基于轻量化深度迁移神经网络的电子元器件识别

由于电子元器件种类多、体积小,给识别的速度和准确度带来挑战,并且传统的深度神经网络由于网络模型参数多,测试时间较长,无法满足实时运行的需要,针对以上问题,本文提出一种轻量化深度迁移神经网络的电子元器件识别方法。以MobileNetV3为主干网络,首先利用ImageNet数据集上的预训练模型参数权重对MobileNetV3网络进行初始化,实现模型参数的迁移,然后在自建电子元器件数据集上进行重新的训练,并进行微调,最后,利用训练好的模型对电子元器件的类别进行判定,并将其部署在树莓派。实验表明,本文提出的方法在测试集上的识别率达92.76%,而且模型的参数量小,实时性好,适合在嵌入式系统中运行。     

基于注意力机制的污水微型动物识别方法

为了精准掌握污水处理系统活性污泥中微型动物的种类,及时调整污水处理工艺,针对传统机器学习需要人工设计特征、提取特征、设计分类器等复杂过程的弊端,提出一种基于注意力机制和迁移学习相结合的污水活性污泥中微型动物的深度学习识别方法。在迁移学习的基础上,通过对传统的VGG16模型添加注意力模块（SE-Net block）,调整输出模块,采用数据增强方法扩充数据集。实验结果表明：相比于改进前的模型,改进后的模型（T-SE-VGG16）能够准确识别不同类型污水活性污泥中的微型动物,测试准确率为98.21%,提高了识别精度,缩短了训练时间,模型收敛速度快,泛化能力强。结果证实了T-SE-VGG16模型对污水活性污泥中的微型动物识别的可行性和可靠性。     

融合注意力机制的雷达欺骗干扰域适应识别方法

针对目前雷达欺骗干扰识别中常规特征识别方法应用受限和训练高性能深度学习模型需要的大量标注样本难以高效获取的问题,该文提出一种基于对抗域适应网络的雷达欺骗干扰识别方法,以改善标签限制;并融合注意力机制残差模块进一步提升识别精度。首先,对雷达接收信号进行时频变换后,应用基于对抗网络思想的域适应技术实现从标注源域样本到未标注目标域样本的迁移识别。其次,通过所设计的空间通道注意力残差模块使网络训练聚焦于时频图全局空间特征和高响应通道,以忽略时频图像中可迁移性低的区域抑制负迁移的产生。在不同源域与目标域雷达欺骗干扰数据集上的实验结果表明了该方法的可行性和有效性。     

基于双迁移度量学习和注意力机制的跨域推荐

传统的推荐算法和深度学习算法面临着用户冷启动的问题.为了解决冷启动问题,研究人员提出了跨领域推荐,利用其他领域的用户偏好信息和项目特征等各种辅助信息,来提高目标领域的推荐性能,有效缓解目标领域的数据稀疏性和冷启动.然而,传统的跨域推荐通常只利用源域信息提高目标域的性能,却不能利用目标域提高源域性能,从而使它们互相提高推...     

基于迁移学习的注意力胶囊网络

胶囊网络(Capsule Network,CapsNet)通过运用胶囊取代传统神经元,能有效解决卷积神经网络(Conventional Neural Network,CNN)中位置信息缺失的问题,近年来在图像分类中受到了极大的关注.由于胶囊网络的研究尚处于起步阶段,因此目前大多数胶囊网络研究成果在复杂数据集上表现的分类...     

基于多尺度注意力机制ResNet的雷达工作模式识别

雷达工作模式识别是解释雷达行为和功能的基本任务。现有方法难以在信号灵活、环境复杂的条件下筛除脉冲序列中不同空间和不同通道中的冗余信息。本文在深度残差网络的基础上,增加了空间自注意力模块和通道自注意力模块以适应上述信号特点。模型引入自注意力机制以实现雷达序列不同空间和通道的自适应权值分配,使网络能更有效地关注更具差异性的信息,实现了极端条件下雷达工作模式的高精度识别。同经典深度学习网络AlexNet、LeNet、VGGNet、ResNet以及常规深度卷积网络相比,该模型在0~50%漏脉冲条件下,平均识别率提升了36%,在独立测试集40%漏脉冲比例下模型仍然具备90%以上的识别率,证明了所提网络的优越性和有效性。     

基于注意力机制与迁移学习的乳腺钼靶肿块分类

针对乳腺钼靶图像中良恶性肿块难以诊断的问题,提出一种基于注意力机制与迁移学习的乳腺钼靶肿块分类方法,并用于医学影像中乳腺钼靶肿块的良恶性分类.首先,构建一种新的网络模型,该模型将注意力机制CBAM(Convolutional Block Attention Module)与残差网络ResNet50相结合,用于提高网络对...     

日本电子元器件的发展趋向

近年在日本电子产品市场上,需求量增长最快、变化最大者,当属携带型电子产品。它们以小型化、轻量化的鲜明发展特点,从某种角度讲,代表着整个日本电子产品发展的主流。并驱动着电子产品制造技术的重大变革。本文从日本电子产品市场、电子元器件、典型携带型电子产品对电子元器件的应用三个方面发展动向与技术变革情况,去深入了解日本电子元器件发展趋向。     

基于注意力机制的深度学习推荐模型研究

文章从注意力机制结合其他深度技术的角度探讨基于注意机制的深度学习技术在推荐领域的应用类型,将注意力机制结合卷积神经网络、循环神经网络进行归纳梳理,并对局限性进行探讨,最后展望推荐领域未来研究趋势.     

基于双注意力机制的多尺度去雾网络

图像去雾是计算机视觉领域中一个具有挑战性的任务。在雾霾天气下拍摄的图像会受到严重的信息退化,图像颜色和对比度大幅度衰减等问题。因此,图像去雾任务作为众多高级视觉任务的前置工作成为了计算机领域的一个研究热点。随着深度学习的发展,端到端的去雾网络在图像去雾领域取得了巨大的进展。由于雾霾在图像上的像素不均匀分布,大多数端到端图像去雾网络都将特征中每个通道都平等处理,导致去雾效果欠佳。文章引入通道注意力机制使网络更加关注对去雾有效的特征,抑制无关特征。此外,我们在去雾网络中引入多尺度结构并且考虑到图像的空间结构信息,通过结合不同尺度的特征,并捕获一定的图像空间位置信息,从而达到更好的去雾效果。在合成有雾数据集和真实有雾数据集上的相关实验表明,该方法能够有效的提升去雾网络性能。     

基于注意力的多尺度水下图像增强网络

水下图像往往会因为光的吸收和散射而出现颜色退化与细节模糊的现象,进而影响水下视觉任务。该文通过水下成像模型合成更接近水下图像的数据集,以端到端的方式设计了一个基于注意力的多尺度水下图像增强网络。在该网络中引入像素和通道注意力机制,并设计了一个多尺度特征提取模块,在网络开始阶段提取不同层次的特征,通过带跳跃连接的卷积层和注意力模块后得到输出结果。多个数据集上的实验结果表明,该方法在处理合成水下图像和真实水下图像时都能有很好的效果,与现有方法相比能更好地恢复图像颜色和纹理细节。     

整机对电子元器件的选用

生产电子整机的专业厂,大量使用各种无线电元器件,例如一种大型整机所用电子元器件达5200余支,若要求此整机能达到平均无故障工作时间MTBF为1000小时,那么就应该要求各种元器件的平均失效率为:     

电子元器件的筛选与电子元器件质量控制

在选择电子元器件时,需要统筹兼顾,科学的进行选择,主要其质量的控制,对元器件的性能参数进行把控,将其功能作用充分的发挥出来.从而为制造出高质量的电子设备产品而奠定基础.     

融合注意力机制的多尺度红外目标检测

针对红外图像存在细节纹理特征差、对比度低、目标检测效果差等问题,基于YOLOv4(You Only Look Once version 4)架构提出了一种融合通道注意力机制的多尺度红外目标检测模型。该模型首先通过降低主干特征提取网络深度,减少了模型参数。其次,为补充浅层高分辨率特征信息,重新构建多尺度特征融合模块,提高了特征信息利用率。最后在多尺度加强特征图输出前,融入通道注意力机制,进一步提高红外特征提取能力,降低噪声干扰。实验结果表明,本文算法模型大小仅为YOLOv4的28.87%,对红外目标的检测精度得到了明显提升。     

一种多尺度前向注意力模型的语音识别方法

注意力模型是当前语音识别中的主流模型,然而其存在一个缺点,即当前时刻的注意力模型可能产生异常得分.为此,本文首先提出前向注意力模型,其采用上一时刻正常注意力得分平滑当前时刻异常得分.接着通过对上一时刻的注意力得分添加约束因子来对前向注意力模型进行优化,达到自适应平滑的目的.最后,在优化模型基础上提出多尺度前向注意力模型,其通过引入多尺度模型来对不同等级的语音基元进行建模,进而将所得到的不同等级目标向量进行融合,以达到解决注意力得分异常值的目的.采用SwitchBoard作为训练集,Hub5'00作为测试集进行实验,相比于基线系统,多尺度前向注意力模型的词错误率（Word Error Rate,WER）相对降低14.28%.     

电子元器件的可靠性增长

用于修复型产品的可靠性管理技术,也适用于不修复的寿命型产品,但对这类产品进行增长管理时,必须注意如下特点.a.这类产品的可靠性指标是失效率或MTTF等;b.这类产品通常都是批量生产的,它们的增长模型一般应采用离散型增长模型;c.对于这类产品一般应采取延缓纠正方式;