基于多尺度深度图自适应融合的单目深度估计 被引量：2

1

作者 郑游 王磊 杨紫文 《武汉工程大学学报》 CAS 2024年第1期85-90,共6页

深度估计网络通常具有较多的网络层数,图像特征在网络编码和解码过程中会丢失大量信息,因此预测的深度图缺乏对象结构细节且边缘轮廓不清晰。本文提出了一种基于多尺度深度图自适应融合的单目深度估计方法,可有效保留对象的细节和几何... 深度估计网络通常具有较多的网络层数,图像特征在网络编码和解码过程中会丢失大量信息,因此预测的深度图缺乏对象结构细节且边缘轮廓不清晰。本文提出了一种基于多尺度深度图自适应融合的单目深度估计方法,可有效保留对象的细节和几何轮廓。首先,引入压缩与激励残差网络(SE-ResNet),利用注意力机制对不同通道的特征进行编码,从而保留远距离平面深度图的更多细节信息。然后,利用多尺度特征融合网络,融合不同尺度的特征图,得到具有丰富几何特征和语义信息的特征图。最后,利用多尺度自适应深度融合网络为不同尺度特征图生成的深度图添加可学习的权重参数,对不同尺度的深度图进行自适应融合,增加了预测深度图中的目标信息。本文方法在NYU Depth V2数据集上预测的深度图具有更高的准确度和丰富的物体信息,绝对相对误差为0.115,均方根误差为0.525,精确度最高达到99.3%。 展开更多

关键词 单目深度估计 注意力机制 多尺度特征融合网络 多尺度深度自适应融合网络

在线阅读 下载PDF 职称材料

基于多尺度特征融合的生成对抗网络地震数据重建算法

2

作者 李跃 罗倩 段中钰 《石油物探》 北大核心 2025年第3期482-493,共12页

针对现有地震数据重建技术存在的空间连续性不足和重建细节偏差较大等问题,提出了基于多尺度特征融合与多维对抗的生成对抗网络(MSF-GAN)地震数据重建算法。首先,设计了多尺度特征融合的生成器,确保模型完整地提取地震数据特征并实现多... 针对现有地震数据重建技术存在的空间连续性不足和重建细节偏差较大等问题,提出了基于多尺度特征融合与多维对抗的生成对抗网络(MSF-GAN)地震数据重建算法。首先,设计了多尺度特征融合的生成器,确保模型完整地提取地震数据特征并实现多个尺度特征融合,在生成器部分设计了特征拼接模块,自适应地为地震数据添加掩膜,提高模型计算效率。然后,在算法的判别器部分,设计了多维对抗的判别器,分别从时间维度和测线维度对生成数据进行判别以提高重建精度。最后,使用Smooth L1损失函数作为重建损失,与对抗损失共同构成损失函数以更新生成器,提高地震数据重建精度。利用公开数据集和实测数据,验证了MSF-GAN算法的有效性以及对不同数据缺失情况的适用性。实验结果表明,与正交匹配追踪算法、凸集投影算法和频谱归一化生成对抗网络算法相比,MSF-GAN算法重建结果的结构相似性(SSIM)和峰值信噪比(PSNR)更高,能够更有效地恢复缺失数据,并且在地震数据随机缺失、连续缺失和规则缺失的情况下,MSF-GAN算法重建结果的细节信息更为完整,空间连续性更强。 展开更多

关键词 地震数据重建 生成对抗网络 多尺度特征融合 特征拼接 深度学习

在线阅读 下载PDF 职称材料

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究 被引量：4

3

作者 张玺君 尚继洋 《西安交通大学学报》 EI CAS CSCD 北大核心 2024年第2期127-135,共9页

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征... 针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。 展开更多

关键词 轴承故障诊断 卷积神经网络 自适应融合 注意力机制 多尺度特征

在线阅读 下载PDF 职称材料

基于多尺度自适应网络的ECT图像重建

4

作者 张立峰 常恩健 《计量学报》 CSCD 北大核心 2024年第8期1139-1146,共8页

为求解电容层析成像(ECT)中的非线性病态反问题,提出了一种多尺度自适应网络(MSANet)模型,该模型实现了更精细维度上多尺度特征的融合,且模型参数量相对较小。通过在单个残差块内构建树状结构组成多尺度特征融合模块,MSANet实现了更好... 为求解电容层析成像(ECT)中的非线性病态反问题,提出了一种多尺度自适应网络(MSANet)模型,该模型实现了更精细维度上多尺度特征的融合,且模型参数量相对较小。通过在单个残差块内构建树状结构组成多尺度特征融合模块,MSANet实现了更好的鲁棒性和更低的计算参数量;采用加入自适应空间阈值模块方式,进一步提高了图像的重建精度。实验结果表明:与线性反投影(LBP)算法、Landweber迭代算法及常用深度学习方法相比,该方法平均相对误差最小且平均相关系数最大,分别为0.181及0.967。 展开更多

关键词 多相流测量 机器视觉 电容层析成像 图像重建 深度学习 多尺度 自适应网络

在线阅读 下载PDF 职称材料

图注意力Transformer网络的自适应网格划分

5

作者 韩婷 叶佳 +1 位作者 闫连山 甘宗鑫 《光电工程》 北大核心 2025年第4期2-13,共12页

针对有限元分析中自适应网格划分面临的计算精度与效率协同优化难题,本研究提出基于注意力融合机制的GTF-Net框架。该模型创新融合图注意力网络与Transformer架构,通过多头交叉注意力模块实现局部几何特征与全局物理场的动态耦合,增强... 针对有限元分析中自适应网格划分面临的计算精度与效率协同优化难题,本研究提出基于注意力融合机制的GTF-Net框架。该模型创新融合图注意力网络与Transformer架构,通过多头交叉注意力模块实现局部几何特征与全局物理场的动态耦合,增强对奇异场及复杂边界的表征能力。经光波导传输和贝塞尔函数双案例验证,相较传统Scikit-FEM(skFem)方法,GTF-Net在保持计算效率优势的同时,梯度误差标准差分别降低85.9%和23.8%。结果表明,该框架通过非线性特征映射显著提升网格分布与物理场变化的匹配度,为解决工程计算中的自适应网格优化问题提供深度学习新方案。 展开更多

关键词 自适应网格细化 GATv2-Transformer融合网络 有限元分析 深度学习

在线阅读 下载PDF 职称材料

基于多尺度特征融合和注意力机制的视频异常检测方法

6

作者 吴祥 肖剑 吉根林 《应用科学学报》 北大核心 2025年第2期234-244,共11页

视频画面中的运动物体在不同时刻往往呈现出多样的尺度大小,这给视频异常检测带来了一定的挑战。尽管传统的生成对抗网络在视频异常检测任务上取得了一定成效,但因其采用单一尺度的特征提取方法,无法充分捕获不同尺度物体的特征,从而限... 视频画面中的运动物体在不同时刻往往呈现出多样的尺度大小,这给视频异常检测带来了一定的挑战。尽管传统的生成对抗网络在视频异常检测任务上取得了一定成效,但因其采用单一尺度的特征提取方法,无法充分捕获不同尺度物体的特征,从而限制了其异常检测的性能。针对该问题,本文基于生成对抗网络结构,提出了一种基于多尺度特征融合和注意力机制的视频异常检测方法。使用大小不同的卷积核捕获不同感受野的特征,并将它们进行融合以获得多尺度的特征表示。此外,在生成器的转置卷积层后引入坐标注意力机制,自适应分配特征图权重,从而增强模型对关键特征的感知能力。在公开数据集UCSD Ped2和Avenue上的实验结果表明,本文方法的性能优于其他同类方法。 展开更多

关键词 视频异常检测 深度学习 生成对抗网络 多尺度特征融合 注意力机制

在线阅读 下载PDF 职称材料

基于多尺度特征逐层融合深度神经网络的无参考图像质量评价方法 被引量：3

7

作者 杨春玲 杨雅静 《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2022年第4期81-89,141,共10页

现有的针对真实失真的无参考图像质量评价算法提取的特征对自然场景图像质量的表征能力较差,限制了其评估准确性和泛化能力。针对该问题,文中提出了一个基于多尺度特征逐层融合的深度神经网络(MsFF-Net)。首先,利用预训练的深度神经网络... 现有的针对真实失真的无参考图像质量评价算法提取的特征对自然场景图像质量的表征能力较差,限制了其评估准确性和泛化能力。针对该问题,文中提出了一个基于多尺度特征逐层融合的深度神经网络(MsFF-Net)。首先,利用预训练的深度神经网络ResNet-50提取图像多尺度特征;然后,提出了一种特征融合模块,通过逐层递进融合相邻尺度特征,获得更准确表征图像质量的多尺度融合特征;接着,从多尺度融合特征提取低维特征,得到多粒度的图像质量感知特征;最后,利用由最高层特征自适应生成的全连接神经网络,对低维特征进行回归,得到自然场景图像的质量预测。仿真结果表明,MsFF-Net在真实失真数据库上的性能优于目前的大多数方法,而且在合成失真数据库上也取得了出色的评价性能。 展开更多

关键词 无参考图像质量评价 真实失真 深度神经网络 多尺度特征融合

在线阅读 下载PDF 职称材料

多尺度特征融合的改进残差网络乳腺癌病理图像分类

8

作者 庄建军 吴晓慧 +1 位作者 景生华 孟东东 《中国生物医学工程学报》 CAS CSCD 北大核心 2024年第4期419-428,共10页

现有模型病理特征提取不充分以及开源数据集各类型数量不平衡等问题,使得乳腺癌病理图像的多分类研究仍具挑战性。本研究提出了一种多尺度特征融合的改进残差网络乳腺癌病理图像多分类方法。首先,以ResNet101残差网络作为基础,将CBAM注... 现有模型病理特征提取不充分以及开源数据集各类型数量不平衡等问题,使得乳腺癌病理图像的多分类研究仍具挑战性。本研究提出了一种多尺度特征融合的改进残差网络乳腺癌病理图像多分类方法。首先,以ResNet101残差网络作为基础,将CBAM注意力模块插入到每一个残差块中;接着,为了优化特征提取,将横向和纵向的多尺度特征融合集成到残差网络中;最后,引入焦点损失函数以解决数据分配不平衡问题。经BreakHis公开数据集混合放大倍数1582张病理图像训练验证,所提出的改进残差网络在乳腺癌病理图像八分类上的识别准确率为94.4%,较原始模型提升2.8%,优于大多数已有公开深度学习模型。该模型的提出为女性乳腺癌的筛查诊断和病理分类提供了更为有效的方法。 展开更多

关键词 乳腺癌病理图像 深度学习 残差网络 注意力机制 多尺度特征融合

在线阅读 下载PDF 职称材料

基于深度强化学习的异构融合网络接入算法

9

作者 肖雄 刘鸿雁 衣孟杰 《电子科技》 2024年第11期7-12,共6页

随着空、天、地各域通信网络的日趋成熟,跨域异构融合技术已成为未来通信网络一体化发展的重要方向。文中在空天地一体化网络向跨域异构融合需求的驱动下,针对异构网络中频谱资源利用率较低的问题,采用深度强化学习方法,通过建立异构融... 随着空、天、地各域通信网络的日趋成熟,跨域异构融合技术已成为未来通信网络一体化发展的重要方向。文中在空天地一体化网络向跨域异构融合需求的驱动下,针对异构网络中频谱资源利用率较低的问题,采用深度强化学习方法,通过建立异构融合网络系统模型,设计具有公平尺度的智能体接入算法,以系统吞吐量为最大化目标,选取符合空天地一体化特征的各通信网络制式并提取对应的接入协议。遵照公平原则,设置无量纲的信道参数,建立仿真场景。在仿真中引入多种对比策略,统计系统吞吐量、碰撞率、利用率和信道选择比例等指标。仿真结果表明,跨域异构融合网络的系统吞吐量提高了60%以上,系统信道利用效率提升了20%,业务分组碰撞率维持在10%,验证了文中算法对不同业务场景的适应性。 展开更多

关键词 异构融合网络 空天地一体化 深度强化学习 频谱利用率 接入协议 公平尺度 无量纲 系统吞吐量

在线阅读 下载PDF 职称材料

自适应多保真数据融合的神经网络模型

10

作者 陈柏宁 谢芳芳 孟旭辉 《气体物理》 2024年第4期1-8,共8页

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精... 数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。 展开更多

关键词 深度学习 多保真深度神经网络 多保真建模 自适应多保真数据融合的神经网络模型 气动分布

在线阅读 下载PDF 职称材料

基于多尺度注意力导向网络的单目图像深度估计 被引量：8

11

作者 刘杰平 温竣文 梁亚玲 《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2020年第12期52-62,共11页

针对现有基于深度学习的单目图像深度估计算法存在的空间分辨率低和边缘模糊等问题,提出了一种基于多尺度注意力导向网络的单目图像深度估计算法。首先设计了一个端到端的编码器-解码器模型,编码器以多个尺度进行特征提取。为了保证更... 针对现有基于深度学习的单目图像深度估计算法存在的空间分辨率低和边缘模糊等问题,提出了一种基于多尺度注意力导向网络的单目图像深度估计算法。首先设计了一个端到端的编码器-解码器模型,编码器以多个尺度进行特征提取。为了保证更好的深度连续性,解码器结合残差学习以及通道注意力融合,对提取的多尺度特征逐步优化细节以及场景结构。考虑到多次下采样会导致深度图细节的丢失,设计了边界增强模块,通过引入空间注意力,提升不同物体的类间对比度以增强图像的边界细节。最后,优化模块融合来自解码器和边界增强模块的多尺度特征,生成深度图像。实验结果表明,与当前主流的算法相比,文中算法生成的深度图像质量得到了提高,表现出了更细致的物体轮廓信息,在客观指标和主观效果上均有良好的表现。 展开更多

关键词 深度学习 单目图像深度估计 多尺度注意力导向网络 多尺度特征 通道注意力融合

在线阅读 下载PDF 职称材料

AdfNet:一种基于多样化特征的自适应深度伪造检测网络 被引量：2

12

作者 李家春 李博文 林伟伟 《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2023年第9期82-89,共8页

视频篡改造成的危害一直在危及人们的生活,这使深度伪造检测技术逐渐得到广泛关注和发展。然而,目前的检测方法由于使用了不灵活的约束条件,无法有效捕获噪声残差;此外,也忽略了纹理和语义特征之间的关联,以及时序特征对检测性能提升的... 视频篡改造成的危害一直在危及人们的生活,这使深度伪造检测技术逐渐得到广泛关注和发展。然而,目前的检测方法由于使用了不灵活的约束条件,无法有效捕获噪声残差;此外,也忽略了纹理和语义特征之间的关联,以及时序特征对检测性能提升的影响。为了解决上述问题,文中提出了一种用于深度伪造检测的、具有多样化特征的自适应网络(AdfNet),它通过提取语义特征、纹理特征和时序特征帮助分类器判断真伪;探索了自适应纹理噪声提取机制(ATNEM),通过未池化的特征映射与基于频域的通道注意力机制,灵活捕获非固定频段的噪声残差;设计了深层语义分析指导策略(DSAGS),通过空间注意力机制突出篡改痕迹,并引导特征提取器关注焦点区域的深层特征;研究了多尺度时序特征处理方法(MTFPM),利用时序注意力机制给不同视频帧分配权重,捕获被篡改视频中时间序列的差异。实验结果表明,所提出的网络在FaceForensics++(FF++)数据集HQ模式中的ACC值为97.41%,相比当前主流网络有较为明显的性能提升;并且在FF++数据集上保持AUC值为99.80%的同时,在CelebDF上AUC值可达到76.41%,具有较强的泛化性。 展开更多

关键词 深度学习 深度伪造检测 多尺度时序特征 注意力机制 自适应网络

在线阅读 下载PDF 职称材料

复杂场景下自适应注意力机制融合实时语义分割

13

作者 陈丹 刘乐 +2 位作者 王晨昊 白熙茹 王子晨 《电子与信息学报》 EI CAS CSCD 北大核心 2024年第8期3334-3342,共9页

实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息... 实现高准确度和低计算负担是卷积神经网络(CNN)实时语义分割面临的严峻挑战。针对复杂城市街道场景目标种类众多、光照变化大等特点,该文设计了一种高效的实时语义分割自适应注意力机制融合网络(AAFNet)分别提取图像空间细节和语义信息,再经过特征融合网络(FFN)获得准确语义图像。AAFNet采用扩展的深度可分离卷积(DDW)可增大语义特征提取感受野,提出自适应平均池化(Avp)和自适应最大池化(Amp)构成自适应注意力机制融合模块(AAFM),可细化目标边缘分割效果并降低小目标的漏分率。最后在复杂城市街道场景Cityscapes和CamVid数据集上分别进行了语义分割实验,所设计的AAFNet以32帧/s(Cityscapes)和52帧/s(CamVid)的推理速度获得73.0%和69.8%的平均分割精度(mIoU),且与扩展的空间注意力网络(DSANet)、多尺度上下文融合网络(MSCFNet)以及轻量级双边非对称残差网络(LBARNet)相比,AAFNet平均分割精度最高。 展开更多

关键词 卷积神经网络 复杂城市街道场景 扩展的深度可分离卷积 自适应注意力机制融合 分割精度

在线阅读 下载PDF 职称材料

适用于图像超分辨率的多路径融合增强网络 被引量：1

14

作者 沈俊晖 薛丽霞 +1 位作者 汪荣贵 杨娟 《微电子学与计算机》 2024年第3期59-70,共12页

卷积神经网络(Convolutional Neural Network,CNN)在单幅图像的超分辨率重建方面表现出了非常强大的能力,相比传统方法有着明显的改进。然而,尽管这些方法非常成功,但是由于需要大量的计算资源,直接应用于一些边缘设备并不现实。为了解... 卷积神经网络(Convolutional Neural Network,CNN)在单幅图像的超分辨率重建方面表现出了非常强大的能力,相比传统方法有着明显的改进。然而,尽管这些方法非常成功,但是由于需要大量的计算资源,直接应用于一些边缘设备并不现实。为了解决该问题,设计了一种轻量级的图像超分辨率重建网络——多路径融合增强网络(Multi-path Fusion Enhancement Network,MFEN)。具体来说,提出了一个新颖的融合注意力增强模块(Fusion Attention Enhancement Block,FAEB)作为多路径融合增强网络的主要构建模块。融合注意力增强模块由一条主干分支和两条层级分支构成:主干分支由堆叠的增强像素注意力模块组成,负责对特征图实现深度特征学习;层级分支则负责提取并融合不同大小感受野的特征图,从而实现多尺度特征学习。层级分支的融合方式则是以相邻的增强像素注意力模块输出为分支输入,通过自适应注意力模块(Self-Adaptive Attention Module,SAAM)来动态地增强不同大小感受野特征的融合程度,进一步补全特征信息,从而实现更全面、更精准的特征学习。大量实验表明,该多路径融合增强网络在基准测试集上具有更高的准确性。 展开更多

关键词 多路径融合增强网络 轻量化图像超分辨率重建 多尺度特征融合 自适应注意力 卷积神经网络

在线阅读 下载PDF 职称材料

结合高低频分解和多尺度两级融合策略的单一深度图去噪方法 被引量：1

15

作者 赵利军 王可 +2 位作者 张晋京 白慧慧 赵耀 《北京交通大学学报》 CAS CSCD 北大核心 2022年第5期30-41,共12页

现有的很多基于神经网络的深度图去噪方法忽略了深度图结构信息和细节信息之间的差异性,导致这些方法往往无法准确地恢复深度图的几何结构信息.为此,提出一种结合图像高低频分解和多尺度两级融合策略的单一深度图去噪方法.首先,考虑到... 现有的很多基于神经网络的深度图去噪方法忽略了深度图结构信息和细节信息之间的差异性,导致这些方法往往无法准确地恢复深度图的几何结构信息.为此,提出一种结合图像高低频分解和多尺度两级融合策略的单一深度图去噪方法.首先,考虑到不同噪声的差异性,引入多尺度高斯滤波器将含噪声的深度图分解为一组低频结构分量和一组高频细节分量.其次,考虑到低频结构信息和高频细节信息的互补特性,将这两组分量分别输入到基于多尺度两级融合的低频特征提取网络和高频特征提取网络,并且提出在这两个网络之间使用互补的特征加权融合机制进行多级特征融合和反馈.最后,对高低频特征提取网络输出的高低频增强特征,使用高低频合并重建模块进行残差预测,再将其与输入图相融合得到高质量的深度图.实验结果表明,在峰值信噪比、均方根误差、结构相似性和综合性能对比方面,本文方法比多个主流的深度图去噪方法如ARCNN、Fast ARCNN、DnCNN、ADNet和FFDNet拥有更好的性能. 展开更多

关键词 深度图去噪 图像分解 多尺度融合 深度神经网络

在线阅读 下载PDF 职称材料

基于双分支多尺度融合网络的毫米波SAR图像多目标语义分割方法 被引量：4

16

作者 丁俊华 袁明辉 《光电工程》 CAS CSCD 北大核心 2023年第12期70-80,共11页

在毫米波合成孔径雷达(SAR)安检成像违禁品的检测与识别中,存在着目标尺寸过小、目标被部分遮挡和多目标之间重叠等复杂情况,不利于违禁品的准确识别。针对这些问题,提出了一种基于双分支多尺度融合网络(DBMFnet)的违禁品检测方法。该... 在毫米波合成孔径雷达(SAR)安检成像违禁品的检测与识别中,存在着目标尺寸过小、目标被部分遮挡和多目标之间重叠等复杂情况,不利于违禁品的准确识别。针对这些问题,提出了一种基于双分支多尺度融合网络(DBMFnet)的违禁品检测方法。该网络使用Encoder-Decoder的结构,在Encoder阶段,提出一种双分支并行特征提取网络(DBPFEN)来增强特征提取;在Decoder阶段,提出一种多尺度融合模块(MSFM)来提高对目标的检测能力。实验结果表明,该方法的均交并比(mIoU)均优于现有的语义分割方法,降低了漏检与错检率。 展开更多

关键词 毫米波合成孔径雷达 违禁品检测 深度学习 语义分割 双分支多尺度融合网络

在线阅读 下载PDF 职称材料

基于多尺度循环卷积神经网络的卫星通信信号识别 被引量：1

17

作者 袁中群 陈卫 +2 位作者 梁栋 王成东 张恒 《中国电子科学研究院学报》 2024年第3期219-227,共9页

针对目前的卫星通信调制分类算法大多忽略了不同尺度特征的融合问题,提出了一个多尺度循环卷积神经网络模型。该网络结构整合了双分支设计、压缩与激励策略、多尺度残差网络以及长短期记忆网络,旨在全面捕捉信号的多尺度特性并有效建模... 针对目前的卫星通信调制分类算法大多忽略了不同尺度特征的融合问题,提出了一个多尺度循环卷积神经网络模型。该网络结构整合了双分支设计、压缩与激励策略、多尺度残差网络以及长短期记忆网络,旨在全面捕捉信号的多尺度特性并有效建模时间序列。实验结果表明:文中所提模型在0 dB以上的识别准确率达到了97.1%,在13 dB时更进一步提升至99%;与经典的CNN2模型和LSTM2模型相比,在识别准确率上展现了显著优势,且相较于识别性能接近的CLDNN2模型,参数量减少了47.7%,训练时间缩短了68%;尤其是QAM16和QAM64两种调制样式识别准确率显著上升并且保持较高水平,这也进一步证实了模型多尺度特征融合策略的有效性。 展开更多

关键词 自动调制识别 多尺度特征融合 卷积神经网络 深度学习

在线阅读 下载PDF 职称材料

深度图像修复的动态特征融合取证网络 被引量：4

18

作者 任洪昊 朱新山 卢俊彦 《哈尔滨工业大学学报》 EI CAS CSCD 北大核心 2022年第11期47-58,共12页

基于深度学习的图像修复方案在篡改后图像中遗留很少的痕迹信息给取证带来了极大的困难。目前针对深度图像修复的取证工作研究较少,并且存在篡改区域定位不准确的问题。为此,本文提出了一种动态特征融合取证网络(dynamic feature fusion... 基于深度学习的图像修复方案在篡改后图像中遗留很少的痕迹信息给取证带来了极大的困难。目前针对深度图像修复的取证工作研究较少,并且存在篡改区域定位不准确的问题。为此,本文提出了一种动态特征融合取证网络(dynamic feature fusion forensics network,DF 3 Net)用于定位经过深度图像修复操作的篡改区域。首先,该网络采用不同的篡改痕迹增强方式包括SRM滤波、空间域高通滤波和频率域高通滤波将单输入图像扩展到多输入,并提出动态特征融合模块对多种输入提取有效的修复痕迹特征后进行动态的特征融合;其次,网络采用编码器-解码器架构作为基础框架,并在编码器末端增加多尺度特征提取模块以获取不同尺度的上下文信息;最后,本文还设计了空间加权的通道注意力模块用于编、解码器之间的跳跃连接,以期实现有侧重地补充损失的边界细节。实验结果表明,面对不同的深度修复方案以及不同的图像数据库,DF 3 Net相较于现有的图像修复取证方法均可以更准确地定位篡改区域,并且对于JPEG压缩和高斯噪声具有较强的鲁棒性。 展开更多

关键词 图像修复取证 深度神经网络 深度修复 输入扩展 动态特征融合 痕迹特征 多尺度 注意力机制

在线阅读 下载PDF 职称材料

基于多尺度空洞卷积的滚动轴承故障诊断方法

19

作者 刘宇恒 曹井琛 侯钧译 《电子设计工程》 2025年第9期163-168,共6页

针对变工况下滚动轴承故障关键特征难以提取,导致轴承故障诊断准确性不足的问题,提出了一种基于ResNet-18网络的多尺度空洞卷积MACB(Multi-scale Atrous Convolution Block)融合特征加强注意力FEA(Feature Enhancement Attention)的故... 针对变工况下滚动轴承故障关键特征难以提取,导致轴承故障诊断准确性不足的问题,提出了一种基于ResNet-18网络的多尺度空洞卷积MACB(Multi-scale Atrous Convolution Block)融合特征加强注意力FEA(Feature Enhancement Attention)的故障诊断方法。利用多尺度的空洞卷积提取不同尺度的轴承故障信号特征,通过特征加强注意力强化了多尺度空洞卷积对关键特征的提取能力。采用美国凯斯西储大学轴承数据集进行实验,结果表明,该方法在不同载荷工况下的平均准确率达到了99.35%,具有较高的诊断准确率,为滚动轴承故障诊断的工程应用提供了参考。 展开更多

关键词 深度学习 多尺度空洞卷积 特征融合 振动信号 ResNet-18网络

在线阅读 下载PDF 职称材料

基于深度学习的图像超分辨率算法研究

20

作者 王艳群 《无线互联科技》 2025年第10期84-87,110,共5页

作为计算机视觉领域的前沿方向,图像分辨率增强技术通过智能算法实现低解析度影像向高解析度版本的重建生成。在人工智能技术迭代演进的驱动下,该技术已在视频编解码传输、临床影像诊断、卫星遥感影像解译及智能监控系统等场景完成实践... 作为计算机视觉领域的前沿方向,图像分辨率增强技术通过智能算法实现低解析度影像向高解析度版本的重建生成。在人工智能技术迭代演进的驱动下,该技术已在视频编解码传输、临床影像诊断、卫星遥感影像解译及智能监控系统等场景完成实践验证与工程转化。当前主流方法依据重建机理的本质区别可分为三大范式:基于像素插值的重建方法、样本驱动型重建算法以及数据驱动式学习框架。数据驱动式方法依托深度神经网络架构,通过建模低-高分辨率影像间的非线性变换规律,借助参数优化后的网络实现高频纹理特征的精准恢复。在单帧图像重建任务中,此类方法较传统方案展现出显著量化指标优势。文章研究深度学习方法在图像重建任务中的优化算法,提出自适应特征融合残差网络,通过引入自适应融合模块来融合不同层次的特征信息,提高了图像的重建质量。 展开更多

关键词 图像处理 图像超分辨率 深度学习 残差网络 自适应融合

在线阅读 下载PDF 职称材料