基于特征融合和自注意力机制的水下目标识别

海洋水声信道具有时变、空变的特征,被动式声纳接收到的目标信号复杂多变,传统水下目标识别方法难以满足当前任务要求。提出基于注意力机制改进的多特征融合水下目标识别框架,在典型声学特征基础上,通过引入对比学习无监督特征加强目标数据的特征表达,使用多维自注意力机制,分别在特征维度和时间维度高效完成深层次目标弱信息特征抽取,显著提升识别效果。通过对真实录制的水声数据集进行实验对比,证明了所提出方法的有效性。     

多重需求叠加下大学生全民健身参与的意义和对策思考

本文基于健康中国、全民健身、体育强国及高素质人才培养与疫情防控常态化的多重需求,围绕健康意识、实践能力与美育教育等方面分析大学生全民健身参与的重要意义,并从体育制度、体育氛围、体育意识、体育内容四个方面出发,围绕全民健身的新观念、新文化、新氛围与新活动提出大学生全民健身参与的对策,旨在发挥大学生群体作用、参与健康中国战略与全民健身战略践行。     

基于局部特征位置编码的小样本分类网络

为了解决使用图片级特征直接度量两张图片距离时会出现具有不同语义信息区域之间相互比较的问题,文章提出了基于局部特征位置编码的小样本分类网络。网络首先通过空间注意力模块加强具有判别性的区域特征,之后通过位置编码模块完成位置映射,使得具有相同语义信息的区域处于同一位置。实验结果表明,将局部特征进行位置编码之后再进行分类,能够有效地提升小样本分类的准确度。     

基于意象的诗词情感分析研究

针对诗词中意象与情感的关系,传统的研究方法过度依赖专家知识且未见大规模语料自动处理。为此提出将方面级情感分析技术应用到诗词情感分析领域,并通过对比实验选取出自动分析意象与诗词情感效果最好的方面级情感分析模型。首先采用BERT预训练模型得到诗词的初始化向量表示,再分别输入到BERT-Single、 AOA(Attention-Over-Attention)、 IAN(Interactive Attention Networks)、 MemNet(Memory Network)、ATAE-LSTM(Attention-based LSTM with Aspect Embedding)五个主流方面级情感分类模型中获取与诗词意象相关的情感分类特征向量,最后将其输入到Softmax分类器进行情感判定。实验结果表明,IAN的效果最好,Macro＿F1值达到了68.16%。     

三相非正弦多重矢量功率理论

功率理论是以电路中的能量流动和物理现象为基础,通过数学表达式对功率特性进行准确描述,在电能计量、谐波和无功补偿等方面具有重要意义。随着电力电子技术的广泛应用,现代电力系统中非正弦和不对称问题日益严重,但传统无功功率定义仅在正弦条件下有意义,在非正弦下无功功率的补偿方案缺乏理论支撑。文中基于几何代数法建立了多重矢量功率理论,其功率分量包括有功功率、分散功率、Budeanu无功功率、畸变无功功率以及相间不平衡功率。该方法适用于非正弦单相和三相电路,能够很好地描述功率分量,并遵循电路中的基本定理。最后在不同的工况下对功率进行仿真计算,结果表明划分后的各部分功率能够被准确测量,且物理意义明确,验证了该方法的有效性。     

融合细节特征与混合注意力机制的火灾烟雾检测

针对卷积神经网络高层特征图中细节特征被削弱造成烟雾图像底层特征丢失的问题,提出一种融合细节特征与混合注意力机制的YOLOv4改进算法。设计了细节特征融合模块,将主干网络中的底层细节特征引入高层特征图,得到具有丰富多尺度信息的融合特征。在通道和空间维度上采用混合注意力机制对融合特征的图权重进行重新赋值,在增强烟雾目标特征的同时抑制无关区域特征,使烟雾特征表达具有更好的鲁棒性。实验结果表明,本文算法的平均精确率、精确率和召回率相比YOLOv4算法分别提高了4.31%,1.21%,9.86%,同时保持了较快的检测速度。本文算法能够有效提取烟雾目标的整体特征,对于复杂背景下的火灾烟雾检测任务更为适用。     

基于注意力机制的YOLOv4输电线路故障检测算法

为了提高光学图像输电线路故障检测的准确率,提出了一种基于注意力机制的YOLOv4检测算法.为了提升图像故障区域的特征表达能力,因此将注意力机制嵌入到跨阶段局部黑暗网络(CSPDarknet)的每一个跨阶段局部残差连接模块(CSPD)层中的最后一层Shortcut层之后,得到高效通道空间注意力机制(ECSA)结合YOLO...     

基于自注意力机制的单幅图像去雨滴方法

在数字图像中去除雨滴的干扰,对恢复图像质量有较大应用意义.随着深度学习图像去噪技术的发展,针对目前大多数去雨滴的方法恢复质量低、计算量大等问题,提出了一种基于自注意力机制的轻型图像去雨滴算法.该算法建立了一个轻量级的级联稠密残差网络(cascaded dense residual network),用于恢复被雨滴覆盖的...     

深度双重注意力的生成与判别联合学习的行人重识别

在行人重识别任务中存在数据集标注难度大,样本量少,特征提取后细节特征缺失等问题。针对以上问题提出深度双重注意力的生成与判别联合学习的行人重识别。首先,构建联合学习框架,将判别模块嵌入生成模块,实现图像生成和判别端到端的训练,及时将生成图像反馈给判别模块,同时优化生成模块与判别模块。其次,通过相邻的通道注意力模块间连接和相邻空间注意力模块间连接,融合所有通道特征和空间特征,构建深度双重注意力模块,将其嵌入教师模型,使模型能更好地提取行人细节身份特征,提高模型识别能力。实验结果表明,该算法在Market-1501和DukeMTMC-ReID数据集上具有较好的鲁棒性、判别性。