基于非对称增强注意力与特征交叉融合的行人重识别方法

针对现有的行人重识别方法提取到的特征信息充分性与辨识性不足导致检索精度低的问题,提出一种基于非对称增强注意力与特征交叉融合的行人重识别方法。首先,构建非对称增强注意力模块,通过多重池化聚合的跨邻域通道交互注意力增强显著特征表示,使网络聚焦于图像中的行人区域;其次,考虑到网络各层特征间的差异性与关联性,构建特征交叉融合模块,利用交叉融合方式实现同层不同级特征的跨层级融合,进而实现多尺度融合;最后,水平切分输出特征以获取局部特征,从而实现在特定区域上描述行人。在Market1501、DukeMTMC-reID与CUHK03这3个公开数据集上对提出的方法进行了验证,首位命中率(Rank-1)分别达到了93.5%、85.1%和64.3%,证明了该方法在提升行人重识别性能上具有优越性。     

基于双重注意力机制的异步电机故障诊断方法

多源数据融合的深度学习模型中，通常采用等比重的方式将不同类型信号的特征映射至融合层。然而，该过程忽略了非同源信号特征对最终识别效果贡献程度不一致的问题。为此，提出了一种基于双重注意力机制的深度学习模型。该模型首先采用通道注意力模块抑制同源信号内无关分量的影响，其次利用多源数据注意力模块自适应分配非同源信号特征的权重，然后对重新赋权的特征进行融合，最后利用分类器实现模式分类。将所提方法应用于异步电机故障诊断，结果表明，该方法平均识别准确率为99.74%,其诊断效果优于现有方法。     

基于共有特征学习和数据增强的农作物病害识别算法

针对农作物病害图像类间差异较小,传统机器学习方法在农作物病害数据集上识别精度低、模型训练复杂等问题,本文提出一种基于共有特征学习和数据增强的农作物病害识别算法。首先,对于农作物病害数据集类间数据不均衡等问题,本文使用Mixup数据增强算法对数据集进行扩充,丰富样本数量;然后,对于特征提取模块,本文在深度残差网络中嵌入通道注意力模块,使之侧重学习农作物叶片病害特征,忽略背景信息对模型带来的干扰;最后,在提取完图像特征后,将特征图送入到共有特征学习模块中,提高图像之间线性关联,增强模型泛化性能和鲁棒性。为验证所提模型的有效性和实用性,本文在Plant Diagnosis Dataset农作物病害数据集上进行训练及测试,实验结果表明,所提模型准确率达到97.9%,可有效提高农作物病害图像识别精度。     

基于注意力机制多特征融合的视网膜病变分级算法

糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病的一个常见的急性阶段，可引起视网膜的视功能异常。针对视网膜眼底图像病灶区域识别困难以及分级效率不高等问题，本文提出一种基于注意力机制多特征融合的算法来对DR进行诊断分级。首先对输入的图像采用高斯滤波等形态学预处理来提升眼底图像特征对比度；然后用ResNeSt50残差网络作为模型的骨干，引入多尺度特征增强模块对视网膜病变图像病变区域进行特征增强，提高分级准确率；再后利用图形特征融合模块对主干输出的特征增强后的局部特征进行信息融合；最后采用中心损失和焦点损失组合的加权损失函数进一步提升分类效果。在印度糖尿病视网膜病变(IDRID)数据集中灵敏度和特异性分别为95.65%和91.17%，二次加权一致性检验系数为90.38%。在Kaggle比赛数据集中准确率为84.41%，受试者工作特征曲线下的面积为90.36%。仿真实验表明，本文算法在糖尿病视网膜病变分级中具有一定的应用价值。     

基于注意力与特征融合的工程机械目标检测方法

目的 针对施工环境中工程机械目标大小不一、相互遮挡、工作形态各异等问题,提出一种基于注意力与特征融合的目标检测方法(AT–FFRCNN)。方法 在主干网络中采用ResNet50和特征路径聚合网络PFPN,融合不同尺度的特征信息,在区域建议网络(RPN)和全连接层引入注意力机制,提高目标识别的能力,在损失函数中使用广义交并比(GIoU),提高目标框的准确性。结果 实验表明,文中提出方法检测准确率比其他方法有较大提高,检测平均准确率(mAP)达到90%以上。结论 能够较好地完成工程机械目标的检测任务。     

基于改进YOLOv5的旋转目标检测算法及其应用研究

目的 提高工业分拣上常见的纹理多样、随机堆放盒体的检测与识别能力。方法 提出一种基于YOLOv5的旋转目标检测算法，该算法包括目标分类、位姿角度识别和边界框位置定位3个模块功能。目标分类模块中，通过自建数据集和设计8种目标分类标签以供模型分类学习;位姿角度识别模块对YOLOv5头网络中添加角度预测分支，引入环形平滑标签角度分类方法，实现分拣盒体的旋转角度精准检测;在边界框位置定位模块上，使用LCIoU回归框损失函数来计算旋转框回归损失，得到紧密包裹目标位置的边界框。结果 改进的YOLOv5算法在自建数据集上检测精度达到95.03%，在机器人多物体分拣实验中的准确率可达100%。结论 本文算法在盒体处于散乱堆放、密集堆放、堆叠堆放场景下均具有较高的定位与识别精度。     

基于双注意力机制的MSCN-BiGRU的滚动轴承故障诊断方法

针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题,提出一种基于双注意力机制的多尺度卷积网络(dual attention and multi-scale convolutional networks, DAMSCN)与改进的双向门控循环单元(bidirectional gated recurrent unit, BiGRU)组成的故障诊断模型DAMSCN-BiGRU。首先,多尺度特征融合模块使用不同大小的卷积核,获得多种感受野,从而提取到轴承原始振动信号的多尺度特征信息,并根据重要性对其进行自适应融合,然后利用通道注意力和空间注意力组成的双注意力模块(dual attention module, DAM)对多尺度特征进行重新标定,分配注意力权重,削弱融合特征中的冗余特征;然后,增加注意力层和利用分段激活改进BiGRU进而挖掘信号的时域特征,以提高轴承故障诊断的性能;最后,通过Softmax层完成对不同故障的分类。试验结果表明,与其他智能诊断模型相比,DAMSCN-BiGRU在变工况环境下,平均诊断精度达到98.2%,在强噪声背景下仍然有着85.3%的准确率,且在不同程...     

基于注意力模型的多传感器人类活动识别

深度循环神经网络适用于处理时间序列数据, 然而循环神经网络特征提取能力差, 时间依赖关系挖掘不足。针对此问题, 提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题, 并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集, 3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外, 针对人类活动识别的传感器时间序列数据的标签特点, 提出将时间段分类任务转化为分割任务, 设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型, Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%, 高于基准UNet模型的70.40%和88.51%。     

基于深度学习的图像分类算法框架研究

目的 提高图像分类精度是实现自动化生产的基础,提出一种更加准确的图像分类方法,使自动化包装和生产更加高效.方法 基于ResNeSt特征图组的思想,通过引入通道域和空间域注意力机制,并将自适应卷积核思想和Gem池化引入空间域注意力模块,从而使网络在空间域注意力机制中能够对不同图片使用不同的感受野使其关注更重要的部分,提出一种具有通道域和空间域注意力机制,且具有很好移植性的图像分类网络模型结构.结果 文中方法提高了图像分类准确度,在ImageNet数据集上,top-1准确度为81.39％.结论 文中提出的ResNeSkt算法框架优于目前的主流图像分类方法,同时网络整体结构具有很好的移植性,可以作为图像检测、语义分割等其他图像研究领域的主干网络.     

采用大核注意力机制的抗噪轴承故障诊断模型

针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点,提出一种并行大核注意力机制卷积神经网络（PLKACNN）。首先,将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入,使用并行大核注意力机制实现对不同维度的故障特征的提取;其次,将并行支路所得的特征图进行堆叠以获得整体信息,最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。结果表明PLKACNN能够有效识别滚动轴承故障程度和故障位置,在带噪数据集上获得平均98.5%的准确率,并且在带噪小样本实验中获得92.81%平均准确率,证明所提PLKACNN具有较好的噪声鲁棒性以及泛化能力。     

不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法

针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning, DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network, ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。     

改进YOLOv3的多模态融合行人检测算法

针对可见光单模态行人检测在夜间光线不足、目标密集、多尺度目标及目标部分遮挡场景中检测效果较低的问题,提出一种基于改进YOLOv3的多模态融合行人检测算法YOLOv3-Invo。该算法采用改进的Darknet-VI作为多模态特征提取网络模块,通过级联操作将两个不同特征图拼接输出,脖颈检测层分支引入空间金字塔池化模块并结合高效的内卷算子网络,以降低模型参数量;在检测网络层的深度卷积堆叠模块中设计新的ResFuse模型替换第一个卷积,并结合注意力机制CBAM模型,以加强融合特征图提取。对比实验表明,该算法在KAIST数据集上的行人检测准确率和召回率分别提升8.24%和2.82%,验证该算法的有效性,具有一定的研究价值。     

融合注意力机制的弱监督纸板表面缺陷检测

目的 针对目前表面缺陷检测方法因缺少实例级标签,使深度神经网络在工业检测上的应用受到限制的问题。本文面向实际的纸板表面缺陷检测任务,提出弱监督学习下融合卷积和注意力机制的神经网络算法。方法 该网络通过将通道注意力模块和梯度类激活映射模块相结合,进一步提高类激活图的精细度,实现纸板表面缺陷的精确定位;同时通过倒残缺结构和上采样层的组合操作,进一步细化浅层特征提升网络的特征提取能力,加快网络收敛速度。结果 通过在公开的纸板缺陷数据集上进行实验,本文提出的算法在使用图像级标签训练的情况下,分类正确率与定位正确率分别达到99.0%和92.2%,验证了该算法的有效性。结论 避免了实例级标签数量较少和过于主观的缺点,为基于机器人的缺陷纸板剔除奠定了基础。     

一种结合改进Inception V2模块和CBAM的轴承故障诊断方法EI北大核心CSCD

传统深度学习的轴承故障诊断方法网络复杂,训练参数多,模型泛化性弱。针对上述问题,在工业大数据背景下,提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法,改进后的Inception V2模块通过增加平均池化层,进一步拓宽分支网络结构,从而提高网络表达能力。将轴承振动信号通过小波变换转换为时频图,作为卷积神经网络的输入,通过改进Inception V2模块对输入特征进行自适应特征提取,跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重,增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层,并输出故障诊断结果。实验结果表明:该方法可以建立“浅层”卷积神经网络模型,减少模型参数,加快模型收敛速度,实现99.75%的准确率;同时在不同负载以及高噪声条件下,模型有较好的泛化性,更适合应用在工业大数据中。     

渐进式多粒度ResNet车型识别网络

针对车辆因姿态、视角等成像差异造成车型难以识别问题，提出一种基于渐进式多粒度ResNet车型识别网络。首先，以ResNet网络作为主干网络，提出渐进式多粒度局部卷积模块，对不同粒度级别的车辆图像进行局部卷积操作，使网络重构时能够关注到不同粒度级别的车辆局部特征；其次，对多粒度局部特征图利用随机通道丢弃模块进行随机通道丢弃，抑制网络对车辆显著性区域特征的注意力，提高非显著性特征的关注度；最后，提出一种渐进式多粒度训练模块，在每个训练步骤中增加分类损失，引导网络提取更具辨别力和多样性的车辆多尺度特征。实验结果表明，在Stanford cars数据集、Compcars网络数据集和真实场景下的车型数据集VMRURS上，所提网络的识别准确率分别达到了95.7%、98.8%和97.4%，和对比网络相比，所提网络不仅具有较高的识别准确率，而且具有更好的鲁棒性。     

基于MACNN的柴油机故障诊断方法研究EI北大核心CSCD

高效、准确的故障诊断可以提高柴油机的安全性和可靠性。传统机械故障诊断方法中人工参与程度过高,对识别结果带来诸多不确定性。针对这一问题,提出一种基于多重注意力卷积神经网络(multiple attention convolutional neural networks,MACNN)的端到端故障诊断方法。该方法采用多层卷积神经网络(convolutional neural networks,CNN)结合卷积注意力模块(convolutional block attention module,CBAM)对原始时域数据进行特征提取;然后,对多维卷积输出特征图进行重组以保留其序列信息;最后,直接采用序列注意力机制完成序列特征的学习。经采用实测柴油机缸盖振动信号数据进行验证后表明:面对8分类柴油机故障数据集,MACNN能够达到97.88%的识别准确率,测试100个样本用时仅为0.35 s。与现有多种传统故障诊断方法和端到端故障诊断方法相比,均具有更好的诊断效果。     

基于下采样的特征融合遥感图像语义分割

本文提出了一种基于下采样的特征融合遥感图像语义分割模型,该模型在编解码结构基础上,将高分辨率原始图像引入"下采样"模块提取低级语义特征,在此基础上,将输出的低级语义特征通过MobileNetV2和空间金字塔池化进一步提取多尺度高级语义细节特征,然后,将这些高级语义特征和直接从下采样模块提取的低级语义特征融合并进行特征图分割.最后,在"CCF卫星影像的AI分类与识别竞赛"的数据集上取得了93%的训练准确率以及91%的预测准确率.     

基于改进YOLOv5的轻量级芯片封装缺陷检测方法

目的 针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题,提出YOLOv5-SPM检测网络,旨在提高检测精度并实现模型轻量化。方法 首先,通过在特征提取模块后增加通道注意力机制,提高缺陷通道的关注度,减少冗余特征的干扰,进而提升目标的检测精度。其次,在主干网络与颈部网络连接处使用快速特征金字塔结构,更好地融合了自建芯片数据集的多尺度特征信息。最后,将主干网络的特征提取模块更换为MobileNetV3,将常规卷积更换为深度卷积和点卷积,有效降低了模型尺寸和计算量。结果 经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下,平均精度较原网络提高了0.6%,准确率提高了3.2%。结论 新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高,同时由于模型参数减小了29.5%,更适合部署在资源有限的工业嵌入式设备上。     

基于注意力机制的轻量级RGB-D图像语义分割网络

目的针对卷积神经网络在RGB-D(彩色-深度)图像中进行语义分割任务时模型参数量大且分割精度不高的问题,提出一种融合高效通道注意力机制的轻量级语义分割网络。方法文中网络基于RefineNet,利用深度可分离卷积(Depthwiseseparableconvolution)来轻量化网络模型,并在编码网络和解码网络中分别融合高效的通道注意力机制。首先RGB-D图像通过带有通道注意力机制的编码器网络,分别对RGB图像和深度图像进行特征提取;然后经过融合模块将2种特征进行多维度融合;最后融合特征经过轻量化的解码器网络得到分割结果,并与RefineNet等6种网络的分割结果进行对比分析。结果对提出的算法在语义分割网络常用公开数据集上进行了实验,实验结果显示文中网络模型参数为90.41 MB,且平均交并比(mIoU)比RefineNet网络提高了1.7%,达到了45.3%。结论实验结果表明,文中网络在参数量大幅减少的情况下还能提高了语义分割精度。     

基于多特征分支卷积神经网络的心电图分类算法

我国心血管疾病发病率、病死率呈逐年上升趋势。但由于心电图数据规模大且繁杂,临床医护人员在心电图筛查时,工作负担大且容易出现误诊或者漏诊的情况。基于此,利用CPSC-2018 12导联数据,提出了一种基于多特征分支卷积神经网络的多导联心电信号的智能分类与分析。首先,将CPSC-2018 12导联数据分为9个类别,基于12导联推导出8导联心电信号并分别提取局部特征。然后,通过双向GRU编码和注意力机制计算出不同类别的注意力权重向量,并将特征信息串联融合成特征向量,从而实现多导联心电图分类。实验结果表明：在验证集上取得了较好的分类效果,正常类别的F1值达到81.2%,平均F1值达到84.2%。特别地,在识别房颤（AF）和右束支传导阻滞（RBBB）这两类别心律失常时F1值分别达到95.1%和93.1%。