-
题名基于深浅层特征融合的孪生网络目标跟踪算法
- 1
-
-
作者
王子康
姚文进
薛尚捷
司婷波
-
机构
南京理工大学机械工程学院
-
出处
《北京航空航天大学学报》
北大核心
2025年第3期973-984,共12页
-
文摘
深度学习相关的目标跟踪算法在利用深浅层特征融合时,未考虑分类分支与回归分支的差异性,两分支均使用同一融合特征,不能同时满足各自分支的不同任务要求。依据分类分支与回归分支的不同任务要求与深浅层特征之间的关系,提出了一种新的特征融合方式用于视觉目标跟踪。将骨干网络中不同特征层的通道数按比例进行微调,分别形成适合分类分支与回归分支的融合特征。为验证所提特征融合方式的有效性,在基于SiamCAR算法的基础上进行优化,改变特征提取与融合方式,在UAV123、GOT-10K、LaSOT数据集上提高了2%~3%的精度。实验结果证明:所提特征融合方式是有效的,同时框架整体以75帧/s的实时运行速率实现了良好的跟踪性能。
-
关键词
目标跟踪
孪生网络
分类
回归
深浅层特征融合
分类与iou联合训练
-
Keywords
object tracking
Siamese network
classification
regression
deep and shallow feature fusion
joint training of classification and iou
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名新型网络犯罪手法挖掘研究与管理对策
- 2
-
-
作者
倪培峰
石江枫
-
机构
中国科学院大学经济与管理学院
北京睿企信息科技有限公司
-
出处
《运筹与管理》
CSSCI
CSCD
北大核心
2024年第10期65-72,共8页
-
基金
山东省重大科技创新工程项目(2019TSLH0213)。
-
文摘
近年来,新型网络犯罪数量持续增长,手法新颖精细,形势严峻复杂,而新型网络犯罪手法挖掘及管理方法目前在国内外还少有研究。在此形势下,针对新型网络犯罪手法难以挖掘分析的挑战,本文采用交叉学科方法,搭建新型网络犯罪手法挖掘框架,创新设计BERT-JTFL联合训练模型,使得网络犯罪手法分类与关键词识别任务分享知识并互相促进。本文进而创新设计网络犯罪热词识别模型,从开源情报数据中挖掘新型网络犯罪手法,并就挖掘结果进行管理对策分析和建议。研究结果表明:①本文所设计BERT-JTFL联合训练模型在文本分类任务和关键词识别任务均优于BERT和RoBERTa等已知模型;②本文设计的热词识别模型支持关注关键词近期异动并进行平滑处理,能有效捕捉热点网络犯罪手法,P@10达83.3%;③新词和关联关键词提取结果能概括表达新型网络犯罪手法,指出其发展迅速、手法多变的特点。基于研究结果,本文针对性的提出了管理对策建议工作。
-
关键词
新型网络犯罪
BERT-JTFL
联合训练
网络犯罪管理
文本分类
关键词
热词
-
Keywords
new cybercriminal tricks
BERT-JTFL
joint training
cybercrime management countermeasures
content classification
keyword
hot word
-
分类号
C931.6
[经济管理—管理学]
-
-
题名基于深度神经网络的多天线组阵信号联合调制识别方法
被引量：2
- 3
-
-
作者
张凯
田瑶
刘义
-
机构
光电对抗测试评估技术重点实验室
中国人民解放军
-
出处
《现代电子技术》
2022年第17期24-28,共5页
-
基金
国家自然科学基金项目(62001476)。
-
文摘
针对多天线组阵接收中未同步多路信号的联合调制识别问题,提出了一种基于深度神经网络的多天线组阵信号联合调制识别方法。该方法将多天线组阵信号联合调制识别问题转化为多元分类判决问题,使用深度神经网络实现信号调制方式的识别。首先,构建了多个卷积层、循环层和全连接层级联结构的深度神经网络;然后,基于广泛采用的RadioML框架构建训练、测试和验证数据集,数据集中单个信号样本为存在参数差异的多天线信号时域波形;最后,使用基于CPU+GPU架构的服务器对网络进行训练,并对其性能进行测试。结果表明,所提方法能够有效抑制多路信号间参数差异的影响,实现多路信号联合调制识别,接收单元数目越多,分类判决性能越好,且在高信噪比下优势体现更加明显。
-
关键词
多天线组阵
联合调制识别
特征提取
分类判决
深度神经网络
训练数据集
网络训练
-
Keywords
multi-antenna array
joint modulation recognition
feature extraction
classification discrimination
DNN
training dataset
network training
-
分类号
TN820.15-34
[电子电信—信息与通信工程]
-
