多标签分类的传统民族服饰纹样图像语义理解

针对当前图像多标签分类方法只关注图像本体类别信息(本体),而忽略图像深层次语义信息(隐义)的问题,本文提出了一种"本体-隐义"融合学习的图像多标签分类模型。该模型首先利用CNN中间层和较高层分别学习图像的本体信息和隐义信息,然后利用本体信息与隐义信息之间的依赖关系设计了融合学习模型,同时对提出模型的不同中间层特征和模型的不同结构进行了深入研究,最终实现了对图像中多类别以及各类别蕴含的隐义信息分类。在传统民族服饰纹样图像数据集上进行实验,得到图像本体多标签分类和隐义多标签分类的mAP分别为0.88和0.82;在Scene数据集上进行对比实验,本文模型在Hamming loss,One-error以及Average precision指标上分别优于其他最好方法0.103,0.091和0.083,实验结果证明了本文方法的有效性和优越性。     

基于VAE-MSGAN网络的复杂细节图像生成方法

生成式对抗网络被广泛应用于图像生成领域,但其在图像生成时模型不易收敛,导致生成图像的局部细节易出现背景模糊问题.将变分自动编码器与生成式对抗网络相结合,在两者图像生成方面优势相结合的基础上,引入多尺度判别器,提出了VAE-MSGAN网络模型.通过不同尺度的卷积核可以提取到更加丰富的特征信息,并通过加入批标准化(BN)层与特征融合处理,从而加快网络的收敛速度,有利于特征信息的重利用,再将两者提取到的特征信息进行融合,最后将改进的正则化方法应用到目标函数中,减小网络复杂度和过拟合,提升了GAN模型的训练稳定性和图像的局部细节生成质量.对设计的图像生成算法基于Ubuntu16.04环境下利用Tensorflow深度学习框架进行了实现和仿真.对比在不同军事图像类别上的图像生成质量,通过交叉验证证明生成图像与真实图像在深度学习分类器下分类准确率基本一致,验证了所设计网络模型的有效性.     

保持应用特征信息的视频序列分层与时域亚采样

针对信道带宽和存储空间严格受限条件下的视频传输和存储,提出了保持应用特征信息的视频序列分层与时域亚采样模型.把视频序列分解为背景层与运动目标层,对背景层单独压缩,对运动目标层按照相应准则实施保持应用特征信息的时域亚采样后再进行压缩,使得编码比特流量大幅度降低,从而为在极低比特率条件下的视频传输和存储创造了条件.     

一种轻量化卷积神经网络的行为识别模型

针对当前深度学习模型对硬件计算能力要求较高,难以在机器人控制系统中实际应用等问题,以智能护理机器人为应用背景构建了一种轻量化的卷积神经网络模型。首先,模型采用两层卷积层对行为进行特征提取,减少网络层数对硬件系统计算能力的要求。其次,为了有效提取人体行为特征,在卷积神经网络模型中引入跨层结构,以融合高层特征信息与低层特征信息,提高模型的识别效果,并建立了根据老年人的行为方式采集的具有4种行为类别的数据集。通过试验对比其他高性能行为识别模型的准确率及计算模型自身的运行速度,证明了文中提出的方法在有效识别人体行为的前提下可以应用在运算能力较差的机器人硬件系统中,具有良好的实际应用价值。     

基于三维GIS技术的公路交通数字孪生系统

数字孪生是一种集成多学科属性,通过物理世界与信息世界连接融合达到虚拟现实交互与融合的科学,其在交通业的落地途径为建筑信息模型(BIM)+地理信息系统(GIS)技术。各类交通基础设施模型要素的交互关联及孪生数据合理建设方案成为制约其发展的瓶颈。立足交通,以数字孪生的五维结构模型为指导,在三维GIS环境下,针对其虚拟模型应包含的几何、物理、规则模型提出了具体的实现技术。分析了交通基础设施分类及孪生数据特点,细化其构件层次关系,实现模型的标识编码与存储方案。依据CAMP5对系统软件进行分类,并依各层次阐述了验证方法,完成系统验证。最后,基于虚拟模型与数据融合,梳理了像素层、表征层和决策层的应用开发思路,以期为交通运输领域践行数字孪生提供技术参考。     

基于零件特征的信息的数据库表达

利用数据库技术，在特征分类的基础上对零件进行信息建模。模型分为三个层次：零件层、特征层、几何层。该模型对提高工艺准确性及自动化提供了保障。     

模式识别中的信息融合方法--二次决策

多传感器信息融合技术是目前智能信息处理研究的热点之一.信息融合技术应用于模式识别领域也是模式识别的发展方向.将模式识别中决策层分类信息的融合理解为第一层分类输出二次决策的过程,并将经典的基于模式特征的分类方法应用于此框架中.交通标志的形状识别实验表明,该方法不仅能够取得与经典决策层融合方法相类似的效果,而且可以应用于无法使用经典融合方法的情况.     

主从特征融合驱动的铝型材表面缺陷检测

针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低的问题,提出一种主从特征融合驱动的表面缺陷检测模型。该模型的构建主要包括3个部分：首先采用经Focal-Loss损失函数优化的UNet模型完成缺陷分布不均匀的样本分割与定位;然后集合卷积神经网络(CNN)与反向传播神经网络(BPNN)构建融合图像纹理特征、梯度信息和缺陷形状特征的主从特征预分类层;最后通过级联特定模糊规则的模糊神经网络完成缺陷的最终分类。利用阿里天池比赛的铝型材数据集中的5类缺陷样本对模型进行了实验验证,平均分类检测精度达到97.2%,为铝型材表面缺陷检测提供了新方法。     

面向精度的数字化产品装配模型研究及应用

结合异地协同装配的特点，对产品特征信息进行了分类，在研究零件特征的公差信息表示基础上，建立了面向精度的产品层次模型。该模型分为层次关系层、关联关系层、特征信息层和特征元素层四层，通过建立层内各元素的关系链和层间信息的映射实现了产品信息的有机结合。研究了CAD零件信息与数字化装配系统的信息转换方法，采用面向对象技术实现了产品的装配建模。通过采用回溯算法搜索产品模型层次信息，实现数字化装配环境中产品装配尺寸链的自动寻找。     

位置敏感Transformer航拍图像目标检测模型

针对无人机视角下航拍图像小目标多且检测困难的问题,提出了一个位置敏感Transformer目标检测（PS-TOD）模型。设计了一个基于位置通道嵌入三维注意力（PCE3DA）的多尺度特征融合（MSFF）模块,即PCE3DA利用空间与通道信息的相互依赖关系生成三维注意力,用于加强模型对兴趣区域的特征表达能力,且基于它构造了一个自底向上的跨层MSFF方案,使得融合后的特征语义信息更加丰富;然后,设计了一种新的位置敏感自注意力（PSSA）机制,且以此构造位置敏感Transformer编-解码器,使模型在捕获图像全局上下文信息的长期依赖关系时,也可提高模型对目标的位置敏感能力。基于无人机航拍数据集VisDrone的对比实验结果表明,提出模型的AP达到28.8%,与基线模型（DETR）相比提高了4.1%。该模型在复杂背景下能对无人机航拍图像进行精确的目标检测,且改善小目标的检测效果。     

焊接缺陷的磁光成像小波多尺度识别及分类

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷,提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型;研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先,通过对焊件施加感应磁场,利用法拉第磁致旋光原理构成磁光传感器,获取焊接缺陷磁光图像。然后,针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征,基于小波模极大值的多尺度边缘信息融合方法,设计了具有高抗噪性的缺陷边缘检测算法。最后,通过PCA法对磁光图像列方向灰度变量进行预处理,得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量,构建了三层BP神经网络模型,对焊接缺陷样本进行分类。试验结果表明,所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷,模型分类准确率可达90.80%。     

基于多模态信息融合的图像情感标注方法

随着互联网中图像资源的不断增长,情感作为图像的一个重要语义,是人们检索和选择图像的重要依据,因此对于图像进行情感标注显得至关重要。结合脑电信号(EEG)和图像内容,提出了一种基于多模态信息融合的图像情感标注方法。首先,提取EEG频域特征及图像特征(颜色及纹理);其次,结合两者特征信息,基于两种融合策略(特征层和决策层),构建支持向量机分类模型,进行图像情感识别与标注。为了评估方法的有效性,使用国际情绪图片系统公共数据集进行了实验验证。结果表明,提出的多模态信息融合图像情感标注方法优于单独使用EEG或图像内容的标注方法。此外,该成果有助于缩小低层视觉特征和高层情感语义之间的语义鸿沟。     

信息融合的油液监测系统介绍

文章主要论述了多传感器信息融合的基本理论,给出了集中式、分布式和混合式三种模型结构,并比较它们的优缺点;融合层次对多传感器信息融合性能有重要的影响,给出数据层、特征层、决策层三种融合层次的性能对比结果;对融合系统算法进行了分析;最后给出了基于多传感器信息融合的油液监测系统,并对系统的融合过程和油液监测分布组件对象进行了剖析。     

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明：不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。     

抽油管缺陷检测的多传感器融合技术

将多传感器信息融合技术应用于抽油管缺陷在线检测系统.油管缺陷定量检测的多传感器信息融合模型的建立分别在数据层、特征层和决策层三个融合层次上进行;选取4路传感器信号进行信号直接融合,通过硬件直接形成油管的偏磨信号;建立了基于插值法的偏磨缺陷的定量分析方法,并给出了实测结果.对于坑状缺陷,通过对28路传感器所观测的目标进行统一的特征融合,提取特征向量,利用神经网络的决策模型完成了坑状缺陷的量化分析.     

多层卷积特征融合的双波段决策级船舶识别

针对可见光和红外双波段船舶识别标注样本少、特征级融合精度低的问题,提出了一种基于多层卷积特征和后验概率加权的决策级融合识别方法。首先,利用预训练卷积神经网络模型,分别提取双波段船舶图像的卷积特征。然后,利用主成分分析方法进行卷积特征降维,设置特征重构阈值自动选择低维空间维度,以适应双波段和各卷积层的特征差异。随后,通过L2范数归一化和级联方法,融合每个波段的中级和高级多层卷积特征。最后,通过加权融合两个波段的支持向量机分类后验概率,构建决策级融合识别模型。实验结果表明:决策级融合识别精度比特征级融合识别精度提升1.5%～2.5%,而且最好值89.7%高出现有最优识别精度1.5%。具有执行简单、处理速度快、识别精度高的优势。     

基于组稀疏贝叶斯逻辑回归运动想象脑电信号分类模型的通道选择与分类新算法

针对脑电信号的通道选择和分类问题,提出了基于组稀疏贝叶斯逻辑回归(gsBLR)的运动想象脑电信号分类模型,同时进行通道选择和分类。首先,对多通道信号进行空间滤波和带通滤波,降低容积传导效应的影响;其次,对每个通道的信号提取具有判别信息的时域、频域以及时频域特征,并进行特征融合;最后,使用gsBLR方法进行通道选择和分类,在贝叶斯学习框架下模型参数可自动从训练数据中估计得到,避免了繁琐而耗时的交叉验证过程。在两个公开的脑机接口(BCI)竞赛数据集和自采集数据集上进行了实验验证,分别获得了81.63%、84.97%和76.47%的最高平均分类准确率;相比其他方法,所提出的方法具有较好的分类准确率和较少的通道数,同时所选通道与神经生理背景更加吻合。     

基于多元神经网络融合的分布式资源空间文本分类研究

针对实体产业对科技资源的服务需求,以服务效应作为资源文本分类标准,提出一种基于多元神经网络融合的分布式资源空间文本分类模型。设计了包含词嵌入层、卷积层、双向门控循环单元层、注意力机制层和softmax层的多元神经网络通路;在此基础上采用基于需求—效应—资源分类策略,完成了从定性科技资源需求到定量资源服务效应求解,再到定性科技资源输出的映射变换,重点解决了分布式科技资源局部和全局语义特征形式多样、文本长距离依赖特征显著、重要资源信息难以准确识别的问题,进而从分布式科技资源空间中快速准确地获取效应知识,提升实体产业产品研发效率和创新能力;通过万方专利科技资源数据集验证了所提方法的可行性和有效性,为更加全面地挖掘资源文本特征和按需服务实体产业提供了一种新的思路和手段。     

基于信息融合技术的磁轴承转子故障诊断

故障诊断信息融合过程可表述为检测层、特征层和决策层的信息融合。文中根据磁轴承转子振动分析的特点,提出了信息融合的故障诊断方案:检测层的融合创新性采用了基于小波分析的加权算法,特征层以希尔伯特-黄变换(HHT)分析法为基础,对边际谱进行特征频段能量的计算,采用BP神经网络对磁轴承转子故障类型进行特征层的识别诊断。决策层采用经典的D-S证据理论,对特征层获得的多个诊断结果做决策融合处理,最终确定磁轴承转子的故障类型。实验结果表明该方法有效地提高了故障诊断结果的可靠性,充分显示了该系统方案的有效性。     

融合分数阶微分边缘特征的自适应跟踪

为提高跟踪方法对背景信息、光照变化的抗干扰能力,提出融合分数阶微分边缘特征信息的改进跟踪方法。将R-L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合,构造出对高、中频信息提升,而对低频信息能够非线性保留的混合边缘检测算子,并利用其实现目标模板及场景图像的边缘特征信息检测。基于目标色度特征和边缘特征两种直方图模型,分别建立场景图像的反向概率投影值,根据背景信息的动态变化,以抑制背景干扰信息为目的,建立自适应融合的反向概率投影图,提高算法对不确定环境变化信息的鲁棒性。实验结果表明,混合边缘检测算子能够提高边缘图像的信噪比,改善边缘提取的效果。边缘、色度特征信息自适应融合的跟踪方法单帧跟踪时间小于20 ms,满足实时性要求。该方法能够在光照变化明显和与目标颜色相似背景等情况下有效实现目标识别与跟踪功能。