-
题名基于残差细化和边界感知的显著性检测
- 1
-
-
作者
郑陈怡
祝忠明
罗聪敏
郭明昊
-
机构
成都理工大学信息科学与技术学院
-
出处
《科技通报》
2021年第2期72-74,共3页
-
文摘
针对目前显著性检测算法精度不高、目标边缘模糊等问题,本文提出一种基于残差细化和边界感知的显著性检测算法。其中残差细化充分利用高层语义特征和低层细节特征得到信息较为完整的显著图,而边界感知能关注到更多的边缘细节信息,解决目标边缘模糊的问题。实验表明,通过定性和定量比较,本文算法的精确度和准确度都得到了提高,且有效解决了目标边界模糊的问题。
-
关键词
残差细化
边界感知
混合损失函数
显著性检测
-
Keywords
residuals refinement
edge perception
mixed loss function
saliency detection
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于Transformer音频隐写技术探析
- 2
-
-
作者
张晗
张文倩
赵永梅
卢盈齐
-
机构
空军工程大学装备管理与无人机工程学院
空军工程大学
空军工程大学防空反导学院作战指挥教研室
-
出处
《数字技术与应用》
2025年第1期73-75,共3页
-
文摘
近年来,Transformer模型在音频隐写领域的应用取得了显著进展,其得益于自注意力机制和序列建模能力。本文介绍了当前基于Transformer的音频隐写技术的最前沿进展。Transformer通过自注意力机制有效捕捉音频信号的时序依赖关系,提升了隐写的感知质量和信息容量。此外,通过精确控制信息嵌入,Transformer在保证音频自然度的同时提高了信息传递效率。其鲁棒性也有助于抵抗传输过程中的失真和干扰,增强了音频隐写的稳定性和可靠性。在优化策略方面,梯度下降(GD)、随机梯度下降(SGD)和Adam优化器等算法被广泛应用。Adam优化器结合了梯度下降和动量方法的优势,能够自适应调整学习率,提高优化效率和稳定性。在实际应用中,损失函数和优化策略的选择取决于问题性质和数据分布。
-
关键词
注意力机制
梯度下降
音频隐写
信息容量
数据分布
优化器
感知质量
损失函数
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
TN912.3
[电子电信—通信与信息系统]
-
-
题名不平衡数据下基于改进门控卷积网络的轴承故障诊断
- 3
-
-
作者
郗昌盛
梁小夏
田少宁
杨杰
冯国金
甄冬
-
机构
河北工业大学机械工程学院
河北工业大学先进装备研究院有限公司
-
出处
《噪声与振动控制》
CSCD
北大核心
2024年第4期153-160,共8页
-
基金
国家自然科学基金资助项目(52275101)
天津市自然科学基金资助项目(21JCZDJC00720)
2022年河北省春晖计划资助项目(E2022202101)。
-
文摘
深度学习在滚动轴承故障诊断中具有广泛的应用,然而,现实中的监测数据往往具有不平衡性,这就会对模型的诊断性能产生很大影响。因此,提出一种基于改进门控卷积神经网络(Improved Gated Convolutional Neural Network,IGCNN)的故障诊断方法,用于数据不平衡条件下的故障诊断。首先,提出改进门控卷积层以增强特征提取能力,通过批量归一化技术提高模型的泛化能力。然后,使用标签分布感知边界(Label-distribution-aware Margin,LDAM)损失函数提高模型对少数类的敏感度,减小数据不平衡对模型的影响。将所提算法应用在两组故障轴承数据上,在数据不平衡率为20:1的情况下,所提算法仍然可达到92.71%和94.47%的故障识别率,而对比的其他主流深度学习模型在该情况下只有60%~72%的准确率,表明所提方法在数据集严重不平衡情况下具有很强的诊断能力和鲁棒性。
-
关键词
故障诊断
数据不平衡
改进门控卷积神经网络
标签分布感知边界损失函数
滚动轴承
-
Keywords
fault diagnosis
imbalanced data
improved gated convolutional neural network
label-distribution-aware margin loss
rolling bearings
-
分类号
TP206.3
[自动化与计算机技术—检测技术与自动化装置]
-
