检索结果-维普期刊中文期刊服务平台

结合超轻量级双注意力模块的ShuffleNetV2面部表情识别被引量：2: 1; 作者林恩惠王凡谭晓玲《电子测量技术》北大核心 2024年第10期168-174,共7页; 针对面部表情识别领域中难以同时实现低参数量与高准确率的挑战,提出了一种结合注意力机制的ShuffleNetV2网络的面部表情识别方法。该方法基于ShuffleNetV2架构,通过微调模型将Relu激活函数替换为PRelu激活函数,进一步提升了模型的特征... 展开更多; 关键词面部表情识别方法的改进激活函数空间注意力机制轻量化模型超轻量级双注意力模块; 在线阅读下载PDF 职称材料

基于动态金字塔和子空间注意力的图像超分辨率重建网络被引量：6: 2; 作者何鹏浩余映徐超越《计算机科学》 CSCD 北大核心 2022年第S02期423-430,共8页; 针对现有单图像超分辨率卷积神经网络存在模型参数过多以及重建失真过大的问题,提出了一种基于动态金字塔结构与子空间注意力模块的轻量级单图像超分辨率网络模型。首先,所采用的动态多尺度金字塔特征组合模块的网络主体由动态卷积和金... 展开更多; 关键词超分辨率轻量级动态卷积金字塔分组卷积子空间注意力模块; 在线阅读下载PDF 职称材料

基于多尺度双阶段网络的图像超分辨率重建被引量：2: 3; 作者陈清江尹乐璇邵罗仡《应用光学》 CAS 北大核心 2023年第6期1343-1354,共12页; 针对目前图像超分辨率重建算法中所存在的特征信息提取不充分、重建图像细节信息模糊等问题,提出了一种多尺度双阶段网络来实现图像的超分辨率重建。首先,考虑到单尺度卷积层会出现特征信息提取不充分的现象,故而以多尺度卷积层为大体框... 展开更多; 关键词图像超分辨率重建多尺度双阶段跳跃连接注意力模块; 在线阅读下载PDF 职称材料

基于MTF-DARCNN的滚动轴承故障诊断方法: 4; 作者金岩缪成翔《机电工程》 2025年第11期2084-2095,共12页; 针对传统卷积神经网络模型由于滚动轴承的负载或转速变化而导致故障识别性能下降这一问题,提出了一种创新的基于马尔科夫转移场(MTF)与双注意力残差卷积神经网络(DARCNN)的轴承故障诊断方法。首先,采用MTF将原始信号转换为具有时间相关... 展开更多; 关键词轴承故障识别准确率马尔科夫转移场双注意力残差卷积神经网络压缩和激励-多尺度注意力模块轻量级残差模块全局注意力模块机械故障模拟; 在线阅读下载PDF 职称材料

题名结合超轻量级双注意力模块的ShuffleNetV2面部表情识别被引量：2: 1; 作者林恩惠王凡谭晓玲; 机构重庆三峡学院电子与信息工程学院; 出处《电子测量技术》北大核心 2024年第10期168-174,共7页; 基金重庆市重点实验室开放基金(ZD2020A0302)项目资助。; 文摘针对面部表情识别领域中难以同时实现低参数量与高准确率的挑战,提出了一种结合注意力机制的ShuffleNetV2网络的面部表情识别方法。该方法基于ShuffleNetV2架构,通过微调模型将Relu激活函数替换为PRelu激活函数,进一步提升了模型的特征捕获与分类能力。此外,本文创新性地引入了一种超轻量级双注意力模块LDAM,该模块结合了DCAM注意力机制与空间注意力机制,并通过捷径连接技术集成到优化后的ShuffleNetV2模型中,以增强模型对细节特征的识别能力及分类效果。在FER2013和CK+两大公认的面部表情识别数据集上的实验结果显示,本方法分别达到了69.12%和94.77%的识别准确率,同时保持了低至1.25的模型参数量。这一成果不仅展示了在保持模型轻量化的同时提升识别性能的可能性,而且通过实验验证了所提出方法的高效性和实用性。; 关键词面部表情识别方法的改进激活函数空间注意力机制轻量化模型超轻量级双注意力模块; Keywords improvement of facial expression recognition method activation function spatial attention mechanism lightweight model lightweight dual attention module; 分类号 TN911.73 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于动态金字塔和子空间注意力的图像超分辨率重建网络被引量：6: 2; 作者何鹏浩余映徐超越; 机构云南大学信息学院; 出处《计算机科学》 CSCD 北大核心 2022年第S02期423-430,共8页; 基金国家自然科学基金(62166048,61263048) 云南省应用基础研究计划项目(2018FB102); 文摘针对现有单图像超分辨率卷积神经网络存在模型参数过多以及重建失真过大的问题,提出了一种基于动态金字塔结构与子空间注意力模块的轻量级单图像超分辨率网络模型。首先,所采用的动态多尺度金字塔特征组合模块的网络主体由动态卷积和金字塔分组卷积构成。其次,动态卷积可以根据不同的图像内容自适应地进行不同的卷积操作,从而对不同的图像提取出不同的特征;金字塔分组卷积不仅可以更好地提取多尺度图像特征信息,而且能够有效降低网络模型的参数量。最后,在网络模型末端采用子空间注意力模块,将图像的通道空间分为多个子空间,并为每个子空间学习不同的注意力图,这样不仅可以更好地捕获图像的跨通道相关信息,而且可以有效融合各子空间的图像特征信息。与现有主流算法相比,所提方法不仅具有更小的网络模型参数量,而且重建出的超分辨率图像在视觉效果和定量分析方面均能取得更好的表现。; 关键词超分辨率轻量级动态卷积金字塔分组卷积子空间注意力模块; Keywords Super-resolution Lightweight Dynamic convolution Pyramid grouping convolution Subspace attention block; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于多尺度双阶段网络的图像超分辨率重建被引量：2: 3; 作者陈清江尹乐璇邵罗仡; 机构西安建筑科技大学理学院; 出处《应用光学》 CAS 北大核心 2023年第6期1343-1354,共12页; 基金国家自然科学基金(61902304) 陕西省自然科学基础研究计划(2021JQ-495)。; 文摘针对目前图像超分辨率重建算法中所存在的特征信息提取不充分、重建图像细节信息模糊等问题,提出了一种多尺度双阶段网络来实现图像的超分辨率重建。首先,考虑到单尺度卷积层会出现特征信息提取不充分的现象,故而以多尺度卷积层为大体框架,设计网络模型;其次,考虑到重建后的图像效果,将整体网络分为2个阶段,第1阶段根据输入的低分辨率图像进行特征信息的提取和重建,第2阶段对重建后的图像进行更深一步的特征细化,从而提高重建图像的视觉效果;整体网络中还引入了跳跃连接和注意力模块,以加强特征信息的有效传播;最后,以数据集Set5、Set14、Urban100、BSDS100和Manga109作为测试集展开实验,峰值信噪比和结构相似度作为图像质量的评价指标。实验结果表明,二者的值相比以往均有所提高,且重建图像视觉效果较好。因此,该算法在客观评价和主观视觉上都取得了较好的结果。; 关键词图像超分辨率重建多尺度双阶段跳跃连接注意力模块; Keywords image super-resolution reconstruction multi-scale two stage jump connection attention module; 分类号 TN919.81 [电子电信—通信与信息系统] TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于MTF-DARCNN的滚动轴承故障诊断方法: 4; 作者金岩缪成翔; 机构金川集团镍钴有限公司镍冶炼厂; 出处《机电工程》 2025年第11期2084-2095,共12页; 基金国家自然科学基金面上项目(52465013)。; 文摘针对传统卷积神经网络模型由于滚动轴承的负载或转速变化而导致故障识别性能下降这一问题,提出了一种创新的基于马尔科夫转移场(MTF)与双注意力残差卷积神经网络(DARCNN)的轴承故障诊断方法。首先,采用MTF将原始信号转换为具有时间相关性的二维图像,这种转换有助于更好地捕捉信号的时序特征;然后,构建了压缩和激励-多尺度注意力模块(SE-MSAM),该模块能够有效提取不同尺度下的特征信息,以增强模型对多层次特征的理解;接着,设计了轻量级残差模块(LRM),该模块不仅降低了计算复杂度,还提升了特征学习的有效性,增强了模型的整体性能;最后,引入全局注意力模块(GAM)提升了特征区分,基于此开发MTF-DARCNN方法用于轴承故障诊断;并采用了美国凯斯西储大学及本实验室机械故障模拟(MFS)轴承数据集,在变工况条件下,对模型故障诊断的鲁棒性与泛化性能进行了实验验证。研究结果表明:MTF-DARCNN方法在变负载和变转速的工况下,平均识别准确率分别达到了99%和98.47%;此外,在不同工况下,该方法的诊断稳定性也明显优于其他诊断方法;这些高准确率的结果充分验证了MTF-DARCNN方法不仅具备卓越的故障识别能力,还展现了在面对多样化工况挑战时的更高泛化能力。这意味着在工况变化的条件下,该方法能有效进行故障诊断,确保设备的正常运行。; 关键词轴承故障识别准确率马尔科夫转移场双注意力残差卷积神经网络压缩和激励-多尺度注意力模块轻量级残差模块全局注意力模块机械故障模拟; Keywords accuracy of bearing fault identification Markov transition field(MTF) dual attention residual convolutional neural network(DARCNN) squeeze and excitation-multi scale attention module(SE-MSAM) lightweight residual module(LRM) global attention module(GAM) mechanical fault simulation(MFS); 分类号 TH133.3 [机械工程] TH17 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	结合超轻量级双注意力模块的ShuffleNetV2面部表情识别	林恩惠王凡谭晓玲	《电子测量技术》北大核心	2024	2	在线阅读下载PDF 职称材料
2	基于动态金字塔和子空间注意力的图像超分辨率重建网络	何鹏浩余映徐超越	《计算机科学》 CSCD 北大核心	2022	6	在线阅读下载PDF 职称材料
3	基于多尺度双阶段网络的图像超分辨率重建	陈清江尹乐璇邵罗仡	《应用光学》 CAS 北大核心	2023	2	在线阅读下载PDF 职称材料
4	基于MTF-DARCNN的滚动轴承故障诊断方法	金岩缪成翔	《机电工程》	2025		在线阅读下载PDF 职称材料