Cellular neural network with trapezoidal activation function

This paper presents a cellular neural network (CNN) scheme employing a new non‐linear activation function, called trapezoidal activation function (TAF). The new CNN structure can classify linearly non‐separable data points and realize Boolean operations (including eXclusive OR) by using only a single‐layer CNN. In order to simplify the stability analysis, a feedback matrix W is defined as a function of the feedback template A and 2D equations are converted to 1D equations. The stability conditions of CNN with TAF are investigated and a sufficient condition for the existence of a unique equilibrium and global asymptotic stability is derived. By processing several examples of synthetic images, the analytically derived stability condition is also confirmed. Copyright © 2005 John Wiley & Sons, Ltd.     

利用模糊感知器解决模糊可分样本的分类问题

针对一类用于解决分类问题的模糊感知器,提出完全随机输入的模糊δ-规则,并给出训练样本模糊可分的定义。实例表明,利用该算法可以有效地解决模糊可分样本的分类问题,在有限步迭代后就达到收敛,即有限步训练后网络能将所有样本正确分类。     

两体量子态可分离性判据

一般情况下,判断一个给定量子态是否为纠缠态以及是否可用于信息处理是一个比较复杂的问题.文中研究了两体量子态的可分离性,通过分析密度矩阵在可分离状态下的展开式以及展开系数之间的关系,给出了两体量子态可分离性的一个新的判据:若量子态可分,则展开系数必满足一定的不等式.此判据仅依赖于系统的维数和密度矩阵的展开系数,而这些数据是易于求得的,使得量子纠缠态的判断简单易行且易于操作,在实际运用中具有理论价值.     

室内服务机器人的实时场景分割算法

室内场景下的实时场景分割是开发室内服务机器人的一项关键技术,目前关于语义分割的研究已经取得了重大进展,但是多数方法都倾向于设计复杂的网络结构或者高计算成本的模型来提高精度指标,而忽略了实际的部署成本。针对移动机器人算力成本有限的问题,设计一种轻量化的瓶颈结构,并以此为基本元素构建轻量化场景分割网络。该网络通过与特征提取网络级联获得更深层次的语义特征,并且融合浅层特征与深层语义特征获得更丰富的图像特征,其结合深度可分离卷积与多尺度膨胀卷积提取多尺度图像特征,减少了模型的参数量与计算量,同时利用通道注意力机制提升特征加权时的网络分割精度。以512像素×512像素的图像作为输入进行实验,结果表明,该算法在NYUDv2室内场景分割数据集和CamVid数据集上的MIoU分别达到72.7%和59.9%,模型计算力为4.2 GFLOPs,但参数量仅为8.3 Mb,在移动机器人NVIDIA Jetson XavierNX嵌入式平台帧率可达到42 frame/s,其实时性优于DeepLabV3+、PSPNet、SegNet和UNet算法。     

改进CenterNet的遥感图像目标检测

基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。     

YOLOv4口罩检测算法的轻量化改进

针对当前YOLOv4目标检测算法网络模型庞大、特征提取不充分且易受光线环境影响的缺点,提出了一种优化了特征提取网络和一般卷积块的轻量化YOLOv4-Lite网络模型。使用改进的MobileNetv3替换原有的主干特征提取网络,减小了网络模型的参数量,提高了检测精度。提出了使用深度可分离卷积块代替原网络中的普通卷积块,使得模型的参数量进一步降低。结合了标签平滑、学习率余弦退火衰减算法,新增了SiLU激活函数代替MobileNetv3浅层网络的ReLU激活函数,优化了模型的收敛效果。优化了Mosaic数据增强方法,提升了模型的鲁棒性。在人脸口罩佩戴任务中与原算法相比,牺牲了1.68%的mAP,但在检测效率（FPS）上提升约180%。     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

改进残差网络的猴痘病毒皮肤病变分类

目前猴痘病毒在全球范围内传播,这种病毒在临床上与其他皮肤疾病难以区分,特别是天花病毒和水痘病毒.在确定性聚合酶链式反应技术和其他生物检测技术还没有完全成熟的情况下,通过计算机辅助诊断技术检测猴痘病毒皮肤病变是一种可行的方法,因此提出了一种基于残差网络的猴痘病毒皮肤病变分类算法.该算法以残差网络为基本框架,结合深度可分离卷积和轻量化注意力,在降低模型计算量与复杂度的同时,也提高了模型的分类性能.实验结果表明,该算法对猴痘病毒皮肤病变表现出较好的分类性能,对猴痘皮肤病变的分类准确率、召回率和精度分别为97.3%, 96.8%和97.2%,且均优于实验中所对比的常见分类模型和其他研究方法.     

基于改进的SSD监理目标检测研究

针对装饰装修工程中由人工验收带来的诸多问题,文中提出了一种改进的SSD算法并将其应用于监理工作来代替人工验收,推动智能监理的实现。由于SSD算法存在对同一目标复检以及小目标检测效果欠佳等问题,故文中利用DPN网络替换基础特征提取网络VGG16。DPN结合了Resnet和Densenet的优点,具有更好的特征提取能力。通过加权FPN融合特征图,突出不同层特征图的贡献,丰富用于预测的特征图语义。利用深度可分离卷积降低模型的参数量,提高算法的推理速度。实验对比发现,改进后模型的平均精度提升了3.47%,对小数目检测平均精度的提升可达15%,证明新模型在监理目标检测任务中效果良好。     

Adaptive Particle Swarm Optimization Data Hiding for High Security Secret Image Sharing

The main aim of this work is to improve the security of data hiding for secret image sharing. The privacy and security of digital information have become a primary concern nowadays due to the enormous usage of digital technology. The security and the privacy of users’ images are ensured through reversible data hiding techniques. The efficiency of the existing data hiding techniques did not provide optimum performance with multiple end nodes. These issues are solved by using Separable Data Hiding and Adaptive Particle Swarm Optimization (SDHAPSO) algorithm to attain optimal performance. Image encryption, data embedding, data extraction/image recovery are the main phases of the proposed approach. DFT is generally used to extract the transform coefficient matrix from the original image. DFT coefficients are in float format, which assists in transforming the image to integral format using the round function. After obtaining the encrypted image by data-hider, additional data embedding is formulated into high-frequency coefficients. The proposed SDHAPSO is mainly utilized for performance improvement through optimal pixel location selection within the image for secret bits concealment. In addition, the secret data embedding capacity enhancement is focused on image visual quality maintenance. Hence, it is observed from the simulation results that the proposed SDHAPSO technique offers high-level security outcomes with respect to higher PSNR, security level, lesser MSE and higher correlation than existing techniques. Hence, enhanced sensitive information protection is attained, which improves the overall system performance.