基于双通道Residual-LSTM的SINS/GNSS组合导航算法 被引量：1

1

作者 奔粤阳 王奕霏 +2 位作者 李倩 魏廷枭 周一帆 《仪器仪表学报》 EI CAS CSCD 北大核心 2024年第4期325-333,共9页

针对全球导航卫星系统信号中断情况下SINS/GNSS组合导航系统无法持续进行误差校正的问题,提出一种基于双通道Residual-LSTM的SINS/GNSS组合导航算法。首先,考虑到SINS经度、纬度误差传播特性不同所导致的模型输入、输出信息之间的非线... 针对全球导航卫星系统信号中断情况下SINS/GNSS组合导航系统无法持续进行误差校正的问题,提出一种基于双通道Residual-LSTM的SINS/GNSS组合导航算法。首先,考虑到SINS经度、纬度误差传播特性不同所导致的模型输入、输出信息之间的非线性相关性差异化,构建具有不同权重系数的双通道长短期记忆神经网络模型结构,并引入遗忘信息共享机制自适应地利用历史导航数据对经度、纬度信息进行拟合预测。其次,针对深层神经网络存在的模型退化和梯度消失问题,在多层双通道LSTM网络之间建立残差高速通道形成Residual-LSTM模型结构,以增加不同网络层次之间的信息传播路径。最后,通过实船数据验证本文所提算法的有效性。实验结果表明,与基于常规智能方法的SINS/GNSS组合导航算法相比,所提组合导航算法在GNSS信号中断期间经度误差降低了51.97%,纬度误差降低了31.45%。 展开更多

关键词 SINS/GNSS组合导航 GNSS中断 双通道结构 残差长短期记忆神经网络 深度神经网络

在线阅读 下载PDF 职称材料

基于深度学习的癫痫异常信号检测和分类模型

2

作者 王剑 成婷 +1 位作者 宋政阳 张一丁 《电子测量技术》 北大核心 2025年第17期113-124,共12页

癫痫是一种常见的神经系统疾病,其诊断主要依赖于脑电信号的分析。近年来,基于深度学习的方法在癫痫检测中得到了广泛应用,但这些方法通常依赖于单一的特征提取技术,且大多忽略了EEG信号的空间域特征。为了捕捉EEG信号的空域特征,研究... 癫痫是一种常见的神经系统疾病,其诊断主要依赖于脑电信号的分析。近年来,基于深度学习的方法在癫痫检测中得到了广泛应用,但这些方法通常依赖于单一的特征提取技术,且大多忽略了EEG信号的空间域特征。为了捕捉EEG信号的空域特征,研究人员尝试引入EEG的图表示,并结合图神经网络模型进行建模。然而,现有方法的图表示通常需要每个顶点遍历所有其他顶点来构建图结构,导致较高的时间复杂度,难以满足临床实时诊断的需求。针对上述挑战,首先提出了核心邻域图结构,在此基础上,进一步提出了基于双视图输入的癫痫自动检测和分类框架——DV-SeizureNet。该框架能够同时学习EEG信号的时域、频域和空域特征,实现癫痫异常检测和发作分类。在TUSZ数据集上的实验表明,DV-SeizureNet在癫痫检测任务中达到91.4%的准确率,优于现有最先进方法2.1%。在分类任务中,模型对4种癫痫发作类型的平均分类准确率为82.8%,F1-score为81.2%。DV-SeizureNet通过双视图学习框架,全面提取并融合EEG信号的时空频域特征,在癫痫异常检测和发作分类任务中表现优越,为临床诊断提供了可靠的辅助工具。 展开更多

关键词 癫痫检测 深度学习 EEG信号 双视图学习 图卷积神经网络 多尺度特征融合

在线阅读 下载PDF 职称材料

基于深度卷积神经网络的雷达伺服转台消隙策略

3

作者 鲍子威 吴影生 房景仕 《雷达科学与技术》 北大核心 2025年第1期101-108,118,共9页

精密雷达伺服转台传动机构会随着装备不断运行使用逐渐磨损,表现为齿隙随着机构的磨损逐渐增大。传统双电机消隙控制策略能够消除齿隙,但该策略需要基于控制经验及装备初始传动机构齿隙一次性配置完成,这会导致随着机构磨损消隙效果逐... 精密雷达伺服转台传动机构会随着装备不断运行使用逐渐磨损,表现为齿隙随着机构的磨损逐渐增大。传统双电机消隙控制策略能够消除齿隙,但该策略需要基于控制经验及装备初始传动机构齿隙一次性配置完成,这会导致随着机构磨损消隙效果逐渐变差,影响雷达跟踪精度。针对此缺陷,本文提出一种基于深度卷积神经网络(DCNN)的精密雷达伺服转台消隙策略,通过采集位置闭环传动轴振动数据,利用连续小波变换(CWT)得到时频图,作为DCNN训练输入,训练后得到识别模型,最后根据模型识别出伺服转台传动机构磨损程度来调整双电机消隙控制的偏置电流和拐点电流,通过对比实验验证了调整后消隙效果优于传统消隙方式,极大提高装备运行的可靠性,降低雷达伺服转台的维护成本。 展开更多

关键词 深度卷积神经网络 精密雷达伺服转台 双电机消隙 可靠性

在线阅读 下载PDF 职称材料

双注意力驱动的微小缺陷识别方法研究

4

作者 邹林丰 邓耀华 +1 位作者 陈冠浩 张紫琳 《中国测试》 北大核心 2025年第3期162-169,共8页

针对深度卷积提取过程中微小缺陷特征消失问题,该文提出融合双注意力机制和跃进残差结构的微小缺陷识别深度卷积网络模型,该模型在训练过程中分别在通道维度和空间维度将权重更多地偏向目标特征,更多地关注到微小缺陷特征,抑制冗余缺陷... 针对深度卷积提取过程中微小缺陷特征消失问题,该文提出融合双注意力机制和跃进残差结构的微小缺陷识别深度卷积网络模型,该模型在训练过程中分别在通道维度和空间维度将权重更多地偏向目标特征,更多地关注到微小缺陷特征,抑制冗余缺陷特征;同时为了进一步缓解深度卷积中微小缺陷特征消失的问题,设计跃进残差结构通过少量的支路连接将微小缺陷特征传递到深层网络,既减少微小缺陷特征漏检,同时提高支路卷积计算速度。以实际采集的布匹缺陷数据集开展模型测试实验。该文提出的模型相比于ResNet50、ResNet101,微小缺陷的识别率分别提高6.79%和6.88%,证明该文模型在微小缺陷识别任务中的有效性。 展开更多

关键词 微小缺陷识别 双注意力机制 残差网络 深度卷积神经网络

在线阅读 下载PDF 职称材料

基于对偶贝叶斯U-Net的波阻抗不确定性反演方法研究

5

作者 王梓旭 王守东 +1 位作者 周晨 程万里 《石油物探》 北大核心 2025年第1期138-150,共13页

传统的深度神经网络通常只能实现确定性的预测,无法对反演结果进行不确定性分析,即无法对反演结果的可靠性进行评价。为实现标签数据不足条件下精确的波阻抗反演和对反演结果的不确定性分析,提出了一种基于对偶贝叶斯U-Net的波阻抗不确... 传统的深度神经网络通常只能实现确定性的预测,无法对反演结果进行不确定性分析,即无法对反演结果的可靠性进行评价。为实现标签数据不足条件下精确的波阻抗反演和对反演结果的不确定性分析,提出了一种基于对偶贝叶斯U-Net的波阻抗不确定性反演方法。首先,开展基于对偶贝叶斯U-Net、前沿深度学习反演方法和传统不确定性反演方法的模拟数据实验,对比分析3种方法的反演精度。然后,将对偶贝叶斯U-Net和传统不确定性反演方法的反演可靠性和对于含噪数据反演的鲁棒性进行对比分析。最后,将对偶贝叶斯U-Net应用于实际地震资料波阻抗反演中。模拟数据实验结果表明,该方法的对偶贝叶斯U-Net在少量标签数据条件下具有较高反演精度并对含噪数据反演有较强鲁棒性。此外,不确定性分析表明,该方法的反演结果可靠性强。实际数据测试结果表明,对偶贝叶斯U-Net能在实际工区数据反演中获得合理并可靠的反演结果。 展开更多

关键词 波阻抗反演 不确定性反演 深度神经网络 少量标签数据 对偶贝叶斯U-Net

在线阅读 下载PDF 职称材料

边缘资源轻量化需求下深度神经网络双角度并行剪枝方法 被引量：1

6

作者 张云翔 高圣溥 《沈阳工业大学学报》 北大核心 2025年第2期250-257,共8页

【目的】深度神经网络的应用面临庞大的计算需求和存储开销,这已成为限制其在边缘设备上广泛应用的主要瓶颈。边缘设备因受限于有限的计算资源和存储空间,难以高效运行复杂的深度神经网络模型。因此,在保证模型精度的前提下,如何降低深... 【目的】深度神经网络的应用面临庞大的计算需求和存储开销,这已成为限制其在边缘设备上广泛应用的主要瓶颈。边缘设备因受限于有限的计算资源和存储空间,难以高效运行复杂的深度神经网络模型。因此,在保证模型精度的前提下,如何降低深度神经网络的复杂度和计算量以适应边缘设备对资源轻量化的需求,已成为当前研究的重要方向。提出了一种结合蚁群算法与双角度并行剪枝的深度神经网络优化方法,以提升深度神经网络在边缘设备中的性能。【方法】分析了深度神经网络的结构特点,并构建了包含多个隐藏层的模型。通过蚁群算法模拟蚂蚁觅食过程中的信息素传递机制,在复杂空间中寻找近似最优解,对隐藏层中的相似节点进行聚类,识别并归类高度相似的神经元节点,从而缩减网络规模并降低复杂性。在聚类结果的基础上,提出了对聚类后的冗余节点及游离节点双角度并行剪枝策略:一方面,从权重矩阵的稀疏性出发,裁剪权重较小的节点,以减少计算开销;另一方面,从节点贡献度角度评估每个节点对整体输出的影响,裁剪贡献度较低的节点,从而进一步优化网络结构。【结果】实验结果表明,与未剪枝的原始模型相比,在相同的计算时间内,本文方法剪枝后的深度神经网络在保持较高精度的同时,其数据量高达120 MB、网络复杂度平均值为88.32%、可拓展性为99%。这一结果表明,在有限的资源条件下,该方法能够显著提升深度神经网络的运行效率,更好地满足边缘设备的应用需求。实验结果不仅验证了该方法的有效性,也为深度神经网络在边缘设备上的部署和应用提供了新思路。【结论】提出的优化方法通过在剪枝过程中应用蚁群算法,实现了隐藏层相似节点的精准聚类,为后续的剪枝处理提供了明确目标。同时,双角度并行剪枝策略提升了剪枝的效率和效果,确保剪枝后模型在精度和可拓展性方面的平衡。该方法不仅能够促进深度神经网络在边缘设备上的广泛应用,也为复杂网络优化问题提供了借鉴和参考价值。 展开更多

关键词 边缘资源 轻量化需求 深度神经网络 双角度并行 剪枝方法 蚁群算法 冗余节点 游离节点

在线阅读 下载PDF 职称材料

基于依赖类型剪枝的双特征自适应融合网络用于方面级情感分析 被引量：1

7

作者 郑诚 石景伟 +1 位作者 魏素华 程嘉铭 《计算机科学》 CSCD 北大核心 2024年第3期205-213,共9页

现有的模型将基于依赖树的图神经网络用于方面级情感分析,一定程度上提升了模型的分类性能。然而,由于依赖解析技术的限制,语法解析结果的不精确导致依赖树存在大量噪声,使得模型的性能提升有限。此外,一些句子本身并不符合标准的句法... 现有的模型将基于依赖树的图神经网络用于方面级情感分析,一定程度上提升了模型的分类性能。然而,由于依赖解析技术的限制,语法解析结果的不精确导致依赖树存在大量噪声,使得模型的性能提升有限。此外,一些句子本身并不符合标准的句法结构。以往的研究以同样的置信度利用句法信息和语义信息,没有充分考虑它们对于确定方面词极性的贡献的不同,导致模型在相应的数据集上性能较差。为了克服这些困难,文中提出了一种基于依赖类型剪枝的双特征自适应融合网络。具体来说,该模型使用一种新型的混合方法,命名为依赖关系类型剪枝和邻接矩阵平滑,来缓解句法解析产生的噪声。此外,该模型通过双特征自适应融合模块充分考虑句子的句法信息的可用程度,以一种更灵活的方式将句法特征和语义特征结合起来用于方面级情感分析。在5个公开可用的数据集上进行广泛的实验,结果证明了该方法明显优于基线模型。 展开更多

关键词 方面级情感分析 图神经网络 依赖类型剪枝 双特征自适应融合 深度学习 自然语言处理

在线阅读 下载PDF 职称材料

基于深度学习的木材缺陷智能检测的研究进展与展望 被引量：10

8

作者 王明涛 项晓扬 +2 位作者 崔文燕 院霖享 多化琼 《林产工业》 北大核心 2024年第3期38-44,共7页

木材作为天然生物材料很容易受到内外界影响从而产生不符合人们生产需求的缺陷,人们为了准确高效的识别木材缺陷进行了大量的研究。本文对近年来基于深度学习的木材缺陷检测技术进行梳理,根据使用方法的侧重点不同将其分类,并针对典型... 木材作为天然生物材料很容易受到内外界影响从而产生不符合人们生产需求的缺陷,人们为了准确高效的识别木材缺陷进行了大量的研究。本文对近年来基于深度学习的木材缺陷检测技术进行梳理,根据使用方法的侧重点不同将其分类,并针对典型方法加以细分归类和对比分析,总结了每种方法的优缺点及其应用面。此外,提出了基于深度学习的木材缺陷检测技术目前所存在的难点与所陷困境。 展开更多

关键词 木材缺陷 单阶段目标检测 双阶段目标检测 神经网络 深度学习

在线阅读 下载PDF 职称材料

基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究 被引量：1

9

作者 陈旭 张凯 +3 位作者 刘晨 张金鼎 张黎明 姚军 《油气地质与采收率》 CAS CSCD 北大核心 2024年第3期165-177,共13页

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确... 传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。 展开更多

关键词 油藏自动历史拟合 油藏数值模拟 深度学习 代理模型 双输入输出卷积神经网络

在线阅读 下载PDF 职称材料

基于注意力机制的双路解码器图像去噪方法 被引量：1

10

作者 高煜宝 文志诚 《计算机工程》 CAS CSCD 北大核心 2024年第9期324-332,共9页

目前大多数图像去噪算法在去除图像噪声的同时,通常会丢失图像的细节信息,特别是当噪声强度较大时甚至会出现失真。随着当前神经网络结构普遍趋向于深层设计,导致图像的浅层特征难以与深层特征融合。针对这些问题,提出一种基于注意力机... 目前大多数图像去噪算法在去除图像噪声的同时,通常会丢失图像的细节信息,特别是当噪声强度较大时甚至会出现失真。随着当前神经网络结构普遍趋向于深层设计,导致图像的浅层特征难以与深层特征融合。针对这些问题,提出一种基于注意力机制的双路解码器图像去噪方法。首先,设计一种残差密集块(RDB)来对U-Net网络进行改进,实现网络深度的增加,有效提升模型的稳定性并缓解梯度消失问题;其次,设计一种双路解码器结构,通过在不同尺度的解码器中进行多尺度特征提取,加强深浅层特征的融合;最后,通过在解码器中引入注意力机制,有针对性地捕获图像的边缘信息,增强模型的去噪表现。实验结果表明,相较于现有常见的图像去噪方法,所提方法不仅能够有效去除图像噪声,还能更好地恢复图像纹理细节,同时具有较快的去噪速度,在主观和客观评价中均获得了更好的结果。 展开更多

关键词 深度学习 卷积神经网络 图像去噪 双路解码器 多尺度

在线阅读 下载PDF 职称材料

基于双卷积链Fast R-CNN的番茄关键器官识别方法 被引量：19

11

作者 周云成 许童羽 +1 位作者 邓寒冰 苗腾 《沈阳农业大学学报》 CAS CSCD 北大核心 2018年第1期65-74,共10页

为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图... 为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官。首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响。详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像特征,由全连接层对Selective Search算法生成的候选区域进行分类识别。结果表明:针对番茄器官图像数据集,5个卷积层的网络即可具有较高的特征提取和分类性能,增加或降低卷积层数都会使网络性能下降;与ReLU激活单元相比,PReLU和ELU能够显著提高番茄特征提取网络的性能,而提高效果和具体的网络结构有关;基于Fast R-CNN的识别方法能够对番茄的花、果、茎器官进行识别,且能够识别不同成熟度的果和不同形态的花;单卷积链Fast R-CNN网络对花、果、茎的识别平均精度(AP)最高分别为64.79%、66.76%和42.58%,双卷积链Fast R-CNN识别网络对三种器官的识别AP最高分别为70.33%、63.99%和44.95%,相较于单链网络,双卷积链Fast R-CNN的mAP提高2.56%,说明该方法对提高番茄器官识别性能是有效的。 展开更多

关键词 卷积神经网络 番茄 目标识别 双卷积链 激活单元 深度学习

在线阅读 下载PDF 职称材料

基于改进3D卷积神经网络的行为识别 被引量：13

12

作者 张小俊 李辰政 +1 位作者 孙凌宇 张明路 《计算机集成制造系统》 EI CSCD 北大核心 2019年第8期2000-2006,共7页

鉴于基于视频的人体行为识别中的视频流数据过于庞大,3D卷积核参数设置过多,存在训练时间较长,调参困难等问题,以3D卷积神经网络为基础,提出一种将3D卷积核拆分成空间域和时间域两种卷积核的神经网络结构。两种卷积核分别形成两个数据... 鉴于基于视频的人体行为识别中的视频流数据过于庞大,3D卷积核参数设置过多,存在训练时间较长,调参困难等问题,以3D卷积神经网络为基础,提出一种将3D卷积核拆分成空间域和时间域两种卷积核的神经网络结构。两种卷积核分别形成两个数据流进行交互,同时引入残差网络以优化网络结构,减少参数设置。将所提方法应用于两个行为识别数据集KTH和UCF101上进行训练验证,其行为识别准确率分别为96.2%和90.7%。结果表明,较改进前的神经网络框架,所提方法在保证动作识别准确度的前提下,训练速度提高了7.5%~7.8%。该方法可以有效降低深度学习进行行为识别的硬件要求,提高模型训练效率,并可以广泛应用于智能机器人领域。 展开更多

关键词 行为识别 3D卷积神经网络 残差网络 双数据流 深度学习理论

在线阅读 下载PDF 职称材料

基于衰减因子的双通道神经网络图像分类算法 被引量：4

13

作者 屈景怡 朱威 吴仁彪 《系统工程与电子技术》 EI CSCD 北大核心 2017年第6期1391-1399,共9页

为解决深度卷积神经网络(convolutional neural networks,CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual-channel neural networks,DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性... 为解决深度卷积神经网络(convolutional neural networks,CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual-channel neural networks,DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种"双池化层"对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。 展开更多

关键词 图像分类 深度学习 卷积神经网络 双通道神经网络 卷积衰减因子

在线阅读 下载PDF 职称材料

结合双模多尺度CNN特征及自适应深度KELM的浮选工况识别 被引量：13

14

作者 廖一鹏 张进 +1 位作者 王志刚 王卫星 《光学精密工程》 EI CAS CSCD 北大核心 2020年第8期1785-1798,共14页

针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多... 针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解,设计双通道CNN网络对双模态多尺度图像进行特征提取及融合,将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策,最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%,自适应深度自编码KELM模型具有较好的分类精度和泛化性能,各工况识别的平均准确率达到95.98%,识别精度和稳定性较现有方法有较大提升。 展开更多

关键词 浮选工况识别 双模态图像 卷积神经网络 深度双隐层自编码极限学习机 量子细菌觅食算法

在线阅读 下载PDF 职称材料

HEVC对偶编码单元划分优化算法 被引量：3

15

作者 刘美琴 徐晨铭 +2 位作者 姚超 林春雨 赵耀 《北京航空航天大学学报》 EI CAS CSCD 北大核心 2022年第8期1383-1389,共7页

为了解决视频数据量日益增长与用户享受高质量视频体验需求之间的矛盾,HEVC在H.264/AVC标准的基础上通过引入新型的编码结构和算法进一步将编码效率提升了50%,但是也极大地提升了编码复杂度。基于此,提出对偶编码单元(CU)划分网络DualN... 为了解决视频数据量日益增长与用户享受高质量视频体验需求之间的矛盾,HEVC在H.264/AVC标准的基础上通过引入新型的编码结构和算法进一步将编码效率提升了50%,但是也极大地提升了编码复杂度。基于此,提出对偶编码单元(CU)划分网络DualNet,来降低HEVC中帧内编码复杂度。该网络由预测网络和目标网络2个部分组成,其中,预测网络通过分析图像统计特征实现编码单元划分决策,从而跳过四叉树的遍历搜索,提高编码单元划分决策的时间效率;目标网络基于率失真代价评价和优化决策模型提升编码单元划分性能,实现模型互补和最优率失真估计。实验结果表明:与HEVC标准对比,所提算法在实现相近的压缩效果的前提下能够节省64.06%的编码时间。 展开更多

关键词 视频编码 H.265/HEVC 编码单元(CU)划分 深度学习 对偶神经网络

在线阅读 下载PDF 职称材料

基于MDM-ResNet的脑肿瘤分类方法 被引量：8

16

作者 夏景明 邢露萍 +1 位作者 谈玲 宣大伟 《南京信息工程大学学报（自然科学版）》 CAS 北大核心 2022年第2期212-219,共8页

脑肿瘤是世界上最致命的癌症之一.由于脑肿瘤的多样性,其图像分类成为了当代研究的热点.近年来,深度神经网络(DNN)常用于医学图像分类,但随着深度的增加网络会出现梯度消失和过拟合的问题,而残差网络(ResNet)通过引入恒等映射可以缓解... 脑肿瘤是世界上最致命的癌症之一.由于脑肿瘤的多样性,其图像分类成为了当代研究的热点.近年来,深度神经网络(DNN)常用于医学图像分类,但随着深度的增加网络会出现梯度消失和过拟合的问题,而残差网络(ResNet)通过引入恒等映射可以缓解这些问题.因此,本文基于ResNet提出了一种MDM-ResNet网络,该网络由多尺寸卷积核模块(Multi-size convolution kernel module)、双通道池化层(Dual-channel pooling layer)和多深度融合残差块(Multi-depth fusion residual block)组成.本文实验在Figshare数据集上展开,采用数据增强操作对图像进行预处理,并利用5倍交叉验证方法对网络性能进行评估.最终实验结果表明MDM-ResNet能够对脑膜瘤(Meningioma)、胶质瘤(Glioma)和垂体瘤(Pituitary tumor)进行有效分类. 展开更多

关键词 脑肿瘤 深度神经网络(DNN) 残差网络(ResNet) 多尺寸卷积核模块 双通道池化层 多深度融合残差块

在线阅读 下载PDF 职称材料

基于多分区注意力的行人重识别方法 被引量：1

17

作者 薛丽霞 朱正发 +1 位作者 汪荣贵 杨娟 《光电工程》 CAS CSCD 北大核心 2020年第11期21-30,共10页

行人重识别是计算机视觉中一项具有挑战性和实际意义的重要任务,具有广泛的应用前景。背景干扰、任意变化的行人姿态和无法控制的摄像机角度等都会给行人重识别研究带来较大的阻碍。为提取更具有辨别力的行人特征,本文提出了基于多分区... 行人重识别是计算机视觉中一项具有挑战性和实际意义的重要任务,具有广泛的应用前景。背景干扰、任意变化的行人姿态和无法控制的摄像机角度等都会给行人重识别研究带来较大的阻碍。为提取更具有辨别力的行人特征,本文提出了基于多分区注意力的网络架构,该网络能同时从全局图像和不同局部图像中学习具有鲁棒性和辨别力的行人特征表示,能高效地提高行人重识别任务的识别能力。此外,在局部分支中设计了一种双重注意力网络,由空间注意力和通道注意力共同组成,优化提取局部特征。实验结果表明,该网络在Market-1501、DukeMTMC-reID和CUHK03数据集上的平均精度均值分别达到82.94%、72.17%、71.76%。 展开更多

关键词 行人重识别 局部特征 双重注意力网络 深度神经网络

在线阅读 下载PDF 职称材料

基于多尺度残差网络的MRI脑肿瘤分类 被引量：6

18

作者 黄敏 熊正云 朱俊琳 《磁共振成像》 CAS CSCD 北大核心 2023年第1期124-129,共6页

目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双... 目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块。将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合,对提出的模型进行训练和性能评估,优化网络超参数,提高分类准确率。结果在352张MRI图像上测试模型,仅使用多尺度输入模块时,得到平均分类准确率为96.59%。添加下采样模块后,准确率达到98.58%。对比最大池化、均值池化和双通道池化,准确率分别为96.02%、97.16%、98.58%。多尺度残差网络对脑肿瘤具有很好的分类效果,对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14%、99.14%、99.42%和99.42%。结论MRI是一种典型的检查脑肿瘤的医学成像方法,但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性。提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法,且该网络提高了MRI脑肿瘤分类的准确率,很好地解决了梯度消失问题,提升了模型的泛化能力。 展开更多

关键词 人工智能 深度学习 磁共振成像 脑肿瘤分类 多尺度残差网络 下采样 双通道池化 卷积神经网络

在线阅读 下载PDF 职称材料

基于RCNN的双极化气象雷达天气信号检测 被引量：4

19

作者 高涌荇 王旭东 +3 位作者 汪玲 朱岱寅 郭军 孟凡旺 《系统工程与电子技术》 EI CSCD 北大核心 2022年第11期3380-3387,共8页

为检测混杂在地杂波、生物杂波中的天气信号,提高定量降水精度,提出了基于残差卷积神经网络(residual convolutional neural network, RCNN)的天气信号检测算法。首先,将采集的极化参数水平反射率因子、差分反射率、相关系数、差分相移... 为检测混杂在地杂波、生物杂波中的天气信号,提高定量降水精度,提出了基于残差卷积神经网络(residual convolutional neural network, RCNN)的天气信号检测算法。首先,将采集的极化参数水平反射率因子、差分反射率、相关系数、差分相移率堆叠为三维数组后进行预处理,将其分为天气信号与杂波信号。然后,开发并优化RCNN,给出详细的网络结构。最后,通过多次实际的降水过程对所提算法的检测效果进行评价。结果表明,相比支持向量机以及卷积神经网络(convolutional neural network, CNN),所提算法对天气信号的检测效果更好,并且在不同仰角以及全年的实测数据上均表现出良好的检测性能。 展开更多

关键词 双极化气象雷达 残差卷积神经网络 天气信号检测 深度学习

在线阅读 下载PDF 职称材料

面向智能工厂多机器人定位的无线分布式协同决策 被引量：2

20

作者 张文璐 霍子龙 +2 位作者 赵西雨 崔琪楣 陶小峰 《无线电通信技术》 2022年第4期718-727,共10页

由于未来智能工厂中智能机器人的工作环境复杂多变,机器人进行协作定位时无法获知全局信道状态,其选择的标定节点可能被其他机器人占用,导致定位性能的波动较大,稳定性差。针对该问题,提出了基于双重深度超Q神经网络(DDHQN)的多机器人... 由于未来智能工厂中智能机器人的工作环境复杂多变,机器人进行协作定位时无法获知全局信道状态,其选择的标定节点可能被其他机器人占用,导致定位性能的波动较大,稳定性差。针对该问题,提出了基于双重深度超Q神经网络(DDHQN)的多机器人协同决策算法;首先将多机器人进行协作定位时的决策系统构建为竞争加合作模型,并通过奖励函数的设计鼓励机器人参与协作;为了避免机器人之间的决策冲突,引入表示机器人决策轨迹的记录空间以实现对其他机器人的行为预估,记录空间的内容依据机器人的无线感知结果进行迭代更新;最后,仿真证明了所提出的基于DDHQN的多机器人协同决策算法使得每个机器人能够以群体性能最大为目标进行独立学习,在一定的迭代次数后可以实现精准的行为预估,并收敛到稳定有效的决策方案。 展开更多

关键词 双重深度超Q神经网络(ddhqn) 多机器人协同 标定节点选择 决策轨迹 行为预估 无线感知

在线阅读 下载PDF 职称材料