的ResNet50相比,添加CSA的ResNet50的计算量降低了18.4%,Top-1准确率提升了0.27个百分点。在COCO2017数据集上,添加CSA的YOLOv5s比添加CA和EMA的YOLOv5s在平均精度均值(mAP@50)上分别提升了0.5和0.2个百分点。可见,CSA达到了参数量和计算量的平衡,并能够同时提升图像分类任务的准确率和目标检测任务的定位能力。

关键词：注意力机制分组卷积通道重洗图像分类目标检测

来源：评论

学校读者我要写书评

暂无评论

基于强化特征金字塔和聚焦损失的小目标检测

引用

计算机科学与探索 2025年第3期19卷 693-702页

作者：施宇王乐姚叶鹏毛国君福建理工大学计算机科学与数学学院福州350118 福建理工大学福建省大数据挖掘与应用技术重点实验室福州350118 中国科学院信息工程研究所北京100084 景区交易数据要素化文化和旅游部技术创新中心福州350000

无人机航拍图像具有目标尺度小和背景复杂等特点,因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8,提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络,以跨层... 详细信息

无人机航拍图像具有目标尺度小和背景复杂等特点,因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8,提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络,以跨层级的方式融合注意力特征图来改进传统特征金字塔结构,通过增加浅层网络的高分辨率特征图和去除深层检测头来适应小目标检测需求。结合Complete-IOU和Focalloss损失函数思想,设计了一个基于面积交并比的聚焦损失函数,进一步提升小目标的检测能力。通过引入深度可分离卷积实现一个轻量化空间金字塔池化层模块,在减少参数量的同时保持模型的检测精度。在VisDrone和Tinyperson两个无人机航拍数据集上进行的大量实验显示,CFE-YOLO较基准模型的m AP0.50分别提高了4.72和5.58个百分点且参数量减少37.74%,同时与其他先进算法对比也取得更高的精度。

关键词：小目标检测航拍图像特征金字塔损失函数

来源：评论

学校读者我要写书评

暂无评论

二进制电鳗觅食优化算法研究

引用

中文科技期刊数据库（文摘版）工程技术 2025年第1期 160-166页

作者：李牧元福建理工大学计算机科学与数学学院福建福州350108 福建理工大学福建省大数据挖掘与应用技术重点实验室福建福州350108

电鳗觅食优化算法是一种近年提出的元启发式算法,主要用于解决连续优化问题,并在各类工程问题中有所应用。然而,许多实际的优化问题是离散的,因此需要开发算法的二进制版本。研究人员通常通过转换函数将连续解转化为离散解,以解决这些... 详细信息

电鳗觅食优化算法是一种近年提出的元启发式算法,主要用于解决连续优化问题,并在各类工程问题中有所应用。然而,许多实际的优化问题是离散的,因此需要开发算法的二进制版本。研究人员通常通过转换函数将连续解转化为离散解,以解决这些离散优化问题,但传统的S型转换函数容易发散而难以收敛,V型转换函数则容易陷入局部最优,难以跳出。针对这一问题,本文通过结合电鳗的能量因子,将S型和V型转换函数融合,提出了一种新的复合转换函数,用于电鳗算法的二值化。同时,由于电鳗算法在交互和迁徙阶段可能过早收敛,本文对算法进行了改进。具体来说,在交互阶段增加了权重控制因子,利用S型转换函数的发散特性,增强了全局搜索能力;在迁徙阶段引入了约束因子,约束电鳗的行为,避免过早收敛和陷入局部最优。通过在背包问题上的实验,验证了所提出的二进制电鳗觅食优化算法的有效性。

关键词：二进制优化算法电鳗觅食优化算法转换函数复合型转换函数背包问题

来源：评论

学校读者我要写书评

暂无评论

基于ASO算法的风光抽蓄联合运行调度

引用

福建理工大学学报 2025年第1期23卷 71-79页

作者：林航黄荣杰张翼阮仲体林金阳福建理工大学微电子技术研究中心福建福州350118 福建省大数据挖掘与应用技术重点实验室福建福州350118

风光发电的随机性和波动性在并网时对电网的稳定性和电网计划调度造成了极大影响,针对该问题提出了含风-光-抽蓄联合运行系统的多目标优化调度模型。利用抽水蓄能储存多余电量并且补偿电量不足时的缺口,使得风光发电成为稳定的可调度能... 详细信息

风光发电的随机性和波动性在并网时对电网的稳定性和电网计划调度造成了极大影响,针对该问题提出了含风-光-抽蓄联合运行系统的多目标优化调度模型。利用抽水蓄能储存多余电量并且补偿电量不足时的缺口,使得风光发电成为稳定的可调度能源。将电网波动、运行效益和水库水位波动作为3个优化目标,并用改进的原子搜索算法(IASO)对目标函数寻优求解,与原子搜索算法(ASO)、粒子群算法(PSO)、和差分进化算法(DE)进行对比,结果表明IASO算法对目标函数的寻优效果最好,在电网波动更小、运行效益更高和水库水位变化更小的情况下,弃风弃光量明显更低。所提风光抽蓄联合运行系统可以保证风光并网后电力系统安全、稳定、经济运行。

关键词： ASO算法抽水蓄能联合运行多目标优化

来源：评论

学校读者我要写书评

暂无评论

多尺度特征聚合扩散和边缘信息增强的小目标检测算法

引用

计算机工程与应用 2025年第7期61卷 105-116页

作者：江旺玉王乐姚叶鹏毛国君福建理工大学计算机科学与数学学院福州350118 福建理工大学福建省大数据挖掘与应用技术重点实验室福州350118 景区交易数据要素化文化和旅游部技术创新中心福州350000 中国科学院信息工程研究所北京100084

无人机航拍图像中,目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息,但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此... 详细信息

无人机航拍图像中,目标尺寸变化剧烈、背景复杂且小目标比例较高等特点为目标检测任务带来巨大挑战。尽管现有的基于卷积的目标检测算法能有效获取空间信息,但在实现不同尺度特征的全局交互及边缘细节信息的有效利用上仍存在不足。因此,提出了一种结合多尺度特征聚合扩散和边缘信息增强的小目标检测算法ADEYOLO。构建了多尺度特征聚合扩散金字塔网络(MFADPN),通过在中间层聚合不同层级特征,并将其直接扩散至相邻层以缩短传播路径,有效减少了信息在传递过程中的损失,增强了模型的多尺度表达能力,显著提升了对不同尺度目标的检测能力。设计了自适应上下文融合模块(ACFM),利用通道注意力机制自适应地调整不同特征图的贡献,进一步强化多尺度特征的融合效果,使得重要特征在信息融合过程中更加突出。提出的C2f-Sobel模块通过额外分支结合Sobel算子来提取图像的边缘信息,从而为模型提供了更丰富的细节信息,提升了其在复杂场景下目标定位能力。实验结果表明,ADE-YOLO相较于基线YOLOv10s,在VisDrone2019和TinyPerson数据集上分别提高了8.6个百分点和4.0个百分点(mAP0.5),并且在与其他先进模型的对比中也展示了显著的优势。

关键词：小目标检测航拍图像特征金字塔自适应特征融合边缘信息

来源：评论

学校读者我要写书评

暂无评论

基于对抗性的权重注意力机制序列到序列模型的锂离子电池SOC估计方法

引用

电工技术学报 2024年第19期39卷 6244-6256页

作者：陈治铭刘建华柯添赐陈可纬福建理工大学计算机科学与数学学院福州350018 福建省大数据挖掘与应用技术重点实验室福州350018

锂电池荷电状态(SOC)的准确估算是新能源技术发展中的一项关键技术,由于难以直接获取SOC准确数值,而面对此长序列预测问题,采用传统深度学习方法,其估算效果不佳。对此,该文提出一种对抗性的权重注意力序列到序列(AWAS)模型以估算SOC,... 详细信息

锂电池荷电状态(SOC)的准确估算是新能源技术发展中的一项关键技术,由于难以直接获取SOC准确数值,而面对此长序列预测问题,采用传统深度学习方法,其估算效果不佳。对此,该文提出一种对抗性的权重注意力序列到序列(AWAS)模型以估算SOC,其中权重注意力机制通过引入额外的线性变换增强了注意力机制提取长序列依赖的能力。该模型由门控循环单元(GRU)作为编码器和解码器的基本构建模块。首先利用编码器提取特征间的相关信息;其次将包含特征信息的隐藏向量交由权重注意力处理,以深化特征间的关联性学习;再次由GRU进行解码;最后与生成对抗网络(GAN)中的鉴别器联合,提高模型估算能力。通过多步SOC估算任务的测试实验,该文提出的模型估算SOC的方均根误差及平均绝对百分比误差分别达到0.1695%和0.2096%;同时,在不同数据集的单步估算任务测试中,平均绝对误差和方均根误差达到0.1412%和0.1094%;相比稀疏化Informer模型在平均绝对误差评估指标上降低了45.7%。

关键词：锂电池荷电状态序列到序列模型对抗生成网络稀疏化Informer 注意力

来源：评论

学校读者我要写书评

暂无评论

基于多尺度流模型的视觉异常检测研究

引用

自动化学报 2024年第3期50卷 640-648页

作者：毛国君吴星臻邢树礼福建理工大学计算机科学与数学学院福州350118 福建省大数据挖掘与应用技术重点实验室福州350118

针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部... 详细信息

针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部构建层级式的多尺度架构来避免多通道数据的冗余交叉计算,同时保证网络的多尺度表达能力.此外,设计的层级感知模块通过逐层级的多粒度特征融合,在细粒度级别表达多尺度特征,有效地提高分布估计的精确性.该方法是一个平衡检测精度与计算效率的解决方案.在两个公开数据集上的实验表明,所提方法相较于以往的检测模型能够获得更高的检测精度(在MVTec AD和BTAD数据集上的平均AUROC(Area under the receiver operating characteristics)分别为99.7%和96.0%),同时具有更高的计算效率,浮点运算次数(Floating point operations,FLOPs)约为CS-Flow的1/8.

关键词：异常检测流模型层级感知多尺度特征

来源：评论

学校读者我要写书评

暂无评论

一种对抗性的权重注意力机制Seq2Seq模型估算SOC

引用

电工技术学报 2023年

作者：陈治铭刘建华柯添赐陈可纬福建理工大学计算机科学与数学学院福建省大数据挖掘与应用技术重点实验室

锂电池荷电状态（SOC）准确估算是新能源技术发展中的一项关键技术问题，由于难以直接获取SOC准确数值，而面对此长序列预测问题，采用传统深度学习方法，其估算效果不佳。对此，本文提出一种对抗性的权重注意力序列到序列(AWAS)模型，... 详细信息

锂电池荷电状态（SOC）准确估算是新能源技术发展中的一项关键技术问题，由于难以直接获取SOC准确数值，而面对此长序列预测问题，采用传统深度学习方法，其估算效果不佳。对此，本文提出一种对抗性的权重注意力序列到序列(AWAS)模型，用于估算SOC，其中权重注意力机制(Weighed Attention)通过引入额外的线性变换增强了注意力机制提取长序列依赖的能力。该模型由门控循环单元(Gated Recurrent Units，GRU)作为编码器和解码器的基本构建模块。首先利用编码器提取特征间的相关信息，然后将包含特征信息的隐藏向量交由权重注意力处理，以深化特征间的关联性学习，随后由GRU进行解码，最后与生成对抗网络(Generative Adversarial Network ，GAN)中的鉴别器(Discriminator）联合，提高模型估算能力。通过多步SOC估算任务的测试实验，本文提出的模型估算SOC的均方根误差以及平均绝对百分比误差分别达到0.169 5%和0.209 6%；同时，在不同数据集的单步估算任务测试验中，平均绝对误差和均方根误差达到0.141 2%和0.109 4%；相比稀疏化Informer模型在平均绝对误差评估指标上降低了45.7%。

关键词：锂电池荷电状态序列到序列模型对抗生成网络稀疏化Informer 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：