期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合注意力机制及DenseASPP改进的DeeplabV3+遥感图像分割方法
被引量：
11
1
作者
周羿
刘德儿
《遥感信息》
CSCD
北大核心
2023年第3期85-92,共8页
由于遥感影像分辨率的提高,卷积层需要更大的感受野来捕获语义信息。DeeplabV3+模型在使用较大空洞率时会出现空洞卷积低效或失效的问题,同时该模型依靠卷积运算捕获的是局部信息,难以建立长距离依赖。为此,文章设计了一种基于DeeplabV3...
由于遥感影像分辨率的提高,卷积层需要更大的感受野来捕获语义信息。DeeplabV3+模型在使用较大空洞率时会出现空洞卷积低效或失效的问题,同时该模型依靠卷积运算捕获的是局部信息,难以建立长距离依赖。为此,文章设计了一种基于DeeplabV3+的改进模型,在原模型中添加金字塔拆分注意力模块(pyramid split attention,PSA),通过金字塔结构,使网络关注关键信息,帮助模型提取像素级多尺度空间信息的同时建立长距离依赖关系。同时,将空间空洞金字塔池化模块(atrous spatial pyramid pooling,ASPP)替换为密集空间空洞金字塔池化模块(dense atrous spatial pyramid pooling,DenseASPP),帮助网络利用更多像素,获得更大感受野,得到更密集的特征金字塔,并避免了空洞卷积低效或失效的情况发生。为了验证模型效果,分别使用Vaihingen和WHDLD数据集进行实验。相较于原模型,该模型的MIoU提高了2.8%~0.9%,F1分数提高了2.1%~0.73%;通过与其他现有模型进行对比,该方法在分割效果上也有明显的提升。
展开更多
关键词
语义分割
DeeplabV3+
金字塔
拆分
注意力
模块
密集空间空洞
金字塔
池化
残差网络
在线阅读
下载PDF
职称材料
PAM结合TCN优化Transformer的光伏功率预测研究
2
作者
张红
李峰
+2 位作者
马彦宏
姬文宣
郑启鹏
《计算机工程》
北大核心
2025年第10期140-149,共10页
准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。...
准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。基于多种特征选择机制筛选输入特征,增强对光伏数据特征的表征能力;利用粗粒度构造模块和PAM优化Transformer编码器,在多尺度上捕获光伏功率的长期时间依赖特征;利用光伏功率日出日落效应约束机制和TCN优化Transformer解码器,增强光伏功率的短期变化特征,以更好地捕捉其短期变化模式。在澳大利亚Sanyo数据集上进行实验,结果表明,Solarformer能够有效提高光伏功率的预测精度,相比DLinear模型,其均方根误差(RMSE)、平均绝对误差(MAE)和对称平均绝对百分比误差(SMAPE)分别降低了约7.45%、6.99%和14.10%。
展开更多
关键词
光伏功率预测
Transformer模型
金字塔注意力模块
约束机制
时间卷积网络
在线阅读
下载PDF
职称材料
题名
融合注意力机制及DenseASPP改进的DeeplabV3+遥感图像分割方法
被引量：
11
1
作者
周羿
刘德儿
机构
江西理工大学土木与测绘工程学院
出处
《遥感信息》
CSCD
北大核心
2023年第3期85-92,共8页
基金
国家自然科学基金项目(42271434)
江西省自然科学基金项目(20202BAB202025)。
文摘
由于遥感影像分辨率的提高,卷积层需要更大的感受野来捕获语义信息。DeeplabV3+模型在使用较大空洞率时会出现空洞卷积低效或失效的问题,同时该模型依靠卷积运算捕获的是局部信息,难以建立长距离依赖。为此,文章设计了一种基于DeeplabV3+的改进模型,在原模型中添加金字塔拆分注意力模块(pyramid split attention,PSA),通过金字塔结构,使网络关注关键信息,帮助模型提取像素级多尺度空间信息的同时建立长距离依赖关系。同时,将空间空洞金字塔池化模块(atrous spatial pyramid pooling,ASPP)替换为密集空间空洞金字塔池化模块(dense atrous spatial pyramid pooling,DenseASPP),帮助网络利用更多像素,获得更大感受野,得到更密集的特征金字塔,并避免了空洞卷积低效或失效的情况发生。为了验证模型效果,分别使用Vaihingen和WHDLD数据集进行实验。相较于原模型,该模型的MIoU提高了2.8%~0.9%,F1分数提高了2.1%~0.73%;通过与其他现有模型进行对比,该方法在分割效果上也有明显的提升。
关键词
语义分割
DeeplabV3+
金字塔
拆分
注意力
模块
密集空间空洞
金字塔
池化
残差网络
Keywords
semantic segmentation
DeeplabV3+
pyramid split attention
DenseASPP
residual network
分类号
TP753 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
PAM结合TCN优化Transformer的光伏功率预测研究
2
作者
张红
李峰
马彦宏
姬文宣
郑启鹏
机构
兰州理工大学计算机与通信学院
国网甘肃省电力公司
出处
《计算机工程》
北大核心
2025年第10期140-149,共10页
基金
甘肃省科技重大专项计划(25ZYJA037)
甘肃省重点人才项目(2024RCXM57)。
文摘
准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。基于多种特征选择机制筛选输入特征,增强对光伏数据特征的表征能力;利用粗粒度构造模块和PAM优化Transformer编码器,在多尺度上捕获光伏功率的长期时间依赖特征;利用光伏功率日出日落效应约束机制和TCN优化Transformer解码器,增强光伏功率的短期变化特征,以更好地捕捉其短期变化模式。在澳大利亚Sanyo数据集上进行实验,结果表明,Solarformer能够有效提高光伏功率的预测精度,相比DLinear模型,其均方根误差(RMSE)、平均绝对误差(MAE)和对称平均绝对百分比误差(SMAPE)分别降低了约7.45%、6.99%和14.10%。
关键词
光伏功率预测
Transformer模型
金字塔注意力模块
约束机制
时间卷积网络
Keywords
photovoltaic power prediction
Transformer model
Pyramidal Attention Module(PAM)
binding mechanism
Temporal Convolutional Network(TCN)
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
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
融合注意力机制及DenseASPP改进的DeeplabV3+遥感图像分割方法
周羿
刘德儿
《遥感信息》
CSCD
北大核心
2023
11
在线阅读
下载PDF
职称材料
2
PAM结合TCN优化Transformer的光伏功率预测研究
张红
李峰
马彦宏
姬文宣
郑启鹏
《计算机工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
