基于超列注意力机制的京剧人物识别

为了克服京剧人物视觉特征提取的难点及满足京剧人物实时识别的需求,提出基于超列注意力机制的卷积神经网络（HCA-CNN）来实现面向京剧人物的细粒度特征提取和识别。该网络中用于关键区域定位的注意力机制借鉴了用于图像分割和细粒度定位的超列（HyperColumn）特征思想,通过超列集基于像素点的形式串联主干分类网络来形成多层叠加特征,从而更好地兼顾早期浅层空间特征与后期深度类别语义特征,并提高定位任务与主干网络分类任务的准确度。同时,该网络的主干网络采用轻量级的MobileNetV2,从而更好地满足视频应用场景下的实时性要求。此外,还创建了京剧人物（BJOR）数据集,并在此数据集上进行了相关消融实验。实验结果显示,HCA-CNN与传统细粒度循环注意力网络（RA-CNN）相比,除了在准确率（Accuracy）指标上提高了0.63个百分点以外,其内存使用量（Memory Usage）、参数量（Params）分别减少了162.84 MB、131.5 MB,乘加次数（Mult-Adds）、每秒浮点运算次数（FLOPs）分别减少了39 885×10⁶、51 886×10⁶。可见,针对京剧人物视觉特征提出的HCA-CNN能有效提高京剧人物识别的准确率和效率,满足实际应用的需求。     

基于双向门控尺度特征融合的遥感场景分类

针对遥感影像数据集的图像在形状、纹理和颜色上存在较大差别,以及因拍摄高度和角度不同存在的尺度差异导致遥感场景分类精度不高的问题,提出利用主动旋转聚合来融合不同尺度的特征,并通过双向门控提高底层特征与顶层特征互补性的特征融合补偿卷积神经网络（FAC-CNN）。该网络利用图像金字塔为原始图像生成不同尺度图像后将其输入到分支网络中来提取多尺度特征,并提出主动旋转聚合的方式来融合不同尺度的特征,使融合后的特征具有方向信息,从而提高模型对不同尺度输入以及不同旋转输入的泛化能力,实现模型分类精度的提升。FAC-CNN比基于VGGNet的注意循环卷积网络（ARCNet-VGGNet）和门控双向网络（GBNet）在西北工业大学遥感场景图像分类数据集（NWPU-RESISC）上准确率分别提升了2.05个百分点与2.69个百分点,在航空影像数据集（AID）上准确率分别提升了3.24个百分点与0.86个百分点。实验结果表明,FAC-CNN能有效解决遥感影像数据集存在的问题,提高遥感场景分类的精度。     

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

TSP超前地质预报在水工隧洞中的应用

在水工隧洞施工的过程中,地面勘察和掌握的地质资料难以完全揭示隧洞掌子面前方的地质状况,为了确保施工安全,必须在施工前开展有效的超前地质预报工作。TSP超前地质预报具有精度高、距离长、效率高、效果好的优点,对地质断层、破碎带、软弱夹层和岩溶等预报效果突出,在国内隧洞施工中发挥着重要作用。结合工程实例阐述TSP超前地质预报的基本原理、特点、测线布置方式和预报判读依据,并对TSP超前地质预报在水工隧洞施工中应用的优、缺点进行分析。     

基于融合注意力机制的小样本遥感场景分类方法

针对遥感场景图像样本获取困难，数据量受限以及遥感图像目标对象和背景高度混杂的问题，提出一种基于融合注意力机制的小样本遥感场景分类方法。该方法采用RepVGG作为基准模型，并利用ECANet网络的ECA通道注意力机制改进RepVGG网络的RepVGGBlock模块，使得网络有效过滤无用信息并聚焦于关键场景区域，从而增强模型的特征判别能力，并确保在不增加模型参数的情况下提高分类准确率；同时通过随机数据增强方法在线增强训练数据，在不占用额外内存的情况下增加模型训练数据量，使得训练数据更多样化，提高模型的泛化能力。在UC Merced LandUse数据集上分类平均准确率为94.52%,相较于ResNet50、RepVGG-B1-SE网络，准确率分别提高4.52%和2.93%。实验结果表明，该方法能有效聚焦关键场景区域并提升小样本遥感场景分类的准确率，对实现遥感影像快速分类具有一定的参考意义。