基于多头自注意力的复杂背景船舶检测算法

针对内河港口背景复杂、类间尺度差异大和小目标实例多的特点,提出基于多头自注意力机制(MHSA)和YOLO网络的船舶目标检测算法(MHSA-YOLO).在特征提取过程中,基于MHSA设计并行的自注意力残差模块(PARM),以弱化复杂背景信息干扰并强化船舶目标特征信息;在特征融合过程中,开发简化的双向特征金字塔结构,以强化特征信息的融合与表征能力.在Seaships数据集上的实验结果表明,与其他先进的目标检测方法相比,MHSA-YOLO拥有较好的学习能力,在检测精度方面取得97.59%的平均均值精度,MHSA-YOLO对复杂背景船舶目标和小尺寸目标的检测更有效.基于自制数据集的实验结果表明,MHSA-YOLO的泛化能力强.     

基于自注意力和门控机制的答案选择模型

针对现有答案选择方法语义特征提取不充分和准确性差的问题,引入自注意力和门控机制,提出了一种答案选择模型.该模型首先在问题和答案文本内部利用层叠自注意力进行向量表示,并在自注意力模块中让单词和位置分开进行多头注意力;然后将答案句通过卷积神经网络(Convolutional neural network,CNN)得到的向量...     

基于注意力机制的二次回路端子文本检测与识别方法

变电站二次回路是二次高级集成业务的基础,采用图像识别技术对二次回路的自动特征识别、信息提取,可实现二次回路的智能运维业务。而变电站采集的图片环境背景杂乱、分辨率低以及失真,使得采用图像识别技术识别不规则文本极具挑战。因此,提出一种基于注意力机制的二次回路端子文本检测与识别方法。该方法主要包含预处理、文本检测和文本识别3个部分,其中文本识别部分提出一种时空嵌入编码方法,可以更好利用图片的位置信息。在训练过程中,相较未改进方法仅需要序列级的标注信息,而无需额外细粒度的字符级别框或分割掩码。最后,通过实际工作场景数据集证明该方法不仅易用、性能好,且在识别精度上也优于其他方法。     

基于注意力机制与YOLOv5融合的树脂拉链缺陷检测算法研究

针对传统的树脂拉链缺陷人工检测存在的效率低和劳动强度大等问题,本文将YOLOv5算法与注意力机制(convolutional block attention module, CBAM)相结合,对树脂拉链缺陷检测算法进行研究,给出了算法的结构原理,并对树脂拉链缺陷进行检测试验。采集带有坏齿、边缘、内部、挤出、开裂和污染的树脂拉链图像,建立数据集并据此标注。同时,利用数据集对YOLOv5网络模型进行训练,并选择900张树脂拉链缺陷图像进行测试。测试结果表明,不同树脂拉链缺陷的检测准确率不同,模型对坏牙、边缘、内部、挤压、开裂和污染6种树脂拉链缺陷的识别率分别达到99%,100%,100%,100%,100%和99%,检测目标的置信度范围为0.82～0.99,检测准确率较高,效果较好,证明模型测试的精确率达到100%,召回率达到100%,平均准确率达到98%,证明了本文方法的可行性和有效性。本文算法可实现对常见树脂拉链缺陷的检测、分类及定位。该研究对提升树脂拉链制造行业的生产效率具有一定的成效。     

基于兴趣注意力网络的会话推荐算法

针对现有基于图神经网络的会话推荐算法对用户主要兴趣偏好提取不充分的问题,提出了一种基于兴趣注意力网络的会话推荐算法（Session-Based Recommender Method Based on Interest Attention Network,SR-IAN）。首先,使用图神经网络捕获物品之间的上下文转换关系,得到物品的图嵌入向量;其次,将图嵌入向量输入兴趣注意力网络中,提取用户的主要兴趣偏好;然后通过注意力层对物品的图嵌入向量进行加权区分;最后,通过预测层得到候选物品的点击概率值并对其进行排序。算法模型在3个公开数据集Diginetica、Retailrocket和Tmall上进行了实验验证,相比基准模型在MRR@20指标上分别有0.942%、1.183%和2.977%的提升,同时降低了模型时间复杂度,验证了该方法的有效性和高效性。     

基于SimAM注意力机制的近岸船舶检测方法

基于视觉图像的船舶目标检测中由于图像背景复杂,无关干扰较多,导致船舶目标检测的难度增大。并且多类别船舶检测数据集现有数量较少且存在样本不均衡的问题使得船舶目标检测性能较低。针对复杂背景干扰检测,本文通过引入SimAM注意力机制对YOLOv3模型进行改进,利用该机制加强船舶目标在提取特征中的权重并抑制背景干扰权重,从而提升模型检测性能;同时,采用强实时数据增强以改善样本尺度分布不均衡的问题,结合迁移学习提升在样本数量受限情况下的船舶检测精度。提取特征的可视化结果显示改进模型对无关背景特征干扰进行了抑制,增强了模型对于船舶特征的提取能力。在SeaShips数据集上,提出的改进模型在不引入额外可学习参数的情况下mAP.5、mAP.75分别达到了96.93%、71.49%,检测速度达到了66 frame/s,在检测精度与运行效率方面保持了均衡。与Saliency-aware CNN、eYOLOv3相比更有效地优化了目标特征,使得mAP.5分别提高了9.53%、9.19%。改进模型在新加坡海事数据集上在船舶类型目标检测的mAP.5达到了81.81%,验证了模型具有较好的泛化能力。     

融合注意力机制和多任务学习的机器人抓取检测算法

抓取主要分为抓取检测、轨迹规划和执行环节,准确的抓取检测是完成抓取任务的关键。为进行更准确的抓取检测,提高机器人抓取性能表现,本研究以关键点检测算法为基础,提出了一种融合注意力和多任务学习的抓取检测算法。首先,针对任务特点,在特征提取环节引入CA(coordinate attention)注意力模块,显式的学习通道和空间特征,充分利用特征信息。其次,在损失函数环节加入多任务权重学习算法,学习抓取中心坐标、抓手开合宽度及旋转角度信息的最优权重。最后,在Cornell数据集以及更大规模的Jacquard数据集上进行试验。研究结果表明,所提方法相比滑动窗口和锚框类型等经典方法在检测速率上有明显提升,且与单纯的关键点检测方法相比有更高的准确率,所提模型在两个数据集上分别取得98.8%和95.7%的准确率。检测示例体现出所提模型对于非常规物体也有良好的抓取结果,不同Jaccard系数条件下的抓取结果显示模型在精准抓取方面有优秀性能,而对于权重学习算法的不同初始值试验则表明所提模型具有良好的鲁棒性。此外,通过消融实验分析了不同模块对于模型性能表现的影响程度。     

结合多重注意力机制的V-SLAM闭环检测特征匹配算法

为了在复杂环境下对V-SLAM闭环检测的准确率-召回率有更好的鲁棒性,提出一种在图神经网络中结合多重注意力机制的局部特征匹配算法,并在闭环检测上进行应用。首先,采用SuperPoint检测器获取图像序列中的关键点,再将提取出来的特征点输入关键点编码器内,通过多层感知器将其升维到与局部描述子维度一样;然后,同时经过多重注意力机制网络中重复9次,得到更具有代表信息的局部描述子;其次,在最优匹配层中采用SinkHorn算法求解出最优匹配矩阵,通过对阈值的合理设定,得到闭环检测结果;最后,在New College和City Centre两个公共数据集上与5种其他闭环检测基准算法进行实验,结果表明该算法在召回率一定的情况下,其准确率比其他实验算法的要高,有更强的鲁棒性,满足闭环检测要求。     

基于通道注意力的自监督深度估计方法

提出了一种基于自监督深度学习和通道注意力的深度估计方法。虽然以往的方法已经能够生成高精度的深度图,但是它们忽略了图像中的通道信息。对通道之间的依赖关系进行显式建模,并根据建模结果重新校准通道权重能有效地提高网络性能,从而提高深度估计的精度。本文从两个方面引入通道注意力机制以增强网络模型的能力：在网络中插入SE (Suqeeze-and-Excitation)模块以提高网络模型获得特征图中通道间关系的能力;设计了一个多尺度融合通道注意力模块,实现融合多尺度像素特征和重新校准通道权重的功能。通过在KITTI数据集上的实验验证,所提方法在精准度、误差和深度图的具体效果上都优于现有的基于自监督深度学习的深度估计方法。     

采用U-Net卷积网络的桥梁裂缝检测方法

针对传统的桥梁裂缝检测准确性不高、丢失细节信息、宽度信息获取困难等问题,提出一种采用U-Net卷积网络的像素级、小样本的裂缝检测方法。该方法使用多层卷积自动提取裂缝特征,并利用浅层网络与深层网络叠加的方法实现裂缝局部特征与抽象特征的融合,从而保留裂缝细节特征,使得检测准确性大大提升。对检测结果中出现的背景杂波和伪裂缝,采用阈值法和改进的迪杰斯特拉连接算法来实现裂缝的精细提取。最后,采用八方向搜索法实现裂缝宽度的精确测量。实验证明,所提方法能准确、完整地对桥梁裂缝进行提取,宽度测量准确,可以满足应用需求。     

场景语义SAR图像桥梁检测算法

在合成孔径雷达图像中存在大量相干斑乘性噪声,导致桥梁检测中极易出现漏检和误检．针对这一问题提出了基于场景语义的水上桥梁检测算法．该方法首先根据图像的内容自动分割出水域和陆地两类不同的场景,沿着水陆交界区域搜索疑似桥梁目标,有效地缩小了搜索范围;然后提取图像的素描特征,抑制相干斑噪声的干扰;最后根据素描特征的几何特性定义桥梁的隶属度函数,实现桥梁目标的检测．在真实合成孔径雷达图像上的仿真实验表明,该算法有效地降低了桥梁的漏检率和误检率,具有较好的鲁棒性．     

Crack detection of reinforced concrete bridge using video image

With the digital image technology,a crack detection method of reinforced concrete bridge was studied for the performance assessment.The effects including the image gray level,pixel rate,noise filter,and edge detection were analyzed considering cracks qualities.A computer program was developed by visual C＋＋6.0 programming language to detect the cracks,which was tested by 15 cases of bridge video images.The results indicate that the relative error is within 6％ for cracks larger than 0.3 mm cracks and it is less than 10％ for crack width between 0.2 mm and 0.3 mm.In addition,for the crack below 0.1 mm,the relative error.is more than 30％ because the bridge is in safe stage and it is very difficult to detect the actual width of crack.     

条件约束下的自我注意生成对抗网络

为了解决生成对抗网络中因生成图像的特征信息表示不足而导致生成效果特征不明显、图像的关键特征信息模糊的问题, 提出了一种条件自我注意生成对抗网络的图像生成方法。该网络结合自我注意生成对抗网络的优点,向生成器和判别器中添加附加条件特征,明确指示模型生成对应的标志性类别信息,将数据的具体维度与语义特征关联起来,用这种方法提取其中的生成模型,使生成特定类型的图像的特征表示更加贴合原始数据分布。实验结果表明,所提出的方法在CelebA和MNIST数据集上的弗雷歇距离值相比较于自我注意生成对抗网络分别约提高了1.26和2.47。验证了所提出的方法相比较于其他的监督类生成模型可以有效地提升图像的质量效果以及多样性,并且可以有效地加快网络的收敛速度。     

一种深度学习的硬件木马检测算法

由于传统的硬件木马检测均采用功能测试等电信号检测技术,检测方法存在成本高、漏检率高和效率低下等问题,对此提出了一种深度学习的非电信号硬件木马检测算法。该算法首先利用增强残差网络将低分辨率芯片显微图像转换为高分辨率芯片显微图像; 然后通过循环一致对抗生成网络将该高分辨率图像生成与母版图像同源的芯片显微图像, 生成的芯片显微图像通过二阶微分图像增强算法区分出目标区域与背景区域,并结合阈值分割算法将目标区域分割出来; 最后通过数学形态学操作去除由于工业噪声产生的微小干扰,利用变化检测算法检测芯片中存在的硬件木马。通过在芯片显微图像数据集上的实验显示,基于深度学习的硬件木马检测方法正检率高达约92.4%,与传统的电信号检测方法相比,精度更高,速度更快,且操作更简易。     

基于ISODATA算法的城市变化检测

为验证ISODATA分类算法在变化检测中的可行性,利用人为对宜昌市TM影像加入改变的影像和原始图像,对比像素差值法进行ISODATA分类检测。然后利用武汉市多时相遥感影像,进行像素差值法、ISODATA分类算法的变化检测,以对城市的变化进行分析。实验结果表明,2种检测方法结果差别不大,但ISODATA算法有其优越性,证明ISODATA算法在变化检测中有一定的可行性。     

基于泊松噪声-双边滤波算法的桥梁裂缝修补痕迹图像分割方法

裂缝作为混凝土桥梁的主要病害大量存在,部分裂缝修补后会二次开裂,在病害智能识别中,裂缝修补痕迹易与混凝土剥落等缺陷混淆,因此,裂缝修补痕迹的准确识别不仅是二次裂缝准确识别的基础,也是混凝土桥梁整体病害识别的重要环节。为了获取边缘清晰连续的裂缝修补痕迹,先对裂缝修补痕迹的图像添加泊松噪声,再利用双边滤波对添加的噪声及原有噪声进行平滑。然后用Otsu算法对裂缝修补痕迹进行图像分割,并使用峰值信噪比（PSNR）和结构相似性（SSIM）评价滤波效果,使用运行时间和最大连续可用内存块（LCFB）使用情况评价分割效果。最后以河南省某高速公路桥梁历年定检中的裂缝修补痕迹图像为例,对方法进行实际验证。结果显示：经过泊松噪声-双边滤波算法处理后,裂缝修补痕迹图像PSNR值最高约35.090 1 dB,SSIM值可达约0.880 1,说明添加泊松噪声可改善图像质量并优化双边滤波效果;经过Otsu算法进行图像分割的运行时间比其他方法约短25%～50%,LCFB比其他方法约提高0.25%;经过处理的裂缝修补痕迹图像达到理想预期效果,验证了提出方法的有效性和可行性。     

利用结构纹理分解的海洋舰船目标检测

针对卫星遥感海洋可见光图像,提出一种基于结构纹理分解的舰船目标检测算法．首先对图像进行结构纹理分解,将舰船目标分解到纹理分量中,而其他目标分解到结构分量中;为了进一步消除纹理分量中其他目标的细节对舰船检测的干扰,利用结构分量中陆地、云块以及海洋背景等的先验信息去除其在纹理分量中的干扰纹理; 然后在纹理分量中利用Gabor滤波增强舰船目标并进行检测．实验结果和数据分析表明,该算法能够有效地提高检测率,同时降低了虚警率．     

桥梁裂痕检测与识别方法

桥梁裂痕图像检测过程中,采集的桥梁裂痕图像容易出现模糊,且桥梁裂痕本身具有裂痕特征不明显、杂质干扰大等特点,为了达到对桥梁裂痕准确、快速检测的目的,提出了一种桥梁混凝土结构裂痕病害的自动检测识别方法.首先对采集到的桥梁裂痕图像进行去模糊处理,在此基础上利用非负特征提取桥梁裂痕目标信息,然后利用方差特征去除特征结果图中的伪特征,并使用特征图像中目标特征象素的圆投影特征来增强目标裂痕信息,同时进一步去除虚假特征.分别对不同的桥梁裂痕图像进行了多种不同类型的处理实验,包括裂痕图像去模糊前后的目标裂缝检测结果对比实验,特征图像的方差特征去噪实验,以及圆投影进行特征目标特征增强同时进一步去噪的实验.结果表明,该方法对桥梁裂痕的提取与检测有效,有一定的实际意义.