-
题名多尺度语义特征水下图像增强研究
被引量：1
- 1
-
-
作者
郭强
孟祥众
-
机构
西安工业大学
-
出处
《兵器装备工程学报》
CAS
CSCD
北大核心
2022年第11期95-102,共8页
-
基金
陕西省自然科学基础研究计划资助项目(2022JM-318)
瞬态冲击技术重点实验室基金项目(6142606203209)。
-
文摘
针对水下武器图像对比度低,细节模糊等问题,提出多尺度语义特征水下图像增强算法。该算法将编码解码结构作为主框架结合多尺度语义特征模块使不同尺度信息融合,提升网络对语义信息的感知能力;同时,将注意力机制引入多尺度融合模块与生成模块中,加强网络提取不同像素特征的能力;此外,构造高斯金字塔函数,结合全局相似性、WGAN、VGG19色彩感知损失函数增强图像。实验结果表明,该算法相比较UDCP、fusion、UWCNN、UGAN算法在水下图像颜色质量评价与峰值信噪比整体上平均提升0.0719与17.0198;自然图像评价整体上下降0.0135。
-
关键词
多尺度语义特征模块
高斯金字塔损失函数
注意力机制
水下图像增强
武器测试系统
-
Keywords
multiscale semantic features
Gaussian loss function
attention mechanism
underwater image enhancement
weapon
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多尺度混合注意力卷积神经网络的关系抽取模型
被引量：4
- 2
-
-
作者
唐媛
陈艳平
扈应
黄瑞章
秦永彬
-
机构
贵州大学文本计算与认知智能教育部工程研究中心
公共大数据国家重点实验室(贵州大学)
贵州大学计算机科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2024年第7期2011-2017,共7页
-
基金
国家自然科学基金资助项目(62166007)
贵州省科技支撑计划项目([2022]277)。
-
文摘
针对基于卷积神经网络(CNN)的关系抽取获取句子语义信息时缺少不同尺度语义特征信息的获取以及对关键信息的关注的问题,提出基于多尺度混合注意力CNN的关系抽取模型。首先,将关系抽取建模为二维化表示的标签预测;其次,通过多尺度的特征信息提取与融合,获得更细粒度的多尺度空间信息;然后,通过注意力与卷积的结合自适应地细化特征图,使模型关注重要的上下文信息;最后,使用两个预测器共同预测实体对之间的关系标签。实验结果表明,多尺度混合卷积注意力模型能够获取多尺度语义特征信息,而通道注意力和空间注意力通过权重捕捉通道和空间的关键信息,以此来提升关系抽取的性能。所提模型在数据集SemEval(SemEval-2010 task 8)、TACRED(TAC Relation Extraction Dataset)、Re-TACRED(Revised-TACRED)和SciERC(Entities,Relations,and Coreference for Scientific knowledge graph construction)上的F1值分别达到90.32%、70.74%、85.71%和89.66%。
-
关键词
关系抽取
二维化表示
通道注意力
空间注意力
多尺度语义特征
-
Keywords
relation extraction
two-dimensional representation
channel attention
spatial attention
multi-scale semantic feature
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
