AccFed:物联网中基于模型分割的联邦学习加速

随着物联网(IoT)的快速发展,人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限,并且这些设备通常具有隐私保护的需求,那么在保护隐私的同时,如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式,在隐私保护和提升模型性能等方面,具有巨大的潜力,但是通信及本地训练效率低。为了解决上述难题,该文提出一种FL加速框架AccFed。首先,根据网络状态的不同,提出一种基于模型分割的端边云协同训练算法,加速FL本地训练;然后,设计一种多轮迭代再聚合的模型聚合算法,加速FL聚合;最后实验结果表明,AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。     

融合故障录波和保护动作的输电线路迁移学习故障分析及定位

针对高比例分布式电源并入导致电网规模增大且结构复杂,使传统输电线路故障分析及定位时依赖人工对录波数据进行分析判别容易造成误判、效率低下等问题,根据迁移学习理论方法,基于输电线路故障录波数据建立输电线路故障类型特征提取模型;利用保护动作信息和故障量判别信息,建立输电线路故障位置范围。将故障录波数据、保护动作信息作为深度学习的输入、故障类型和故障位置作为输出进行训练,将训练模型应用至某实际电网中进行测试,结果表明所提方法能够有效辨识出故障线路类型和位置。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

一种基于实例语义图的屏幕反窃照识别算法

目前防窃照技术手段主要依靠图像采集设备实时采集视频流,对拍照行为进行识别检测,但受复杂环境影响,现有识别方法存在精确度低、实时性差等问题。针对上述问题,提出了一种基于实例语义图的屏幕反窃照识别算法。该算法首先通过图像分割模型U²-Net提取原图像的显著视觉目标后生成实例语义图,然后通过微调单阶段的目标检测模型YOLO-v5实现对语义图中感兴趣对象的目标检测,最后通过设计的基于Inception-ResNet的拍照识别二分类模型实现对屏幕窃照行为的识别。实验结果表明,该算法在实际场景下的平均识别准确率达到95%以上。     

基于BAS-BP-Bagging模型的光纤陀螺温度补偿

为提高光纤陀螺的输出精度,以天牛须搜索算法(BAS)优化后的BP神经网络模型为基学习器,采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型,并对某型号光纤陀螺进行了温度补偿实验。实验结果表明,在-40～+60℃温度变化环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%,相较于多项式补偿算法减小了55%,相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。     

基于Transformer的实时语义分割网络及应用北大核心CSCD

为提升机器人对电缆隧道场景的环境感知能力,提出了一种适用于电缆隧道场景的实时语义分割网络。使用Transformer结构提取图像全局语义信息,同时使用卷积神经网络捕获图像局部细节信息,将二者结合增强图像分割精度。同时,针对机器人以及隧道特点,将语义分割结果转化为机器人前方目标信息以及机器人偏离情况信息,辅助机器人导航避障。实验结果表明,所提出的网络在公共数据集Cityscapes、CamVid上平均交叉联合度量分别为77.2%、76.8%,相比BiSeNet分别提高了8.8%、8.1%,并能较好地适应于实际电缆隧道环境中,提供有效的场景感知信息,实现自主避障。     

基于无监督学习的低照度图像增强算法

针对目前低照度图像增强算法存在恢复细节丢失、网络复杂度高和配对数据集获取难度大等问题,提出了一种基于无监督学习的图像增强算法。在YIQ色彩空间中,通过构建的轻量化网络和幂指函数计算亮度通道Y的增强曲线,从而获得曝光较差区域增强和高光区域遏制的图像。该网络使用的无参考损失函数可以隐式地评估图像增强质量并驱动网络学习。实验对比结果表明,该算法在可训练参数和模型权重仅占9.5 k/88 kB的情形下,在视觉效果与图像质量指标上都取得了具有竞争力的结果。     

基于深度自编码-高斯混合模型的视频异常检测方法

由于异常定义的模糊性和真实数据的复杂性,视频异常检测是智能视频监控中最具挑战性的问题之一。基于自动编码器(AE)的帧重建（当前或未来帧）是一种流行的视频异常检测方法。使用在正常数据上训练的模型,异常场景的重建误差通常比正常场景的重建误差大得多。但是,这类方法忽略了正常数据本身的内部结构,效率较低。基于此,提出了一种深度自动编码高斯混合模型(DAGMM)。首先利用深度自动编码器获得输入视频片段的生成低维表示和重构误差,并将其进一步输入高斯混合模型(GMM)。而估计网络则通过高斯混合模型预测能量概率,然后通过能量密度概率判断异常。DAGMM以端到端的方式同时联合优化深度自动编码器和GMM的参数,能够平衡自动编码重建、低维表示的密度估计和正则化,泛化能力强。在两个公共基准数据集上的实验结果表明,DAGMM达到了现有最高技术发展水平,在UCSD Ped2和ShanghaiTech两个数据集上分别取得了95.7%和72.9%的帧级AUC。     

基于红外与可见光图像的目标检测算法

针对现有基于可见光的目标检测算法存在的不足,提出了一种红外和可见光图像融合的目标检测方法。该方法将深度可分离卷积与残差结构相结合,构建并列的高效率特征提取网络,分别提取红外和可见光图像目标信息;同时,引入自适应特征融合模块以自主学习的方式融合两支路对应尺度的特征,使两类图像信息互补;最后,利用特征金字塔结构将深层特征逐层与浅层融合,提升网络对不同尺度目标的检测精度。实验结果表明,所提网络能够充分融合红外和可见光图像中的有效信息,并在保障精度与效率的前提下实现目标识别与定位;同时,在实际变电站设备检测场景中,该网络也体现出较好的鲁棒性和泛化能力,可以高效完成检测任务。     

基于数字编码超材料的大视场前视成像方法

雷达前视成像中,成像性能主要依赖于阵列孔径与超分辨成像,针对传统雷达大视场前视成像算法复杂度高、系统造价昂贵等问题,提出了一种基于数字编码超材料的单通道雷达前视成像方法,并提出利用阈值分割方法实现大视场成像区域的精细划分,结合超材料的数字编码来提升空间成像的局域自由度,最终实现了对大视场的快速精细化成像;在此基础上,开展了超材料孔径成像理论与算法性能的统计分析。经仿真验证,本文所提方法在一定程度上解决了传统大视角前视成像问题,形成了一套体系化算法,为数字编码超材料雷达探测与成像系统的设计奠定了基础。