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：
基于端口注意力与通道空间注意力的网络异常流量检测 被引量：8
1
作者 肖斌 甘昀 +2 位作者 汪敏 张兴鹏 王照星 《计算机应用》 CSCD 北大核心 2024年第4期1027-1034,共8页
网络异常流量检测是网络安全保护重要组成部分之一。目前,基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待,忽略了端口号的重要性。为了提高异常流量检测性能,借鉴注意力思想,提出一个卷积神经网络(CNN)结合端... 网络异常流量检测是网络安全保护重要组成部分之一。目前,基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待,忽略了端口号的重要性。为了提高异常流量检测性能,借鉴注意力思想,提出一个卷积神经网络(CNN)结合端口注意力模块(PAM)和通道空间注意力模块(CBAM)的网络异常流量检测模型。首先,将原始网络流量作为PAM的输入,分离得到端口号属性送入全连接层,得到学习后的端口注意力权重值,并与其他流量属性点乘,输出端口注意力后的流量数据;其次,将流量数据转换成灰度图,利用CNN和CBAM更充分地提取特征图在通道和空间上的信息;最后,使用焦点损失函数解决数据不平衡的问题。所提PAM具有参数量少、即插即用和普遍适用的优点。在CICIDS2017数据集上,所提模型的异常流量检测二分类任务准确率为99.18%,多分类任务准确率为99.07%,对只有少数训练样本的类别也有较高的识别率。 展开更多
关键词 异常流量检测 注意力机制 数据不平衡 轻量级网络 通道空间注意力模块
在线阅读 下载PDF
融合PVTv2和DenseNet121的双注意力视网膜病变分级算法
2
作者 梁礼明 钟奕 +1 位作者 陈康泉 王成斌 《光电工程》 北大核心 2025年第4期15-29,共15页
针对视网膜眼底病变图像数据集类间分布不均和病灶区域识别困难的问题,提出一种融合金字塔视觉变压器(pyramid vision transformer v2,PVTv2)和DenseNet121双注意力视网膜病变分级算法。首先,该算法经由PVTv2和DenseNet121组成的双分支... 针对视网膜眼底病变图像数据集类间分布不均和病灶区域识别困难的问题,提出一种融合金字塔视觉变压器(pyramid vision transformer v2,PVTv2)和DenseNet121双注意力视网膜病变分级算法。首先,该算法经由PVTv2和DenseNet121组成的双分支网络,对视网膜图像的全局和局部信息进行初步提取;其次,在PVTv2和DenseNet121输出处分别采用空间通道协同注意力模块和多频率多尺度模块,优化局部特征细节,突显微小病灶特征,增强模型对复杂微小病变特征敏感性和病灶的定位感知;再次设计神经元交叉融合模块,建立病灶区域宏观布局和微观纹理信息之间的远程依赖关系,进而提高视网膜病变分级准确率;最后,利用混合损失函数缓解样本分布不均所导致的各等级之间模型关注度不平衡情况。在IDRID和APTOS 2019数据集上进行实验验证,其二次加权系数分别为90.68%和90.35%,IDRID数据集上的准确率和APTOS 2019数据集ROC曲线下方面积分别为80.58%和93.22%。实验结果表明,所提算法在视网膜病变分级领域具有一定应用价值。 展开更多
关键词 视网膜病变分级 空间通道协同注意力模块 多频率多尺度注意力模块 神经元交叉融合模块
在线阅读 下载PDF
基于压缩图像与YOLOv5模型的架空输电线路缺陷检测技术 被引量：1
3
作者 刘敏 姜亮 +2 位作者 田杨阳 张璐 陈岑 《沈阳工业大学学报》 北大核心 2025年第2期152-159,共8页
【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,... 【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,无论何种方式都需要处理大量可视化、红外或者紫外照片。但由于输电线路的特殊性,架设条件涉及多种环境,其巡检图像背景通常较为复杂,采用人工复核审查的方式精度较高,但对经验依赖较大且效率极低。如何快速、准确地识别架空线路巡检图片是架空输电线路缺陷识别的关键。传统输电线路巡检图片识别方法在复杂背景的干扰下,容易出现缺陷识别精确度不高的问题。【方法】为提高架空输电线路巡检图像复杂背景下的检测准确率,提出了一种兼顾识别效率和准确性的缺陷检测方法。基于压缩图像技术并结合YOLOv5模型,设计了一种基于稀疏卷积的非对称特征聚合压缩算法,将原始图像通过编码减少图像存储所需空间以便于存储和传输,经过信息通道传输到解密器后,再将压缩图像进行解码复原以提升局部集合特征的学习效率。同时,通过融入通道空间注意力模块从特征图中得到注意力通道权重矩阵和空间权重矩阵,并通过权重矩阵判断特征图区域的重要程度,完成对YOLOv5模型处理效率的提升。【结果】将压缩恢复后的图像输入改进YOLOv5模型中,利用通道注意力模块(CAM)和空间注意力模块(SAM)分别对图像进行通道与空间上的注意力数据处理,通过全局平均池化和最大池化处理增强目标区域的特征,并引入空间注意力模块增强通道注意力对特征位置信息的关注,以检测出存在缺陷的设备,并通过实验验证了方法的有效性。【结论】以某架空线路的巡检图像数据集为基础,对检测方法开展训练与测试,结果表明,巡检图像经所提技术压缩后,尺寸明显减小,恢复后的图像尺寸较原图约降低了3 MB且未出现失真;改进YOLOv5模型具有较高的检测精确度,其检测准确率和时间分别为0.91和0.87 s,算法在降低图像尺寸提升检测速度的同时保证了检测准确率。 展开更多
关键词 架空输电线路 缺陷检测 图像压缩 改进YOLOv5模型 非对称特征聚合编解码网络 通道空间注意力模块 逐通道稀疏残差卷积 检测准确率
在线阅读 下载PDF
基于Densenet模型的步态相位识别研究 被引量：2
4
作者 付明凯 王少红 马超 《电子测量技术》 北大核心 2025年第1期119-128,共10页
步态识别是下肢外骨骼机器人的关键技术,精准地步态识别对下肢外骨骼机器人的柔性控制具有重要作用。为解决不同个体以及同一个体步态特征(步速、步幅等)的随机性,本文提出了一种基于Densenet改进的SECBAM-Densenet网络模型的步态相位... 步态识别是下肢外骨骼机器人的关键技术,精准地步态识别对下肢外骨骼机器人的柔性控制具有重要作用。为解决不同个体以及同一个体步态特征(步速、步幅等)的随机性,本文提出了一种基于Densenet改进的SECBAM-Densenet网络模型的步态相位识别方法。首先,将两个惯性测量单元布置在胫骨前部和大腿前侧的股直肌,采集了200人次受试者前进、转弯、上楼梯、下楼梯4种步态任务的步态数据。然后,对数据进行滤波重采样预处理后作为所提模型的输入。最后,利用SECBAM-Densenet模型得到输出模型的分类结果。结果显示,改进后SECBAM-Densenet模型在同一个体中不同步态相位平均识别准确率达到了95.76%,相比其他模型有0.66%~21.22%的提升。在不同个体中,相位的识别准确率均高于94%。以上试验结果表明,本文提出的模型可以应用于步态相位识别领域,并为下肢外骨骼机器人的柔性控制提供了试验参考。 展开更多
关键词 步态相位 Densenet SE-net注意力模块 空间通道注意力模块
在线阅读 下载PDF
基于CSLS-CycleGAN的侧扫声纳水下目标图像样本扩增法 被引量：2
5
作者 汤寓麟 王黎明 +3 位作者 余德荧 李厚朴 刘敏 张卫东 《系统工程与电子技术》 EI CSCD 北大核心 2024年第5期1514-1524,共11页
针对侧扫声纳水下目标图像稀缺,获取难度大、成本高,导致基于深度学习的目标检测模型性能差的问题,结合光学域类目标数据集丰富的现状,提出一种基于通道和空间注意力(channel and spatial attention,CSA)模块、最小二乘生成对抗生成网络... 针对侧扫声纳水下目标图像稀缺,获取难度大、成本高,导致基于深度学习的目标检测模型性能差的问题,结合光学域类目标数据集丰富的现状,提出一种基于通道和空间注意力(channel and spatial attention,CSA)模块、最小二乘生成对抗生成网络(least squares generative adversarial networks,LSGAN)及循环对抗生成网络(cycle generative adversarial networks,CycleGAN)的侧扫声纳水下目标图像样本扩增方法。首先,受CycleGAN的启发,设计基于循环一致性的单循环网络结构,保证模型的训练效率。然后,在生成器中融合CSA模块,减少信息弥散的同时增强跨纬度交互。最后,设计了基于LSGAN的损失函数,提高生成图像质量的同时提高训练稳定性。在船舶光学域数据集与侧扫声纳沉船数据集上进行实验,所提方法实现了光学-侧扫声纳样本间信息的高效、稳健转换以及大量侧扫声纳目标样本的扩增。同时,基于本文生成样本训练后的检测模型进行了水下目标检测,结果表明,使用本文样本扩增数据训练后的模型在少样本沉船目标检测的平均准确率达到了84.71%,证明了所提方法实现了零样本和小样本水下强代表性目标样本的高质量扩增,并为高性能水下目标检测模型构建提供了一种新的途径。 展开更多
关键词 样本扩增 侧扫声纳 循环生成对抗网络 通道和空间注意力模块 最小二乘生成对抗网络
在线阅读 下载PDF
基于改进MobileNetV3烧结断面火焰图像识别 被引量：5
6
作者 梁秀满 安金铭 +2 位作者 曹晓华 曾凯 王福斌 《电子测量技术》 北大核心 2023年第14期182-187,共6页
烧结机尾断面火焰图像蕴含大量与烧结终点相关的特征信息,充分利用烧结火焰图像特征信息进行在线判断烧结终点状态,具有可行性及工程实际意义。针对烧结机尾断面火焰图像特征信息难以提取、识别精度低以及难以满足实时性等问题,提出一... 烧结机尾断面火焰图像蕴含大量与烧结终点相关的特征信息,充分利用烧结火焰图像特征信息进行在线判断烧结终点状态,具有可行性及工程实际意义。针对烧结机尾断面火焰图像特征信息难以提取、识别精度低以及难以满足实时性等问题,提出一种基于改进的MobileNetV3烧结断面火焰图像识别算法。以MobileNetV3作为烧结终点火焰状态特征信息提取的基础模型,引入注意力机制;改进通道注意力结构,减少特征损失提高识别精度;引入空间注意力机制,设计双分支通道空间注意力模块精确捕捉了红火区在烧结断面火焰图像中的位置和内容信息;引入数据增强和余弦退火学习率来提高模型的泛化能力,并采用冻结训练策略加速模型收敛。在烧结火焰数据集上的实验表明,该算法能够充分利用烧结火焰图像中的特征信息,识别准确率达到97.54%,较改进前提高了6.41%。 展开更多
关键词 双分支通道空间注意力模块 MobileNetV3 烧结火焰图像 余弦退火
在线阅读 下载PDF
基于2D CNN和Transformer的人体动作识别 被引量：17
7
作者 朱相华 智敏 殷雁君 《电子测量技术》 北大核心 2022年第15期123-129,共7页
人体动作识别是计算机视觉领域的研究热点之一,在人机交互、视频监控等方面具有深远的理论研究意义。为了解决2D CNN无法有效获取时间关系等问题,利用Transformer在建模长期依赖关系上的优势,引入Transformer架构并将其与2D CNN相结合... 人体动作识别是计算机视觉领域的研究热点之一,在人机交互、视频监控等方面具有深远的理论研究意义。为了解决2D CNN无法有效获取时间关系等问题,利用Transformer在建模长期依赖关系上的优势,引入Transformer架构并将其与2D CNN相结合用于人体动作识别,以更好地捕获上下文时间信息。首先使用融合通道-空间注意力模块的2D CNN提取强化的帧内空间特征,其次利用Transformer捕捉帧间的时间特征,最后应用MLP Head进行动作分类。实验结果表明在HMDB-51数据集和UCF-101数据集上分别达到了69.4%和95.5%的识别准确度。 展开更多
关键词 人体动作识别 2D CNN 通道-空间注意力模块 TRANSFORMER
在线阅读 下载PDF
基于重参数化多尺度融合网络的高效极暗光原始图像降噪 被引量：3
8
作者 魏恺轩 付莹 《计算机科学》 CSCD 北大核心 2022年第8期120-126,共7页
实用的暗光降噪增强解决方案往往需要具备计算速度快、内存效率高、能够实现视觉上高质量的降噪等优点。现有方法大多以提升降噪质量为目标,因此在速度和内存要求上有所折中,这在很大程度上限制了其实用性。文中提出了一种新的深度降噪... 实用的暗光降噪增强解决方案往往需要具备计算速度快、内存效率高、能够实现视觉上高质量的降噪等优点。现有方法大多以提升降噪质量为目标,因此在速度和内存要求上有所折中,这在很大程度上限制了其实用性。文中提出了一种新的深度降噪网络——重参数化多尺度融合网络,用于极暗光单张原始图像降噪,在不损失降噪性能的同时加快模型的推断速度并降低内存开销。具体地,在多尺度空间提取图像特征,利用轻量级的空间通道并行注意力模块动态自适应地聚焦于空间及通道中的核心特征;同时使用重参数化的卷积单元,在不增加任何推断计算量的情况下进一步丰富模型的表征能力。该模型在常见CPU上(如Intel i7-7700K)可以在1s左右恢复超高清4K分辨率图像,在普通GPU(如NVIDIA GTX 1080Ti)上以24帧率的速度运行,在几乎4倍快于现有先进方法(如UNet)的同时仍保持具有竞争力的恢复质量。 展开更多
关键词 重参数化卷积单元 多尺度融合 空间通道并行注意力模块 极暗光图像降噪
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