融合SimAM注意力机制的实时多目标跟踪算法

多目标跟踪中的JDE算法首次将目标检测与重识别进行联合学习,极大提升了跟踪速度,但由于复杂背景干扰和遮挡导致跟踪准确度下降。为了解决跟踪速度与准确度的平衡问题,本文提出了SAM JDE,该模型融合了SimAM注意力机制、多尺度融合等思想,通过增强特征提取能力提高目标跟踪的准确性。使用CIoU_Loss作为回归损失函数,通过准确地构建目标框和预测框之间的位置关系来提升定位精度。关联匹配部分使用卡尔曼滤波预测运动信息,匈牙利匹配算法完成时序维度上的目标关联。在MOT16 test数据集上进行测试,MOTA达到664%,跟踪速度为206 FPS,在保证实时性的基础上跟踪准确度较JDE算法提升23%,较好地优化了准确度与速度的平衡问题。     

一种融合多注意力机制的服饰分割方法研究

针对DeeplabV3+网络模型在服饰图像分割研究中存在上下文信息利用不充分、目标边界处理粗糙,难以满足生产生活中的真实需求等问题,提出并实现了一种融合多注意力机制的DeeplabV3+服饰分割的算法.该方法以DeeplabV3+网络为基础,使用特征金字塔替代空间金字塔,结合注意机制融合图像相邻尺度下的上下文信息,为服...     

基于ConvNeXt和注意力机制的绝缘子自爆故障检测方法

为了更加准确地识别和定位架空线路绝缘子的自爆故障,保障电力系统安全稳定运行,提出一种基于ConvNeXt和注意力机制的目标检测算法,可用于无人机、巡检机器人等设备拍摄的可见光图像中绝缘子自爆故障检测。首先,使用一种新型卷积神经网络ConvNeXt作为主干网络,使用1∶1∶1∶3的阶段模块数量比例,增强网络对抽象语义特征的提取能力;其次,使用跨阶段局部连接结构,减少网络参数量和计算复杂度,丰富网络梯度连接;最后,引入卷积注意力机制,增强网络对复杂背景中目标区域的感知能力。实验结果表明,改进后的绝缘子自爆故障检测模型的平均精度均值达到97.4%,相比基线YOLOv7提升了1.4%,能够有效实现绝缘子自爆缺陷的检测。     

注意力机制优化的全尺寸目标检测方法

针对现有目标检测算法全尺寸目标检测精度低的问题,提出了一种改进的基于YOLOv3模型的全尺寸目标检测算法。该方法设计了一种全新的通道自适应递归FPN网络架构,提出了一种基于通道注意力的递归金字塔模型,提高了YOLOv3的特征提取能力和不同尺度目标的检测能力。同时在训练过程中引入损失函数转换,解决了训练过程中动态参数不优化的问题。与其他主流目标检测算法相比,本文提出的改进模型在小尺寸目标、大尺寸目标与复杂背景多尺寸目标的检测精度分别提高了5.6%、2.6%、1.6%。实验结果表明,本文提出的方法检测精度显著提升。     

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...     

基于像素注意力特征融合的城市街景语义分割算法研究

针对城市街景数据集中存在小目标和大量长条形状物体,分割难度大,虽然目前编码解码结构的网络能细化分割结果,但大多数都没有充分利用空间和上下文信息,因此本文提出一种基于像素注意力特征融合的语义分割算法。首先以ResNet50作为骨干网络,利用空洞空间卷积池化金字塔和条状池化进行初步特征融合,获得多尺度特征的同时规避无用信息;然后利用像素融合注意力模块,聚合上下文信息并恢复空间信息,最后利用注意力特征细化模块消除冗余信息。该算法在CamVid数据集上进行实验,结果表明该算法在验证集上能达到75.22%的mIoU,在测试集上也能达到67.21%。相比于DeepLabv3+网络分别提升了2.51%和2.86%。     

融合注意力机制与重影特征映射的无人机交通场景目标轻量级语义分割

针对轻量语义分割算法应用于无人机高分辨率交通场景图像分割时存在边缘信息模糊、小目标特征提取准确性较差的问题,提出一种融合注意力机制与重影特征映射的轻量级语义分割算法。首先在BiSeNet V2算法语义分支8倍和16倍下采样过程嵌入混合注意力模块,重新分配深层特征图权重,增强局部关键特征提取能力;然后采用重影特征映射单元优化传统卷积层,进一步降低运算成本;最后使用动态阈值损失函数监督训练,调节高损失困难样本训练权重。利用UAVid数据集对改进后的算法进行训练并测试,发现算法平均交并比(mean intersection over union, mIoU)为52.7%,较改进前的模型提升7.8%,且当输入图像尺寸为1 280×736时推理速度达到81.6 FPS,满足实时分割要求。结果表明,该算法能较好适应复杂交通场景,有效改善边缘信息模糊和小目标分割准确性较差的问题。     

多分支与自注意力结合的前列腺癌灶分割方法

针对磁共振成像(magnetic resonance imaging, MRI)中前列腺癌病灶形状各异、与相邻组织对比度低、边界模糊等问题,提出一种结合多分支结构与自注意力机制的前列腺癌病灶分割网络。首先利用多分支结构提取图像中不同尺度的特征,增加网络提取特征的多样性。其次通过多头自注意力机制对全局信息进行建模,计算图像中元素之间的相关性,增强癌灶区域与背景的差异来提高前列腺癌病灶区域的分割精度。实验结果表明,所提方法在前列腺癌灶分割任务中的Dice相似性系数、交并比和95%豪斯多夫距离分别为79.23%、69.26%、7.21,更接近人工标注的结果。     

基于改进YOLO的绝缘子缺陷检测算法

针对绝缘子缺陷检测任务中,由于绝缘子缺陷部分在画幅中占比小、绝缘子易被遮挡、输电线路背景复杂等原因导致陷识别准确率低的问题,提出了一种基于改进YOLO的绝缘子缺陷检测算法。首先,在YOLOv7模型的基础上设计一个小目标检测层,使其更准确地进行小目标检测任务;其次,在模型中引入SimAM注意力机制,提高模型对绝缘子及其缺陷的关注度,提升模型检测性能;最后,选择SIoU Loss作为模型的损失函数,加快网络的收敛速度,降低其损失值。实验结果表明,改进后算法精度相较基准模型由84.9%提升至90.2%,损失值由2.23%下降至2.20%,改善了小目标检测精度,为绝缘子检测提供了参考。     

基于多尺度级联注意网络的肺实质分割

针对肺实质分割任务中不同尺度特征的全局上下文信息利用率低、分割精度低、分割细节模糊等问题,提出一种多尺 度级联注意网络(multiscale cascaded attention networks,MCANet)。该网络主要由多尺度特征提取网络(multi-scale feature extraction network,MSFENet)、多尺度注意力引导模块(multi-scale attention guidance module,MSAG)、解码特征整合器 (decoding feature integrator,DFI)组成。首先,设计MSFENet 以提高特征信息在不同通道维度上的空间交互能力,在采样过 程中最大限度地保留图像的关键特征,丰富全局上下文信息。然后,设计MSAG 提高模型在解码过程中对多尺度特征信息的 利用率,并最大限度地融合两种注意力机制的优势。最后设计DFI,重新整合解码器生成的解码特征,以提高模型对边缘信息 的分割性能。在 LUNA16 数据集上对模型性能进行实验验证,得到了0.993的Dice 和3.864的 HD, 实验结果证明了 MCA- Net 与其他主流医学分割模型相比有更优异的分割性能,能更准确地分割肺实质。     

基于多视图与注意力机制的睡眠脑电分期

为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory, BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F₁值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。     

基于边缘检测与注意力机制的立体匹配算法

随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点,因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征,具有良好的三维点云特征学习能力,在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响,从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题,本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT,具体地,GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节,利用减法关系和邻域位置编码对三维点云邻域求取注意力特征,同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题,进而提升网络的分类准确率。实验结果表明,与PCT三维点云分类和分割网络相比,所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%,而在ScanObjectNN数据集上的分类精度提升了1.9%,在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化,充分验证了改进方法的有效性。     

基于深度学习与注意力机制的化工故障分类

针对现有的故障诊断方法在处理高维度且动态特征明显的化工生产过程中观测的数据时,存在无法识别长时间依赖关系、精确度不够的问题,本文对长短时记忆模型进行改进,提出了一种基于深度学习与attention机制的分类模型,以田纳西-伊斯曼仿真平台的仿真数据作为研究对象,通过小波阈值去噪法对数据进行预处理,再对模型分类效果进行验证,比较了本文模型与改进前的模型,最后通过t-sne算法绘制样本数据及在模型各层输出特征向量在二维空间的分布图。实验结果表明,改进后的深度学习模型,对故障分类时能达到92.71%的召回率与93.05%的准确率,相对改进前的模型分别提高了16.84%与13.66%,对数据特征的学习效果更好,更适用于化工数据。     

基于阴影增强和注意力机制的高光谱图像分类

基于深度学习网络的高光谱图像分类能够有效地提取图像中的特征信息,促进遥感图像中丰富信息的挖掘与利用。然而,现有方法性能仍然受限于阴影信息不能充分提取、特征不能有效利用。针对阴影区域信息提取,动态随机共振能够利用噪声增强信号,提高信息的表达能力;针对特征利用,在卷积神经网络中嵌入注意力机制,能够在其提取的高层特征的基础上,从空间维度和通道维度进一步提取融合,筛选出对当前任务目标更为关键的特征,提升网络分类性能。实验结果表明：通过在含有阴影区域的真实高光谱图像数据集Hydice上仿真,动态随机共振能够有效增强信号进而将分类精度从96.48%提升到97.14%,卷积注意块的加入使分类精度提升了0.408 4%。进一步与其他分类方法在Hydice、Indian Pines、Pavia University进行实验对比验证,本文方法分类精度分别达到了97.436 1%、99.219 5%和99.929 9%,对不同数据集的分类都具有良好的表现,相较于其他方法具有明显优势,证明了该方法的有效性和良好的分类性能,在高光谱图像分类领域具有广阔的应用前景。     

基于注意力机制的Bi-GRU内容流行度预测算法

内容资源流行度预测是内容分发网络提高缓存与调度效率的主要依据之一。针对当前流行度预测算法特征表征能力和适应性较差,准确率低等不足,本文提出一种基于深度学习的内容资源流行度预测算法,该算法基于融合注意力机制的双向GRU模型可以更好地挖掘资源访问历史中蕴含的信息及其相关性,提高特征提取的效率和质量,并具有更为包容的泛化能力。相关不同数据集上的实验结果表明该算法各项指标均优于已有的多种主流算法,且准确率高达96.20%和98.03%。     

基于GloVe模型和注意力机制Bi-LSTM的文本分类方法

为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络（1D-CNN）和双向长短期记忆网络（Bi-LSTM）的文本分类方法。首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势。然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数。最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度。在多个公开数据集中进行二元分类和多元主题分类实验。实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5%,最高F1得分为91.3%。