一种融合多注意力机制的服饰分割方法研究

针对DeeplabV3+网络模型在服饰图像分割研究中存在上下文信息利用不充分、目标边界处理粗糙,难以满足生产生活中的真实需求等问题,提出并实现了一种融合多注意力机制的DeeplabV3+服饰分割的算法.该方法以DeeplabV3+网络为基础,使用特征金字塔替代空间金字塔,结合注意机制融合图像相邻尺度下的上下文信息,为服...     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

融合注意力机制的实时行人检测算法

为了提高Tiny YOLOV3目标检测算法在行人检测任务中的准确率,对该算法进行了研究改进。首先对Tiny YOLOV3的特征提取网络进行深化,增强网络特征提取能力;然后在预测网络的两个检测尺度分别加入通道域注意力机制,对特征图的不同通道赋予不同的权重,引导网络更多关注行人的可视区域;最后,改进激活函数和损失函数并采用K-means聚类算法重新选择初始候选框。实验结果表明,改进后Tiny YOLOV3算法的准确率在VOC2007行人子集上达到77%,较Tiny YOLOV3提高8.5%,在INRIA数据集上达到92.7%,提高2.5%,运行速度分别达到每秒92.6帧和31.2帧。本文方法提高了行人的检测精度,保持了较快的检测速度,满足实时性运行需求。     

一种自适应的无人机影像角点特征提取方法

提取高山林地区域无人机影像上的角点特征时,运用传统方法提取的角点特征数量偏少,为此提出了一种自适应的提取方法.该方法将角点特征提取过程系统性地分为粗提取和精提取过程,其中粗提取为利用吕言算子从影像上确定候选角点特征,而精提取则是通过改进后的SUSAN算法从候选角点特征中精确提取角点特征.角点特征提取结果验证了该方法的可行性,与传统方法相比,该方法提取的角点特征数量更多,运行效率更快,适用于高山林地区域无人机影像角点特征提取.     

基于多特征提取的Attention-BiGRU短期负荷预测方法

电力负荷预测在电力系统发展中起着重要的作用,为供电提供了重要的指导。短期电力负荷预测(STLF)可以在短时间内保证电网的安全和稳定。为解决预测精度不足且数据集单一缺乏参考因素的问题,提出一种基于多特征提取并结合注意力机制的双向门控循环单元(Attention-BiGRU)网络短期电力负荷预测方法。预测模型采用门控循环单元(GRU)的基本结构,在已有数据特征的基础上进行时间特征与数据分布特征提取,将所有特征作为负荷预测的影响因素,然后使用注意力机制对输入序列进行权重分配,使用双向门控循环单元(BiGRU)网络对特征进行学习并输出负荷预测值。仿真结果表明,基于多特征提取的Attention-BiGRU网络表现优于传统高斯回归预测方法、GRU网络、多特征提取的BiGRU网络和BiGRU网络。     

基于全局注意力机制的变电设备红外图像识别方法

常规的变电设备红外图像识别特征提取以目标标点提取为主,识别速度慢,容易导致红外图像的缺陷误识率升高。为此,提出对基于全局注意力机制的变电设备红外图像识别方法的设计与验证分析。根据当前识别需求,先采集红外图像数据,通过多尺度的方式,提高识别速度,进行多尺度特征提取。以此为基础,设计全局注意力机制变电设备红外图像识别模型,采用阈值辅助判别的方式来实现图像识别。测试结果表明：在选定的3个阶段中,对比的2种辅助方法对红外图像的缺陷误识率均高达15%以上,而所设计的全局注意力机制变电设备红外图像识别组误识率被较好地控制在10%以下,说明此次在全局注意力机制的辅助下,设计的图像识别方法针对性更强,识别效率高,更为高效。     

一种改进的语音关键词特征提取方法

介绍了一种新的语音关键词特征提取方法,对其特征提取过程中的一些方法提出了改进。实验数据表明,改进后的提取方法较先前在提取效果上有显著改善。     

基于注意力机制的CNN人脸表情识别

人脸表情识别在人机交互、情感计算等计算机视觉领域具有十分重要的应用前景.针对人脸表情识别的复杂性、多样性、遮挡性、光照等方面的挑战,提出了一种新的端到端网路,并将注意力力机制应用于表情自动识别.新的网络体系结构由特征提取模块、注意力模块、重构模块和分类模块四部分组成.通过LBP特征提取图像纹理信息,捕捉人脸的微小运动,...     

融合多尺度卷积和注意力机制的场景提取方法

复杂背景下,不同尺度建筑物的特征差异较大,现有算法对多尺度建筑物分割存在分割不均以及误判等问题。为了解决上述问题,本文设计了一种适应多尺度变化的新型网络结构。首先,针对遥感图像场景提分割精度低的问题,引入坐标注意力机制,嵌入到基础网络中增强上下文信息捕获能力,消除噪声的同时增强网络对于空间特征的提取能力。引入了新型递归残差卷积模块,加深网络层次的同时减少信息丢失,提高特征提取效率。最后,在跳跃连接中引入了空洞空间卷积池化金字塔增大网络感受野,增强有效特征,抑制无用特征。设计系统验证模型的实用性。实验结果表明,本文方法在精确率、召回率、F1 score和IoU指标中比U Net网络分别提高了305%、156%、13%、308%。     

并联提取与特征融合注意力网络下的裂缝检测

针对裂缝检测现有方法精度低、噪声多和细节丢失等问题,设计了一种基于并行提取和注意力融合网络的裂缝检测算法。首先,利用不同深度的多尺度卷积并联神经网络提取裂缝场景的高、低级特征;然后,为了提高检测精度,针对裂缝场景的特征,结合像素注意力机制对裂缝场景的高、低级特征进行有效融合,得到用于裂缝检测的有效融合特征;最后,利用非线性映射进行裂缝检测结果输出。实验结果表明,所提算法能够获得高精度检测结果的有效特征,裂缝检测结果细节更加清晰,且有监督学习方式在很大程度上消除了检测结果的噪声干扰,得到了视觉效果更佳的检测结果;所提算法在精确率和召回率等定量指标评价中同样具有良好的表现,裂缝检测精确率达到85%。     

一种新特征提取方法在无线监测中的应用

提出了1个特征提取技术,解决识别的时间问题,同时,在新的特征技术中,识别率也有一定的提高。在模式识别系统中,识别的对象需要1个规范化的光栅图像,必须有足够的代表性、差异性等特点进行分类,以便达到很好的识别率。尤其在无线监测中,涉及的数据量比较大,响应比较慢。提出了在无线监测中快速响应的区域分块算法,并采取区域特征提取的方式来提取动、静态的图像,实验证明此方法可大大缩短了响应时间,优于以前的全局特征分析方式。对于动态图像特征的提取有一定的指导意义。     

基于新特征提取法和量子神经网络的手写数字识别

研究了一种将新特征提取方法（13维特征提取法）与量子神经网络相结合,来实现手写数字识别的方法。13维特征提取法是从每个字符中提取关键的13个特征值,而量子神经网络是将神经元与模糊理论相结合的模糊神经系统,能很好地减少模式识别的不确定度,提高模式识别的准确性。通过使用MNIST样本库仿真比较实验可知,该方法具有设计算法相对比较简单,且识别正确率较高的特点。     

基于DTCWT与LLE算法的变压器局部放电特高频信号特征参数提取方法

提出了一种基于对偶树复小波变换(Dual-tree Complex Wavelet Transform,DTCWT)与局部线性嵌入(Locally Linear Embedding,LLE)算法的局部放电特高频信号特征参数提取方法,可以有效识别典型变压器内部绝缘缺陷。首先采用DTCWT算法分解变压器局部放电特高频信号,得到一系列不同变化尺度下细节分量信号。再提取出各细节分量信号的偏斜度和峭度作为初始特征参数。采用LLE算法对初始特征参数组成的特征向量进行降维处理,得到最终的特征参数及特征向量,输入到支持向量机(SupportVectorMachine,SVM)中识别各类绝缘缺陷。结果表明,该特征参数可以有效识别典型变压器内部绝缘缺陷,模拟绝缘缺陷识别准确率达到98.35%,现场检测信号识别准确率达到92.1%。     

基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

无人机采集输电线路航拍图像由于其特殊性,往往背景复杂多变,检测目标存在尺度不一及部分遮挡等问题容易造成检测过程中误检、漏检。本文从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的输电线路金具检测方法。首先,在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块更好的捕获全局信息和上下文信息,提高主干网络特征提取能力。其次,通过在特征融合过程中使用通道空间注意力避免了关键信息丢失。最后,利用双向加权特征融合机制使得模型更有效的将浅层特征和深层特征进行融合,以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明：本文提出的方法在原YOLOv5模型的基础上准确率提升了2.7%,模型召回率提高了1.5%,针对于小目标,以及漏检、误检等问题有了较好的改善。     

基于PCA/ICA的人脸特征提取新方法

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点,人脸特征提取是人脸识别技术的关键。首先介绍了人脸图像的预处理过程,PCA和ICA算法的原理,针对PCA和ICA算法本身优缺点,提出一种新的基于PCA/ICA的人脸特征提取方法,最后采用最近邻分类器,对ORL人脸库进行分类识别。实验证明,改进的方法优于PCA算法和ICA算法。     

基于背景减除和特征提取的跌倒识别方法

为了有效监测老年人是否跌倒,提出一种结合背景减除及人体边界的外部轮廓特征提取方法对人体动作行为进行识 别。 首先,利用背景减除法从视频中提取运动的对象,对提取的运动对象进行预处理;然后利用最小外接矩形和重心检测的方 法对运动目标进行特征提取,得到老人整体外部轮廓和重心位置等运动特征;最后根据人体不同姿态,建立运动模型,有效辨识 被监护对象的行走、跌倒等动作。 实验结果表明,提出的方法可对实际的视频进行有效处理,对人体行为识别的准确性能达 到 94. 3%。     

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。     

脉搏信号中有效信号识别与特征提取方法研究

脉搏信号是重要的人体生理信号,但采集过程中会存在一定的干扰信号。针对人体脉搏波采集后的有效信号识别与特征提取的问题,提出一种基于时间序列描述的信号识别方法,首先将脉搏时间序列进行分割,每个分割段采用斜率符号化进行表示,通过段与段之间的相似性判断出信号的有用段和干扰段。再根据得到的有用段信号,提出一种基于滑窗的特征提取方法,寻找脉搏信号中的峰值、谷值,同时调整滑窗宽度,还能够进行重搏波波峰的检测。经实验验证,所提出的识别与特征提取方法准确率高且抗干扰性强。     

基于自适应校准和多分支注意力的遥感目标检测

面向复杂多变的遥感场景下目标检测易受干扰的问题,提出了结合自校准模块和D_Triplet Attention的任意方向目标检测模型SD-Centernet。该方法在网络结构中引入旋转角度,为检测框提供角度信息。在Dlanet特征提取网络中引入self-Calibrated模块,通过自适应校准操作融合来自两个不同空间尺度的信息,增大输出特征的感受野。同时为了加强图像局部信息的聚焦,引入D_Triplet Attention,更好的解决了跨维度交互问题。SD-Centernet在HRSC-2016数据集上的检测精度达到86.25%,检测速度达到14.9帧/秒,有效提高了遥感航拍中多方位目标的检测效果。