石质文物假山长期曝露于室外,受多源因素影响易形成不均匀沉降,因此假山沉降传感器监测与长时精准预测对石质文物保护十分必要。现有沉降长时预测方法难以有效解决噪声和瞬时波动造成的精度降低与应用可靠性问题。为此,本文提出一种融...石质文物假山长期曝露于室外,受多源因素影响易形成不均匀沉降,因此假山沉降传感器监测与长时精准预测对石质文物保护十分必要。现有沉降长时预测方法难以有效解决噪声和瞬时波动造成的精度降低与应用可靠性问题。为此,本文提出一种融合多源因素的编码器-解码器沉降长时预测模型。在多源因素编码器中设计动态多源因素融合模块将深度特征进行融合并实时计算沉降、温度、振动、裂缝等多源因素与目标数据的动态相关性;在时域增强解码器中构建多头自适应平滑模块,通过多头注意力的方法自适应学习各时间步的平滑指数,保留时间序列长期趋势,减少传感器带来的噪声和瞬时波动。本模型以环秀山庄沉降监测系统的实测数据集进行验证,结果表明该模型相较于基线方法在评价指标均方根误差(Root Mean Squared Error,RMSE)指标、平均绝对误差(Mean Absolute Error,MAE)指标以及连续排序概率评分(Continuous Ranked Probability Score,CRPS)最高分别提升了19.1%、19%以及16.3%,且符合实际应用需求。展开更多
针对通用目标检测算法在检测小目标时存在错检和漏检等问题,提出了一种小目标检测算法IPH(Involution Prediction Head),将其运用在YOLOv4和YOLOv5的检测头部分,在VOC2007数据集上的实验结果表明,运用IPH后的YOLOv4小目标检测精度APs(AP...针对通用目标检测算法在检测小目标时存在错检和漏检等问题,提出了一种小目标检测算法IPH(Involution Prediction Head),将其运用在YOLOv4和YOLOv5的检测头部分,在VOC2007数据集上的实验结果表明,运用IPH后的YOLOv4小目标检测精度APs(AP for small objects)相比原始算法提升了1.1%,在YOLOv5上的APs更是提升了5.9%。经智能交通检测数据集进一步检验,IPH算法和去下采样能有效提升小目标检测精度,减少错检和漏检的情况。展开更多
现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检...现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检测模型(unsupervised intrusion detection model based on multihead attention mechanism or temporal convolutional network,UDMT)。UDMT不依赖于LSTM网络,它利用时间卷积网络和多头注意力机制构建生成对抗网络的生成器和决策器,实现计算的并行化,进而降低复杂度。同时,UDMT不依赖于标签的攻击数据,它具有检测已知攻击和未知攻击的能力。此外,UDMT采用不同的隐藏层模式,配置灵活,以满足不同的检测率和检测时延的要求。相比于两个同类的检测模型,提出的UDMT能获取更高的检测率和更低的检测时延。展开更多
文摘石质文物假山长期曝露于室外,受多源因素影响易形成不均匀沉降,因此假山沉降传感器监测与长时精准预测对石质文物保护十分必要。现有沉降长时预测方法难以有效解决噪声和瞬时波动造成的精度降低与应用可靠性问题。为此,本文提出一种融合多源因素的编码器-解码器沉降长时预测模型。在多源因素编码器中设计动态多源因素融合模块将深度特征进行融合并实时计算沉降、温度、振动、裂缝等多源因素与目标数据的动态相关性;在时域增强解码器中构建多头自适应平滑模块,通过多头注意力的方法自适应学习各时间步的平滑指数,保留时间序列长期趋势,减少传感器带来的噪声和瞬时波动。本模型以环秀山庄沉降监测系统的实测数据集进行验证,结果表明该模型相较于基线方法在评价指标均方根误差(Root Mean Squared Error,RMSE)指标、平均绝对误差(Mean Absolute Error,MAE)指标以及连续排序概率评分(Continuous Ranked Probability Score,CRPS)最高分别提升了19.1%、19%以及16.3%,且符合实际应用需求。
文摘针对通用目标检测算法在检测小目标时存在错检和漏检等问题,提出了一种小目标检测算法IPH(Involution Prediction Head),将其运用在YOLOv4和YOLOv5的检测头部分,在VOC2007数据集上的实验结果表明,运用IPH后的YOLOv4小目标检测精度APs(AP for small objects)相比原始算法提升了1.1%,在YOLOv5上的APs更是提升了5.9%。经智能交通检测数据集进一步检验,IPH算法和去下采样能有效提升小目标检测精度,减少错检和漏检的情况。
文摘现有的多数入侵检测模型通过长短期记忆(long short-term memory,LSTM)网络评估数据之间的时间依赖性。然而,LSTM网络处理序列数据增加了训练模型的计算复杂度和存储成本。为此,提出了基于多头注意力机制和时间卷积网络的无监督入侵检测模型(unsupervised intrusion detection model based on multihead attention mechanism or temporal convolutional network,UDMT)。UDMT不依赖于LSTM网络,它利用时间卷积网络和多头注意力机制构建生成对抗网络的生成器和决策器,实现计算的并行化,进而降低复杂度。同时,UDMT不依赖于标签的攻击数据,它具有检测已知攻击和未知攻击的能力。此外,UDMT采用不同的隐藏层模式,配置灵活,以满足不同的检测率和检测时延的要求。相比于两个同类的检测模型,提出的UDMT能获取更高的检测率和更低的检测时延。
