期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
结合上下文注意力的卷积自校正图像语义分割 被引量：3
1
作者 陈孝如 曾碧卿 《计算机工程与设计》 北大核心 2022年第2期525-533,共9页
针对现有图像语义分割中存在小目标对象分割精度不高等问题,提出一种结合上下文注意力的卷积自校正图像语义分割模型。使用上下文注意力机制挖掘局部区域内细粒度特征,结合上下文循环神经网络和残差学习充分挖掘图像的深层隐含语义特征... 针对现有图像语义分割中存在小目标对象分割精度不高等问题,提出一种结合上下文注意力的卷积自校正图像语义分割模型。使用上下文注意力机制挖掘局部区域内细粒度特征,结合上下文循环神经网络和残差学习充分挖掘图像的深层隐含语义特征;构建辅助分割模型,在给定图像和边界框注释的情况下生成每像素的标签分布,提出卷积自校正模型,实现分割模型的动态调整。基于3种数据集对所提模型的分割精度进行实验论证,实验结果表明,所提模型的分割精度与分割效果均明显高于其它模型,具有良好的泛化能力。 展开更多
关键词 上下文注意力 卷积自校正 图像语义分割 辅助分割模型 平均交并比 平均像素精度
在线阅读 下载PDF
小样本下自校正卷积神经网络的滚动轴承故障识别方法 被引量：16
2
作者 雷春丽 夏奔锋 +2 位作者 薛林林 焦孟萱 史佳硕 《仪器仪表学报》 EI CAS CSCD 北大核心 2022年第9期122-130,共9页
针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添... 针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。 展开更多
关键词 故障识别 小样本 自校正卷积 通道自注意力机制 滚动轴承
在线阅读 下载PDF
自校正信息融合Wiener反卷积滤波器 被引量：1
3
作者 郝钢 李云 +1 位作者 关琳琳 邓自立 《科学技术与工程》 2006年第8期917-921,共5页
对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若A... 对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若ARMA新息模型参数估计是一致的,则它收敛于当噪声方差已知时的最优融合Wiener反卷积滤波器。同单传感器情形相比,它可提高滤波精度。一个带三传感器的反卷积系统的仿真例子说明了其有效性。 展开更多
关键词 多传感器信息融合 反卷积 自校正Wiener反卷积滤波器 辨识 噪声方差估计 渐近最优性 现代时间序列分析方法
在线阅读 下载PDF
用于胸片分类的自校正特征融合金字塔网络
4
作者 宫霄霖 程琦 李锵 《天津大学学报（自然科学与工程技术版）》 EI CAS CSCD 北大核心 2024年第5期511-520,共10页
胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金... 胸部疾病的病灶区域面积差异较大,易受健康部位的影响,难以定位,并且用于诊断疾病的X射线胸片样本数据分布不平衡,导致胸部疾病分类网络的分类准确度较低.针对胸部疾病分类任务中仍然存在的问题和挑战,本文提出了一种自校正特征融合金字塔网络.该网络使用自校正卷积增强疾病部位在特征图上以及通道之间的位置联系,在不引入额外参数量的条件下增大了卷积的感受野,避免无病区域的信息干扰;然后通过特征融合金字塔网络整合多尺度图像特征信息,在获取高分辨率特征图的同时,能够准确地定位病变区域,可以更好地识别不同尺度疾病的特征,在多标签分类任务上具有独特的优势;同时引入频率通道注意力机制强化网络对疾病特征的提取能力,在上采样和特征融合变换之前,减少全局平均池化过程中造成的特征丢失;最后提出一种轮次焦点损失函数区分不同种类胸部疾病的训练程度,根据分类难易程度区分样本,并在不同的训练轮次调整权重,以解决胸部疾病样本分布不平衡问题.在ChestX-ray14数据集上的平均AUC值可达0.853,在CheXpert数据集上的平均AUC值可达0.903,超过了近年来较为先进的网络模型.实验结果表明,该网络与传统的胸部疾病分类网络相比能有效地提高胸部疾病的分类精度,并且具有较强的泛化能力. 展开更多
关键词 胸部疾病 自校正卷积 特征融合金字塔网络 频率通道注意力 轮次焦点损失函数
在线阅读 下载PDF
基于孪生表征对比学习的滚动轴承半监督故障诊断
5
作者 陈仁祥 张旭 +3 位作者 杨黎霞 梁栋 孙世政 董绍江 《振动与冲击》 北大核心 2025年第15期209-216,共8页
针对实际工程中滚动轴承故障数据标注成本昂贵,导致标签样本数量难以满足有监督模型训练需求的问题,提出基于孪生表征对比学习的滚动轴承半监督故障诊断方法。首先,利用添加高斯白噪声的数据增强方式在无标签数据上施加不同程度扰动得... 针对实际工程中滚动轴承故障数据标注成本昂贵,导致标签样本数量难以满足有监督模型训练需求的问题,提出基于孪生表征对比学习的滚动轴承半监督故障诊断方法。首先,利用添加高斯白噪声的数据增强方式在无标签数据上施加不同程度扰动得到正样本对,同时构建权重共享的孪生自校正卷积神经网络提取正样本对中高维特征;其次,基于对比学习策略构建负余弦相似度损失函数对正样本对的特征进行对比,通过最大化特征间的相关性为预训练阶段构建监督信息,促使模型学习无标签数据中正样本对一致性特征表示;然后,引入少量标签样本参与微调,建立特征表示与标签之间的映射关系;最终,将待测数据输入到微调后编码器模型,实现了滚动轴承的半监督故障诊断。所提方法从大量未标注数据中学习数据的内在结构和特征表示,不依赖于昂贵的标注过程。通过采集的滚动轴承数据和公共数据集HUST bearing进行试验验证,所提方法准确率均达到97%以上,证明了所提方法具有良好的诊断性能。 展开更多
关键词 滚动轴承 故障诊断 半监督 对比学习 自校正卷积
在线阅读 下载PDF
基于改进YOLOv5s模型的煤矸目标检测 被引量：37
6
作者 沈科 季亮 +1 位作者 张袁浩 邹盛 《工矿自动化》 北大核心 2021年第11期107-111,118,共6页
针对现有基于深度学习的煤矸目标检测方法存在检测速度慢且检测精度较低等问题,提出了一种改进YOLOv5s模型,并将其应用于煤矸目标检测中。改进YOLOv5s模型在YOLOv5s模型Backbone区域嵌入自校正卷积(SCConv)作为特征提取网络,可更好地融... 针对现有基于深度学习的煤矸目标检测方法存在检测速度慢且检测精度较低等问题,提出了一种改进YOLOv5s模型,并将其应用于煤矸目标检测中。改进YOLOv5s模型在YOLOv5s模型Backbone区域嵌入自校正卷积(SCConv)作为特征提取网络,可更好地融合多尺度特征信息;由于煤块和矸石的尺寸相对整张图像过小,对YOLOv5s模型Neck区域进行适当精简,将适合检测较大尺寸对象的19×19特征图分支删除,从而降低模型复杂度并提高检测实时性;对通过K-means算法聚类得到的锚框进行线性缩放,提高模型检测精度。基于改进YOLOv5s模型的煤矸目标检测实验表明,相较于YOLOv5s模型,改进YOLOv5s模型能准确检测出相应的煤块和矸石,且改进YOLOv5s模型大小降低了1.57 MB,帧速率增加了2.1帧/s,平均精度均值提高了1.7%,表明改进YOLOv5s模型检测精度和检测速度均有提升。 展开更多
关键词 煤矸分选 煤矸识别 煤矸目标检测 YOLOv5s 自校正卷积
在线阅读 下载PDF
基于梅尔频谱分离和LSCNet的声学场景分类方法 被引量：7
7
作者 费鸿博 吴伟官 +1 位作者 李平 曹毅 《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2022年第5期124-130,123,共8页
针对现有频谱分离方法进行声学场景分类研究时其分类准确率不高的问题,提出了一种基于梅尔频谱分离和长距离自校正卷积神经网络(long-distance self-calibration convolutional neural network,LSCNet)的声学场景分类方法。首先,介绍了... 针对现有频谱分离方法进行声学场景分类研究时其分类准确率不高的问题,提出了一种基于梅尔频谱分离和长距离自校正卷积神经网络(long-distance self-calibration convolutional neural network,LSCNet)的声学场景分类方法。首先,介绍了频谱的谐波打击源分离原理,提出了一种梅尔频谱分离算法,将梅尔频谱分离出谐波分量、打击源分量和残差分量;然后,结合自校正神经网络和残差增强机制,提出了一种长距离自校正卷积神经网络;该模型采用频域自校正算法以及长距离增强机制来保留特征图原始信息,通过残差增强机制和通道注意力增强机制加强了深层特征与浅层特征间的关联度,且结合多尺度特征融合模块,以进一步提取模型训练中输出层的有效信息,从而提高模型的分类准确率;最后,基于Urbansound8K和ESC-50数据集开展了声学场景分类实验。实验结果表明:梅尔频谱的残差分量能够针对性地减少背景噪音的影响,从而具有更好的分类性能,且LSCNet实现了对特征图中频域信息的关注,其最佳分类准确率分别达到90.1%和88%,验证了该方法的有效性。 展开更多
关键词 声学场景分类 梅尔频谱分离算法 长距离自校正卷积神经网络 频域自校正算法 多尺度特征融合
在线阅读 下载PDF
改进U型残差网络用于肺结节检测 被引量：3
8
作者 袁金丽 赵琳琳 +2 位作者 郭志涛 苏逸 卢成钢 《计算机工程与应用》 CSCD 北大核心 2022年第13期195-203,共9页
针对计算机断层扫描(CT)影像中肺结节检测灵敏度较低,且存在大量假阳性的问题,提出一种改进的U型残差网络用于肺结节检测。采取U-net网络的U型结构并利用残差学习方式构建深层次网络,同时引入自校正卷积增加特征的信息提取能力,进行通... 针对计算机断层扫描(CT)影像中肺结节检测灵敏度较低,且存在大量假阳性的问题,提出一种改进的U型残差网络用于肺结节检测。采取U-net网络的U型结构并利用残差学习方式构建深层次网络,同时引入自校正卷积增加特征的信息提取能力,进行通道间与局部信息增强,有利于检测不同形态的结节;通过引入的通道注意力机制,对特征提取过程中的特征进行重标定,实现自适应学习特征权重,进一步提高检测的准确率;引入DRloss作为该算法的分类损失函数,用于解决数据正负样本失衡问题。在LUNA16数据集对所提算法进行了验证,CPM得分达到0.901,提高了肺结节检测的灵敏度,而且有效降低了检测结果的平均假阳性个数,可有效辅助放射科医师对肺结节进行检测。 展开更多
关键词 图像处理 肺结节检测 自校正卷积 注意力机制 特征提取
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部