【摘 要】
：
为了解决卷积神经网络(CNN)在语义分割特征提取阶段容易丢失空间信息以及边界信息不明确的问题,基于U-Net基线网络提出空间全局上下文信息网络(NC-Net).增加再编码阶段(ReEncoder),以增强空间信息识别能力.在Decoder阶段输出多尺度特征,与ReEncoder阶段结合获取全局上下文信息.保留边界损失函数,设计多尺度损失函数级联方法,优化整体网络.在GID以及WHDLD数据集上的实验结果表明,该方法的总体准确度达到最好成绩,明显优于其他基线模型.
【机 构】
：
郑州大学 信息工程学院,河南 郑州 450001;郑州大学 地球科学与技术学院,河南 郑州 450001
论文部分内容阅读
为了解决卷积神经网络(CNN)在语义分割特征提取阶段容易丢失空间信息以及边界信息不明确的问题,基于U-Net基线网络提出空间全局上下文信息网络(NC-Net).增加再编码阶段(ReEncoder),以增强空间信息识别能力.在Decoder阶段输出多尺度特征,与ReEncoder阶段结合获取全局上下文信息.保留边界损失函数,设计多尺度损失函数级联方法,优化整体网络.在GID以及WHDLD数据集上的实验结果表明,该方法的总体准确度达到最好成绩,明显优于其他基线模型.
其他文献
大型汽轮机低压缸末几级普遍选用自带冠长叶片,可显著提高汽轮机的性能.随着机组在低负荷工况下运行时间增加,可能出现严重水蚀现象,致使叶冠受损或脱落,威胁机组安全.针对某厂2台630 MW汽轮机组低压缸末级动叶和导流环水蚀故障现象,分析诱发原因,采取对末级动叶进行超音速热喷涂、更换空心静叶、降低8A和8B低压加热器的疏水孔位置、提高低压排汽导流环的强度等综合措施,大幅提高了低压缸的抗水蚀能力.对大型汽轮机组低压缸水蚀进行监测、及时采取综合性的预防措施,可提高机组低压缸的可靠性.
采用Realizable k-ω湍流模型,耦合离散相模型(DPM),对高速列车运行时的车底覆雪问题开展模拟研究.模拟中,考虑流场作用与颗粒-壁面碰撞特征2个方面,建立基于壁面阈值摩擦速度与颗粒-壁面捕捉角的壁面覆雪判别准则.选用Paradot开展的简单几何体覆雪试验作为原型,通过控制变量分析,对准则参数设置的合理性进行讨论.与原型覆雪的结果对比表明,以往研究中对覆雪准则相关参数的取值偏小,建议改进2个判别参数,分别为1.0 m/s与60°.利用改进参数的准则,对我国现有运营某型号高速列车运行时的转向架覆雪
为了实现路基工后沉降的早期、精准预测,提出基于双向长短期记忆网络(Bi-LSTM)的路基沉降预测技术.采用Akima法将观测数据内插为适应时序分析法的等时距序列,提取“填土高度-时间-地基沉降”曲线中的6个影响因素作为变量训练Bi-LSTM模型,结合滚动迭代方法实现沉降预测的后延更新.研究表明,利用深度学习技术可以有效地利用路基施工期信息,增加训练样本量,提升沉降早期预测的可靠性.Bi-LSTM模型对观测信息进行双向特征提取,同等样本量下的预测效果更精确.依托6个中等压缩性土地基和1个复合地基监测断面信息
针对风电大规模并网将增加电网调频需求的问题,提出考虑风电不确定性的风电机组同时参与能量市场与调频市场的日前投标方法.分析风电场在2种市场中的收益机制,在调频市场收益中考虑调频性能指标(FRPI),提出调频性能指标的估值方法.分析风电场参与2种市场的投标策略.利用核极限学习机(KELM)和核密度估计(KDE),建立风电功率概率预测模型KELM-PSO-KDE.基于功率概率密度的预测结果,以风电场收益最大为目标函数建立优化模型,利用蚁狮优化(ALO)算法求解该模型,得到风电场同时参与2种市场的日前最优投标功率
针对病理图像染色不均匀及良恶性难以鉴别的问题,提出基于Cycle-GAN和改进的双路径网络(DPN)的算法框架.利用Cycle-GAN进行颜色归一化处理,解决因病理图像染色不均匀导致的检测模型精度偏低问题,通过对图像进行重叠切片,基于DPN网络采用增加小卷积、反卷积和注意力机制,增强模型对病理图像纹理特征的分类能力.在BreaKHis数据集上的实验结果表明,所提算法有效提高了乳腺癌病理图像良恶性分类的准确性.
针对多源聚合下同时对齐域不变特征较困难而造成分类精度不高的问题,提出基于自监督任务的多源无监督域适应法.该方法引入旋转、水平翻转和位置预测3个自监督辅助任务,通过伪标签性、语义信息的一致性对无标签数据进行自适应的对齐优化.构建新的优化损失函数,减少多域公共类别的分类差异.针对类别不均衡的问题,基于少样本大权重的原则,定义动态权重参数,提高模型的分类性能.在公开的Office-31、Office-Caltech102种基准数据集上,与现有的主流方法进行实验对比.实验结果表明,在类别均衡、不均衡2种情况下,分
为了实现更高效的P300信号特征提取,提出融合Inception网络和注意力机制模块的卷积网络模型,即In-cepA-EEGNet.该模型使用不同感受野的卷积层进行并行连接,增强网络提取和表达脑电信号的能力.引入注意力机制实现不同过滤器特征的权重分配,提取P300信号中的重要信息.模型在BCI CompetitionⅢ数据集II的2个受试者数据上进行验证.与其他深度学习模型相比,IncepA-EEGNet的字符识别率在5个实验轮次后达到平均75.5％,在3个轮次后受试者B的信息传输速率达到33.44 bi
针对光伏系统积灰程度监测的问题,考虑到基于理论公式的方法误差较大,基于计算机视觉的方法成本较高,传统机器学习方法对训练数据有较高需求,提出弱监督的数据驱动方法:改进型相似性建模(SBM)方法.在原始的SBM方法的基础上,对参数选取、状态矩阵构建与更新、相似性算子设计进行针对性的改进,使得该方法更加适用于光伏系统的应用,提高准确性与响应速度.利用真实的积灰实验数据,对改进型SBM方法与其他5种方法的积灰诊断效果进行对比,包括基于理论公式的方法、前馈神经网络(FNN)、支持向量回归(SVR)、随机森林(RF)
为了探究涡轮叶片内部肋通道的流场特性与换热机理,设计不同角度的带肋通道实验模型.采用流动显示实验与粒子图像测速实验,对通道的典型截面流场进行统计平均特性分析与非定常分析.结果表明,当扰流肋与流向的夹角为60°～90°时,减小夹角能够降低扰流肋对流体的阻挡作用,增大扰流肋后方旋涡的纵向范围与强度.减小夹角使第1个肋区间的回流强度先增大后减小,第2个肋区间流体的纵向冲击强度增大.斜肋结构能够提高主流流体与肋间流体的雷诺应力峰值,增强肋间扰动强度,提升通道的换热特性.减小夹角可以提升流场的速度振荡幅值与振荡频率
针对上行免调度非正交多址接入(NOMA)场景中多用户检测的问题,通过结合传输数据的符号特征,提出基于深度神经网络(DNN)的联合活跃用户检测和数据检测框架.考虑更一般化的实际场景,即用户在每个时隙中随机活跃.将DNN求解结果作为改进的正交匹配追踪(OMP)算法先验输入,修正提升活跃用户检测和数据检测性能.仿真结果表明,提出的多用户检测方案比传统的贪婪追踪及动态压缩感知(DCS)多用户检测算法具有更好的用户活跃性及数据检测性能.