注意力機(jī)制
- 基于LBP和注意力機(jī)制的改進(jìn)VGG網(wǎng)絡(luò)的人臉表情識(shí)別方法
二值模式;注意力機(jī)制0 引言（Introduction）面部表情是判斷人類情感和人機(jī)交互效果的重要依據(jù)，早在20世紀(jì)，EKMAN等[1]系統(tǒng)地將面部表情劃分為生氣、害怕、厭惡、開心、悲傷、驚訝六類，這一理論的提出在表情識(shí)別領(lǐng)域具有跨時(shí)代的意義，同時(shí)開啟了表情識(shí)別領(lǐng)域新世界的大門。目前，表情識(shí)別的方法有傳統(tǒng)算法和深度學(xué)習(xí)算法兩大類。常見的傳統(tǒng)表情識(shí)別算法有局部二值模式（LBP）[2]、Gabor小波變化法[3]和尺度不變特征變換[4-5]等。深度學(xué)習(xí)算法主要
軟件工程 2024年1期2024-01-29
- 基于多粒度表征藏文古籍文檔版面分析方法研究
；多粒度；注意力機(jī)制中圖分類號(hào)：TP3? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）36-0001-03開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）0 引言文檔圖像的版面布局分析是OCR任務(wù)的重要分支，是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)長(zhǎng)期研究課題，早期主要是基于規(guī)則[1]及機(jī)器學(xué)習(xí)[2]方法進(jìn)行分割和提取。傳統(tǒng)方法適用于簡(jiǎn)單布局文檔分割解析，在處理復(fù)雜場(chǎng)景的版面分析仍面臨諸多挑戰(zhàn)。隨著深度神經(jīng)網(wǎng)絡(luò)的蓬勃發(fā)展，深度學(xué)習(xí)算法在解決自然語言處理、計(jì)算機(jī)視
電腦知識(shí)與技術(shù) 2023年36期2024-01-27
- 基于 StarGAN的人臉表情數(shù)據(jù)增強(qiáng)研究
GAN; 注意力機(jī)制中圖分類號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）34-0009-04開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：0 引言人臉表情往往比語言可以傳達(dá)更準(zhǔn)確真實(shí)的信息，對(duì)于人臉表情的研究最早可以追溯到20世紀(jì)60年代，Ekman等[1]科學(xué)家將觀察人臉表情運(yùn)用到心理學(xué)領(lǐng)域，他們建立了基本的7種表情分類，為后繼的研究奠定了基礎(chǔ)。當(dāng)下利用深度學(xué)習(xí)方法進(jìn)行人臉表情識(shí)別研究的工作開展已經(jīng)很充分了，眾所周知，深
電腦知識(shí)與技術(shù) 2023年34期2024-01-24
- 基于雙重SE注意力機(jī)制下的CNN-BiLSTM混合石墨電極位移預(yù)測(cè)模型
了一種引入注意力機(jī)制下的卷積神經(jīng)網(wǎng)絡(luò)（CNN）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（BiLSTM）混合石墨電極位移預(yù)測(cè)模型。為有效解決時(shí)間序列重要程度差異性問題，在傳統(tǒng)SE注意力機(jī)制中增加了雙重SE注意力并行模塊，并用BiLSTM通過兩個(gè)方向來發(fā)掘時(shí)間序列信息，有效提高模型預(yù)測(cè)度。實(shí)驗(yàn)結(jié)果表明，文章提出的混合網(wǎng)絡(luò)模型能夠?qū)κ姌O位移進(jìn)行有效預(yù)測(cè)，且相比于傳統(tǒng)的SE-CNN-BiLSTM方法和主流預(yù)測(cè)方法預(yù)測(cè)準(zhǔn)確度更高。關(guān)鍵詞： 內(nèi)串石墨化；石墨電極位移；卷積神經(jīng)網(wǎng)絡(luò)；雙
電腦知識(shí)與技術(shù) 2023年31期2023-12-25
- 基于偏旁部首計(jì)數(shù)分析網(wǎng)絡(luò)的零樣本漢字識(shí)別
出了一種以注意力機(jī)制為基礎(chǔ)的編碼器-解碼器架構(gòu)的部首計(jì)數(shù)分析網(wǎng)絡(luò)，用于零樣本漢字識(shí)別問題。在編碼器階段，引入了多尺度部首計(jì)數(shù)模塊；而在解碼器階段，則運(yùn)用了多尺度注意力機(jī)制。本文將一個(gè)漢字看作是由若干偏旁部首及其空間結(jié)構(gòu)組成的序列，通過計(jì)算偏旁部首及空間結(jié)構(gòu)的數(shù)量，實(shí)現(xiàn)了對(duì)漢字的有效識(shí)別。實(shí)驗(yàn)結(jié)果表明，在SCUT-SPCC和CTW兩個(gè)基準(zhǔn)數(shù)據(jù)集上，本文所提出的新模型在零樣本漢字識(shí)別方面表現(xiàn)優(yōu)異。本研究能夠更好地捕捉漢字的特征信息，并實(shí)現(xiàn)對(duì)未見漢字的準(zhǔn)確識(shí)別。
- 基于改進(jìn)YOLOv7的金屬表面缺陷檢測(cè)方法
間通道雙重注意力機(jī)制，提升對(duì)圖像中小目標(biāo)特征提取能力，減少無用特征的干擾；采用Alpha IOU損失函數(shù)替換原來的CIOU損失函數(shù)，加速網(wǎng)絡(luò)收斂，提高網(wǎng)絡(luò)的魯棒性。最后引入深度可分離卷積，在降低網(wǎng)絡(luò)的參數(shù)量和計(jì)算量的同時(shí)盡可能減少精度損失。結(jié)果表明，改進(jìn)后的YOLOv7網(wǎng)絡(luò)模型較原來YOLOv7網(wǎng)絡(luò)模型提升了3.6%，且mAP達(dá)到79.0%，模型大小減少了4.4%，檢測(cè)效果要優(yōu)于原網(wǎng)絡(luò)模型和其他主流目標(biāo)檢測(cè)網(wǎng)絡(luò)模型。關(guān)鍵詞： 金屬表面缺陷檢測(cè)； YOLOv
計(jì)算機(jī)時(shí)代 2023年9期2023-09-25
- 基于改進(jìn)YOLOv4算法的番茄葉部病害識(shí)別方法
；輕量化；注意力機(jī)制；病害中圖分類號(hào)：S436.412文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2023）05-1199-10Identification method of tomato leaf diseases based on improved YOLOv４ algorithmCHU Xin LI Xiang LUO Bin WANG Xiao-dong HUANG Shuo（1.College of Information Engineerin
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年5期2023-09-19
- 結(jié)合注意力機(jī)制與MSCNN-BiLSTM模型的電梯主動(dòng)式故障預(yù)警
模型是結(jié)合注意力機(jī)制的多尺度卷積神經(jīng)網(wǎng)絡(luò)（MSCNN）和雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（BiLSTM）的融合模型，可以全面提取電梯數(shù)據(jù)集的深層次特征和時(shí)序信息，實(shí)現(xiàn)HI預(yù)測(cè)和主動(dòng)式故障預(yù)警。在與其他常見模型方法的比較中，證實(shí)了該文模型具有更好的預(yù)測(cè)性能。關(guān)鍵詞：主動(dòng)式；故障預(yù)警；MSCNN-BiLSTM；注意力機(jī)制中圖分類號(hào)：TP183；TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）15-0151-06Elevator Active Fault
現(xiàn)代信息科技 2023年15期2023-09-18
- 基于改進(jìn)DCGAN輪胎缺陷圖像生成方法
殘差網(wǎng)絡(luò)和注意力機(jī)制嵌入到DCGAN模型中，提升模型特征的提取能力；同時(shí)摒棄DCGAN損失函數(shù)JS散度，使用帶有梯度懲罰項(xiàng)的Wasserstein距離，提高模型訓(xùn)練的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，使用給定模型生成的輪胎缺陷圖像質(zhì)量?jī)?yōu)于使用DCGAN，WGAN，CGAN與SAGAN所生成圖像，其平均FID值可以達(dá)到116.28，最小FID值可以達(dá)到84.94。所提出的模型可以穩(wěn)定生成質(zhì)量更好的輪胎缺陷圖像，為輪胎缺陷樣本數(shù)據(jù)集的擴(kuò)充提供了一種有效途徑，有助于有效解決
河北科技大學(xué)學(xué)報(bào) 2023年4期2023-09-14
- 基于注意力機(jī)制和CNN-BiLSTM模型的在線協(xié)作討論交互文本自動(dòng)分類
出一種結(jié)合注意力機(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)模型—CNN-BiLSTM-Attention，進(jìn)一步強(qiáng)化文本的語義特征。利用該模型對(duì)在線協(xié)作討論活動(dòng)中產(chǎn)生的12 000條交互文本進(jìn)行分類，分類結(jié)果表明，CNN-BiLSTM-Attention的分類準(zhǔn)確率整體上可達(dá)到82.40%，有效提升了文本分類的效果。關(guān)鍵詞：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；注意力機(jī)制中圖分類號(hào)：TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）13-0026-07Aut
現(xiàn)代信息科技 2023年13期2023-09-14
- 基于深度學(xué)習(xí)的道路表面裂縫檢測(cè)研究
M三維帶權(quán)注意力機(jī)制且不引入額外參數(shù)，在模型中融入加權(quán)雙向特征金字塔進(jìn)行多尺度特征融合；同時(shí)改進(jìn)預(yù)測(cè)框損失函數(shù)，使得損失函數(shù)收斂更快。經(jīng)過對(duì)比實(shí)驗(yàn)，改進(jìn)后模型的裂縫檢測(cè)均值平均精度提高了2.2%，準(zhǔn)確率為90.5%，表明了模型的有效性。關(guān)鍵詞：深度學(xué)習(xí)；道路裂縫檢測(cè)；YOLOv5s；多尺度融合；注意力機(jī)制中圖分類號(hào)：TP391.41? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號(hào)：1671-0797（2023）17-0027-05DOI：10.19514/j.cnk
機(jī)電信息 2023年17期2023-09-08
- 基于改進(jìn)RetinaNet算法和無人機(jī)影像的松材線蟲病疫木檢測(cè)
疫木，并將注意力機(jī)制引入到主干特征提取網(wǎng)絡(luò)以減少背景對(duì)檢測(cè)效果的影響，提高特征提取能力。結(jié)果表明，改進(jìn)后的RetinaNet算法平均精度為97.2%，單張影像測(cè)試時(shí)間為17 ms，表現(xiàn)優(yōu)于Fasterr R-CNN、SSD和RetinaNet。基于研究成果，對(duì)嶗山區(qū)林地進(jìn)行疫木航拍圖像檢測(cè)，實(shí)地抽檢準(zhǔn)確率達(dá)到98%。關(guān)鍵詞：深度學(xué)習(xí)；RetinaNet；無人機(jī)；注意力機(jī)制；松材線蟲病中圖分類號(hào)：TP391 ? 文獻(xiàn)標(biāo)志碼：A ? 文章編號(hào)：2096-470
現(xiàn)代信息科技 2023年14期2023-09-06
- 基于注意力機(jī)制的文本處理技術(shù)在自然語言處理中的應(yīng)用研究
目前，基于注意力機(jī)制的文本處理技術(shù)在自然語言處理中得到了廣泛應(yīng)用，促進(jìn)了計(jì)算機(jī)文字識(shí)別和機(jī)器翻譯等多個(gè)領(lǐng)域的快速發(fā)展。本文從自然語言處理的相關(guān)概念入手，探討基于注意力機(jī)制的文本處理技術(shù)在自然語言處理中的應(yīng)用。關(guān)鍵詞：注意力機(jī)制；文本處理技術(shù)；自然語言處理引言自然語言處理（natural language processing， NLP）是人工智能領(lǐng)域中的一個(gè)重要研究方向，旨在使計(jì)算機(jī)能夠理解、處理和生成人類語言。在NLP任務(wù)中，文本處理技術(shù)起著至關(guān)重要的作
互聯(lián)網(wǎng)周刊 2023年15期2023-08-31
- 基于改進(jìn)ResNeXt的黑色素瘤識(shí)別算法
攀關(guān)鍵詞：注意力機(jī)制；黑色素瘤識(shí)別；輔助診斷；遷移學(xué)習(xí)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）20-0036-040 引言皮膚癌是一種危險(xiǎn)的疾病，早期發(fā)現(xiàn)是提高生存率的必要條件。皮膚色素性惡性病變的死亡率非常高，尤其是黑色素瘤，發(fā)病率和死亡率更高。據(jù)統(tǒng)計(jì)，美國(guó)在2022年有99 780名成年人（57 180名男性和42600 名女性）被診斷出患有皮膚侵襲性黑色素瘤。2020年全球有324 635人被診斷患有黑色素瘤。黑
電腦知識(shí)與技術(shù) 2023年20期2023-08-26
- 基于改進(jìn)YOLOv5的駕駛員手持手機(jī)檢測(cè)算法研究
引入改進(jìn)的注意力機(jī)制模塊，更好地獲取上下文信息，提高小目標(biāo)檢測(cè)的精確度。其次，采用一種改進(jìn)的特征融合方法，提取三個(gè)尺度的特征，并對(duì)特征進(jìn)行融合，更好地提取局部信息。實(shí)驗(yàn)結(jié)果表明，與YOLOv5相比，該檢測(cè)算法在自制數(shù)據(jù)集上的精確度達(dá)到71.9%，提高了2.1%，對(duì)小目標(biāo)的檢測(cè)效果顯著。關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5；殘差模塊；注意力機(jī)制中圖分類號(hào)：TP183；TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）12-0066-04Re
現(xiàn)代信息科技 2023年12期2023-08-21
- 改進(jìn)YOLOv5s的鋼材表面缺陷檢測(cè)
ULSAM注意力機(jī)制改進(jìn)網(wǎng)絡(luò)的頸部（Neck），提出改進(jìn)的YOLOv5s缺陷檢測(cè)網(wǎng)絡(luò)?；贜EU-DET數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv5s缺陷檢測(cè)網(wǎng)絡(luò)檢測(cè)平均準(zhǔn)確率達(dá)76.6%，較YOLOv5s和YOLOv4分別提升了7.8%和6.3%，有效提高了鋼材表面缺陷檢測(cè)精度。關(guān)鍵詞：YOLOv5s;缺陷檢測(cè);注意力機(jī)制;過參數(shù)化中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)志碼：A0 引言（Introduction）鋼材作為國(guó)民生產(chǎn)中重要的材料，在其生產(chǎn)、加工及運(yùn)輸過程
軟件工程 2023年8期2023-08-20
- 基于雙分支頭部解耦和注意力機(jī)制的災(zāi)害環(huán)境人體檢測(cè)
尺度檢測(cè)；注意力機(jī)制；解耦檢測(cè)器中圖分類號(hào)：TP 391文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1672-9315（2023）04-0797-10DOI：10.13800/j.cnki.xakjdxxb.2023.0417Pedestrian detection method in disaster environment based ondouble branch Decoupled Head and Attention MechanismHAO Shuai，YANG
- 基于邊緣先驗(yàn)的人臉去手勢(shì)遮擋修復(fù)方法研究
邊緣條件和注意力機(jī)制的兩階段修復(fù)網(wǎng)絡(luò)——EmmNet。第一階段網(wǎng)絡(luò)為第二階段細(xì)節(jié)修復(fù)提供邊緣指導(dǎo)信息，以避免出現(xiàn)過度平滑等問題。第二階段網(wǎng)絡(luò)中的并行多擴(kuò)張卷積模塊可在有效擴(kuò)大網(wǎng)絡(luò)感受野的同時(shí)提高對(duì)有效像素的利用率。此外，注意力模塊可促使網(wǎng)絡(luò)生成具有全局一致性，使研究者獲得符合原圖特征的修復(fù)圖像。實(shí)驗(yàn)結(jié)果表明，EmmNet在去手勢(shì)遮擋任務(wù)中可以生成輪廓結(jié)構(gòu)更加完整流暢，細(xì)節(jié)紋理更加清晰自然的人臉圖像。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；生成對(duì)抗網(wǎng)絡(luò)；人臉修復(fù)；注意力機(jī)制中
現(xiàn)代信息科技 2023年11期2023-08-01
- 基于深度學(xué)習(xí)的單幀圖像超分辨率重建技術(shù)
殘差網(wǎng)絡(luò)及注意力機(jī)制的單幀圖像超分辨率重建技術(shù)等研究?jī)?nèi)容。最后，對(duì)基于深度學(xué)習(xí)的超分辨率重建技術(shù)進(jìn)行了展望與總結(jié)，雖然當(dāng)前已經(jīng)取得了一些進(jìn)展，但仍然面臨很多挑戰(zhàn)，如模型的泛化能力不足、復(fù)雜場(chǎng)景下的超分辨率重建等問題。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和改進(jìn)，超分辨率重建技術(shù)將會(huì)有更加廣泛的應(yīng)用。關(guān)鍵詞：深度學(xué)習(xí)；超分辨率；殘差網(wǎng)絡(luò)；注意力機(jī)制；Transtormcr中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A１ 研究背景及意義圖像超分辨率（Ｓｕｐｅｒ?Ｒｅｓｏｌｕｔｉ
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年13期2023-07-17
- 基于深度學(xué)習(xí)的單幀圖像超分辨率重建技術(shù)
殘差網(wǎng)絡(luò)及注意力機(jī)制的單幀圖像超分辨率重建技術(shù)等研究?jī)?nèi)容。最后，對(duì)基于深度學(xué)習(xí)的超分辨率重建技術(shù)進(jìn)行了展望與總結(jié)，雖然當(dāng)前已經(jīng)取得了一些進(jìn)展，但仍然面臨很多挑戰(zhàn)，如模型的泛化能力不足、復(fù)雜場(chǎng)景下的超分辨率重建等問題。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和改進(jìn)，超分辨率重建技術(shù)將會(huì)有更加廣泛的應(yīng)用。關(guān)鍵詞：深度學(xué)習(xí)；超分辨率；殘差網(wǎng)絡(luò)；注意力機(jī)制；Transtormcr中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A１ 研究背景及意義圖像超分辨率（Ｓｕｐｅｒ?Ｒｅｓｏｌｕｔｉ
計(jì)算機(jī)應(yīng)用文摘 2023年13期2023-07-17
- 結(jié)合改進(jìn)注意力機(jī)制的YOLO目標(biāo)檢測(cè)算法
尺度卷積；注意力機(jī)制0 引言自從Hinton 提出利用神經(jīng)網(wǎng)絡(luò)對(duì)圖像數(shù)據(jù)中的高維特征進(jìn)行自主學(xué)習(xí)[1]以來，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)已成為計(jì)算機(jī)視覺領(lǐng)域中一個(gè)重要的研究熱點(diǎn)[2]。目標(biāo)檢測(cè)的方法主要分為雙階段和單階段目標(biāo)檢測(cè)算法。雙階段目標(biāo)檢測(cè)算法，如Fast R-CNN[3]、Faster R-CNN[4]等，都是通過生成預(yù)選框再利用神經(jīng)網(wǎng)絡(luò)對(duì)候選框進(jìn)行分類識(shí)別。單階段目標(biāo)檢測(cè)算法，如YOLO （you only look once） [5]、YOLO 9
計(jì)算機(jī)時(shí)代 2023年7期2023-07-17
- 基于改進(jìn)SSD的行人檢測(cè)算法
將高效通道注意力機(jī)制引入淺層網(wǎng)絡(luò)中并重新分配特征權(quán)重，引導(dǎo)網(wǎng)絡(luò)更加關(guān)注小尺度行人的特征信息；其次，構(gòu)造一種新的特征融合模塊以改善淺層特征語義信息不足的問題；最后，通過優(yōu)化原始先驗(yàn)框的參數(shù)來生成適用于檢測(cè)行人的先驗(yàn)框。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法在PASCAL VOC2007行人測(cè)試集上的平均精度達(dá)到82.96%，較SSD提高了3.83%，在小尺度行人測(cè)試集上提高了5.48%，同時(shí)檢測(cè)速度達(dá)到了69.2FPS，滿足實(shí)時(shí)性的要求。關(guān)鍵詞：?jiǎn)未味嗫驒z測(cè)器（SSD）
廣西科技大學(xué)學(xué)報(bào) 2023年3期2023-07-17
- 基于注意力機(jī)制的水果損傷檢測(cè)及分類
sNet；注意力機(jī)制中圖分類號(hào)：TP 183 文獻(xiàn)標(biāo)志碼：A引言在眾多的食物中，水果是人類日常健康飲食的重要組成部分，因?yàn)樗缓木S生素等營(yíng)養(yǎng)元素能幫助預(yù)防疾病。然而，很多水果的保質(zhì)期較短。由于儲(chǔ)存不當(dāng)或者運(yùn)輸過程中的碰撞等原因造成的損傷，使得水果品質(zhì)下降甚至變得腐爛而不宜食用。因此，食品行業(yè)在出售水果之前需要對(duì)其進(jìn)行嚴(yán)格的檢測(cè)。傳統(tǒng)的人工檢測(cè)方案不僅成本高、效率低，還存在一致性和準(zhǔn)確性較差等問題。隨著生活水平的提高，水果的消費(fèi)量逐年增長(zhǎng)，而不同市場(chǎng)消費(fèi)
光學(xué)儀器 2023年2期2023-07-14
- 基于改進(jìn)ResNet網(wǎng)絡(luò)的貓狗圖像識(shí)別
CBAM 注意力機(jī)制模塊而改進(jìn)的 ACResNet18模型用來識(shí)別貓狗種類，通過非對(duì)稱卷積快增強(qiáng)網(wǎng)絡(luò)模型的核骨架，實(shí)現(xiàn)更有效的特征提取，引入 CBAM 注意力機(jī)制加強(qiáng)網(wǎng)絡(luò)識(shí)別精度，能夠更精確地對(duì)圖像中貓狗進(jìn)行識(shí)別和分類。本次實(shí)驗(yàn)使用 Kaggle 競(jìng)賽中的貓狗數(shù)據(jù)集進(jìn)行圖像識(shí)別，并通過對(duì)比實(shí)驗(yàn)，驗(yàn)證了相比于原模型，改進(jìn)后的模型準(zhǔn)確率有明顯提升，最終提高了模型在圖像分類上的精確度和魯棒性，證實(shí)了該模型的可靠性。關(guān)鍵詞：圖像識(shí)別；注意力機(jī)制；卷積神經(jīng)網(wǎng)絡(luò)；Re
甘肅科技縱橫 2023年2期2023-07-11
- 基于多注意力機(jī)制集成的非侵入式負(fù)荷分解算法
一種基于多注意力機(jī)制集成的非侵入式負(fù)荷分解算法．首先，利用概率自注意力機(jī)制對(duì)一維空洞卷積提取到的負(fù)荷特征進(jìn)行優(yōu)化處理，實(shí)現(xiàn)重要負(fù)荷特征的遴選;其次，采用時(shí)間模式注意力機(jī)制對(duì)LSTM的隱狀態(tài)賦予權(quán)重，從而增強(qiáng)網(wǎng)絡(luò)對(duì)長(zhǎng)時(shí)間用電信息之間的時(shí)間依賴性的學(xué)習(xí)能力;最后，利用公開數(shù)據(jù)集UKDALE和REDD對(duì)所提分解模型的有效性和創(chuàng)新性進(jìn)行驗(yàn)證．實(shí)驗(yàn)結(jié)果表明，與其他多種現(xiàn)有分解算法相比，基于多注意力機(jī)制集成的分解算法不僅具備更好的負(fù)荷特征遴選能力，而且能更加精確地建立
南京信息工程大學(xué)學(xué)報(bào) 2023年3期2023-07-06
- 基于改進(jìn)AlexNet網(wǎng)絡(luò)的軌道缺陷識(shí)別方法
要包括融入注意力機(jī)制、裁剪全連接層、引入批量歸一化取代原有的局部響應(yīng)歸一化等。實(shí)驗(yàn)對(duì)比驗(yàn)證結(jié)果表明，改進(jìn)后的網(wǎng)絡(luò)具有更好的識(shí)別效果，模型的準(zhǔn)確率提高了2.8個(gè)百分點(diǎn)，推理速度和穩(wěn)定性都得到相應(yīng)提升。［關(guān)鍵詞］ 軌道缺陷；AlexNet；注意力機(jī)制；批量歸一化［中圖分類號(hào)］ U 216.3 ［文獻(xiàn)標(biāo)志碼］ A ［文章編號(hào)］ 1005-0310（2023）02-0007-05A Track Defect Identification Method Based
北京聯(lián)合大學(xué)學(xué)報(bào) 2023年2期2023-06-28
- 基于改進(jìn)YOLOv5的復(fù)雜背景下交通標(biāo)志識(shí)別研究
LOv5；注意力機(jī)制；損失函數(shù)中圖分類號(hào)：TP391.4；TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）10-0030-04Abstract： Aiming at the problems of low recognition and serious leakage in traffic sign detection tasks in the context of complex road conditions， a lightwe
現(xiàn)代信息科技 2023年10期2023-06-25
- 基于MobileNet的移動(dòng)端列車圖像故障檢測(cè)算法
移動(dòng)設(shè)備；注意力機(jī)制中圖分類號(hào)：TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）06-0046-05Mobile Terminal Train Image Fault Detection Algorithm Based on MobielNetZHOU Peng， ZHANG Longxin（Hunan University of Technology， Zhuzhou? 412007， China）Abstract： To s
現(xiàn)代信息科技 2023年6期2023-06-25
- 關(guān)聯(lián)語義和對(duì)比語義指導(dǎo)注意力的小樣本學(xué)習(xí)
語義聯(lián)合的注意力機(jī)制，來指導(dǎo)模型在視覺特征中更好地學(xué)習(xí)和區(qū)分共性與個(gè)性。對(duì)比實(shí)驗(yàn)和消融實(shí)驗(yàn)證明，文中這種注意力指導(dǎo)機(jī)制提升了模型的性能，尤其在5way-1shot的情況下，模型達(dá)到了最優(yōu)。關(guān)鍵詞：小樣本學(xué)習(xí)；注意力機(jī)制；多模態(tài)；關(guān)聯(lián)語義；對(duì)比語義中圖分類號(hào)：TP18；TP391? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）10-0088-04Abstract： The core problem of small sample learnin
現(xiàn)代信息科技 2023年10期2023-06-25
- 基于改進(jìn)YOLOv5注意力模型的農(nóng)田害蟲圖像識(shí)別
Ov5s和注意力機(jī)制的農(nóng)田害蟲圖像識(shí)別模型。將自注意力機(jī)制引入YOLOv5s網(wǎng)絡(luò)，對(duì)上下文信息進(jìn)行建模，通過建立非局部模型提高網(wǎng)絡(luò)解決圖像遠(yuǎn)距離和多層次依賴關(guān)系的能力。實(shí)驗(yàn)結(jié)果顯示，基于YOLOv5注意力模型的農(nóng)田害蟲圖像識(shí)別具有較高的檢測(cè)精度，可以有效識(shí)別和定位各類害蟲。關(guān)鍵詞：農(nóng)田害蟲識(shí)別；目標(biāo)檢測(cè)；YOLOv5；注意力機(jī)制中圖分類號(hào)：TP391.4；TP18 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）10-0070-05Abstrac
現(xiàn)代信息科技 2023年10期2023-06-25
- 注意力機(jī)制與空洞殘差網(wǎng)絡(luò)的PCB缺陷檢測(cè)
網(wǎng)絡(luò)，融合注意力機(jī)制，對(duì)輸入分配偏好進(jìn)行通用池化和信息加權(quán)平均后，引入空洞殘差網(wǎng)絡(luò)，減少了網(wǎng)絡(luò)模型與卷積運(yùn)算，提高了網(wǎng)絡(luò)處理效率。部署到嵌入式板卡中，采用MVC架構(gòu)配合硬件優(yōu)化及軟件設(shè)計(jì)搭建了實(shí)時(shí)在線的PCB目標(biāo)缺陷檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，測(cè)試各類缺陷識(shí)別率為90.53%，檢測(cè)速度為30 FPS。關(guān)鍵詞：缺陷檢測(cè)；輕量型網(wǎng)絡(luò)；注意力機(jī)制；空洞殘差網(wǎng)絡(luò)；嵌入式系統(tǒng)中圖分類號(hào)：TP391.4；TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023
現(xiàn)代信息科技 2023年4期2023-06-25
- 小樣本民族藥植物圖像識(shí)別綜述
方法和基于注意力機(jī)制的方法，同時(shí)根據(jù)所研究的藏藥數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)和對(duì)比分析，總結(jié)闡述了現(xiàn)有方法在解決小樣本民族藥植物圖像識(shí)別時(shí)的性能優(yōu)劣。最后對(duì)小樣本民族藥植物圖像識(shí)別領(lǐng)域存在的問題進(jìn)行總結(jié)，并對(duì)未來發(fā)展方向進(jìn)行展望。關(guān)鍵詞：深度學(xué)習(xí)；小樣本圖像識(shí)別；數(shù)據(jù)增強(qiáng)；遷移學(xué)習(xí)；注意力機(jī)制中圖分類號(hào)：TP391.4；TP18? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）04-0081-06A Survey on Image Recognition o
現(xiàn)代信息科技 2023年4期2023-06-25
- 基于深度學(xué)習(xí)的肺癌影像輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
框架，引入注意力機(jī)制，以突出某一局部位置的顯著特點(diǎn)，從而改善模型的分割特性。在LUNA16數(shù)據(jù)集上做了分割實(shí)驗(yàn)，該方法A-Vnet的F1分?jǐn)?shù)比V-Net高2%，顯著地提升了肺結(jié)節(jié)的分割精度。關(guān)鍵詞：V-Net；注意力機(jī)制；LUNA16；肺結(jié)節(jié)中圖分類號(hào)：TP391；R734.2? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）04-0032-04Design and Implementation of Lung Cancer Image Aux
現(xiàn)代信息科技 2023年4期2023-06-25
- 基于改進(jìn)型YOLOV5網(wǎng)絡(luò)的輸電線塔防外破目標(biāo)檢測(cè)技術(shù)研究
work）注意力機(jī)制重構(gòu)原網(wǎng)絡(luò)的CSP模塊，并在自建的輸電線塔數(shù)據(jù)集上進(jìn)行模型的訓(xùn)練和測(cè)試。結(jié)果表明：改進(jìn)的CARAFE-SE-YOLOV5模型比傳統(tǒng)YOLOV5模型達(dá)到了更高檢測(cè)精度，對(duì)人、汽車、工程車輛的識(shí)別準(zhǔn)確率高達(dá)92%、96%、88%。關(guān)鍵詞：高壓輸電線；外力破壞；YOLOV5算法；上采樣；注意力機(jī)制一、引言架空高壓輸電線路的正常工作支撐著電網(wǎng)調(diào)度、營(yíng)銷、生產(chǎn)等核心業(yè)務(wù)，是電網(wǎng)穩(wěn)定可靠運(yùn)行的基石。然而因自然條件、人為活動(dòng)等不確定因素存在，導(dǎo)致輸電
中國(guó)新通信 2023年3期2023-06-24
- 基于級(jí)聯(lián)注意力與密集特征融合的圖像修復(fù)算法
圖像修復(fù)；注意力機(jī)制中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1006-1037（2023）02-0030-06doi：10.3969/j.issn.1006-1037.2023.02.06基金項(xiàng)目：國(guó)家自然科學(xué)基金（批準(zhǔn)號(hào)：62172229）資助。通信作者：于騰，男，博士，副教授，主要研究方向?yàn)槿斯ぶ悄芘c計(jì)算機(jī)視覺，圖像增強(qiáng)，去霧去噪，目標(biāo)檢測(cè)等。圖像修復(fù)技術(shù)最早是Bertalmio等［1］受文物修復(fù)的啟發(fā)在SIGGRAPH國(guó)際學(xué)術(shù)會(huì)議上提出的
- 基于軟注意力機(jī)制的圖像分類算法在缺陷檢測(cè)中的應(yīng)用
深度學(xué)習(xí)和注意力機(jī)制技術(shù)，提出一種新型注意力機(jī)制算法。首先，反思卷積神經(jīng)網(wǎng)絡(luò)（CNN）與Transformer架構(gòu)，重新設(shè)計(jì)高維特征提取模塊；其次，改進(jìn)最新注意力機(jī)制來捕獲全局特征。該算法可輕松嵌入各類CNN，提升圖像分類和表面缺陷檢測(cè)的性能。使用該算法的ResNet網(wǎng)絡(luò)在CIFAR-100數(shù)據(jù)集和紡織品缺陷數(shù)據(jù)集上的準(zhǔn)確率分別達(dá)到83.22%和77.98%，優(yōu)于經(jīng)典注意力機(jī)制SE與最新的Fca等方法。關(guān)鍵詞：缺陷檢測(cè)；注意力機(jī)制；卷積神經(jīng)網(wǎng)絡(luò)；圖像分類中
現(xiàn)代信息科技 2023年3期2023-06-22
- 基于改進(jìn)YOLOv5的火災(zāi)檢測(cè)研究
tion）注意力機(jī)制：為了提高回歸精度和收斂速度，使用損失函數(shù)SIOU替換CIOU。改進(jìn)的YOLOv5算法的精確率和平均精度達(dá)到了74. 2%和69.4%．相較于標(biāo)準(zhǔn)算法的精確率和平均精度提高了8.8%和2.8%．優(yōu)化定位框和誤檢情況。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv5算法模型提高了火災(zāi)檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性。關(guān)鍵詞：預(yù)警：火災(zāi)檢測(cè)：YOLOv5：注意力機(jī)制：損失函數(shù)SIOU中圖分類號(hào)： TP391.4 文獻(xiàn)標(biāo)志碼：A0 引言火如水一樣，能為生活提供便利，也能
無線互聯(lián)科技 2023年4期2023-06-22
- 基于注意力機(jī)制的腦腫瘤分割算法研究
種基于卷積注意力機(jī)制和Transformer多頭注意力機(jī)制的U型分割網(wǎng)絡(luò)。文章首先設(shè)計(jì)了基于通道注意力和空間注意力的卷積模塊，提高了模塊對(duì)局部關(guān)鍵特征的提取能力：其次使用一種結(jié)構(gòu)更精簡(jiǎn)的Transformer模塊作為網(wǎng)絡(luò)的瓶頸層，利用其多頭注意力機(jī)制對(duì)全局特征進(jìn)行充分感知：最后在BraTS 2021數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明文章算法在增強(qiáng)腫瘤區(qū)域、腫瘤核心區(qū)域和整個(gè)腫瘤區(qū)域的Dice系數(shù)評(píng)分分別為87. 51%，90. 69%和93. 47%，可以有
無線互聯(lián)科技 2023年4期2023-06-22
- 基于YOLOv5的改進(jìn)小目標(biāo)檢測(cè)算法研究
ntion注意力機(jī)制通過獲取位置感知和方向感知的信息，能使YOLOv5模型更準(zhǔn)確地識(shí)別和定位感興趣的目標(biāo)。YOLOv5改進(jìn)模型采用木虱和VisDrone2019數(shù)據(jù)集開展實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明嵌入coordinate attention能有效提高YOLOv5的算法性能。關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5；coordinate attention；注意力機(jī)制中圖分類號(hào)：TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）03-0055-0
現(xiàn)代信息科技 2023年3期2023-06-22
- 基于改進(jìn)ShuffleNet v1的服裝圖像分類算法
深度學(xué)習(xí)；注意力機(jī)制；非對(duì)稱多尺度特征融合中圖分類號(hào)：TP399文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1009-265X（2023）02-0023-13隨著電子商務(wù)的發(fā)展，網(wǎng)上購(gòu)物已成為人們主要的購(gòu)物方式之一。服裝作為人們?nèi)粘Ｉ畹谋匦杵罚陔娮由虅?wù)中占據(jù)著重要地位。據(jù)產(chǎn)業(yè)信息網(wǎng)《2021—2027年中國(guó)服裝紡織電子商務(wù)行業(yè)市場(chǎng)發(fā)展模式及未來前景展望報(bào)告》數(shù)據(jù)顯示，服裝行業(yè)的電子商務(wù)交易額逐年增長(zhǎng)，2020年較2011年交易額增長(zhǎng)420.7%，網(wǎng)購(gòu)服裝已經(jīng)成為消費(fèi)者購(gòu)買
現(xiàn)代紡織技術(shù) 2023年2期2023-06-20
- 基于輕量級(jí)MIE_Net的田間農(nóng)作物病害識(shí)別
添加ECA注意力機(jī)制，提高網(wǎng)絡(luò)對(duì)葉片病害區(qū)域的關(guān)注程度，降低復(fù)雜背景對(duì)小病斑特征提取過程的影響；最后使用Swish激活函數(shù)增加網(wǎng)絡(luò)的表達(dá)能力，使網(wǎng)絡(luò)性能達(dá)到最優(yōu)。結(jié)果表明，多尺度特征提取模塊提高了模型對(duì)不同病斑大小的識(shí)別準(zhǔn)確率，ECA注意力模塊提高了網(wǎng)絡(luò)對(duì)小病斑的識(shí)別準(zhǔn)確率，最終網(wǎng)絡(luò)模型對(duì)復(fù)雜環(huán)境中2種作物11種病害類別的最低識(shí)別精確率達(dá)到91.2%，總體病害識(shí)別準(zhǔn)確率達(dá)到95.79%，比原網(wǎng)絡(luò)提高1.84百分點(diǎn)，參數(shù)量為2.24M，權(quán)重文件大小為8.78
江蘇農(nóng)業(yè)科學(xué) 2023年10期2023-06-17
- 基于方面級(jí)情感分類的語義挖掘模型
種基于語義注意力機(jī)制和膠囊網(wǎng)絡(luò)的混合模型（SATTCap）。運(yùn)用方面級(jí)歸納式遷移方式，將易獲取的文檔級(jí)評(píng)論知識(shí)中的情感語義遷移到方面級(jí)情感語義中，輔助方面級(jí)情感分類。另外基于重構(gòu)語義依存的注意力機(jī)制提取深層次特征信息，采用方面路由方法，將深層次的方面級(jí)語義表示封裝到語義膠囊中，然后采用Softmax預(yù)測(cè)。在公共數(shù)據(jù)集SemEval2014上對(duì)本文方法進(jìn)行評(píng)估，結(jié)果表明，該模型在方面級(jí)情感分類任務(wù)上的表現(xiàn)是有效的。關(guān)鍵詞： 方面級(jí)； 情感分類； 注意力機(jī)制；
計(jì)算機(jī)時(shí)代 2023年6期2023-06-15
- 基于詞嵌入和BiLCNN-Attention混合模型的政務(wù)文本分類方法
，同時(shí)引入注意力機(jī)制進(jìn)行特征提取，融合了時(shí)序特征及局部特征并使特征得到強(qiáng)化，最后使用Softmax進(jìn)行文本分類。實(shí)驗(yàn)表明，BERT詞嵌入處理后混合模型的準(zhǔn)確率較CNN和BiLSTM模型分別提升了3.9%和2.51%。關(guān)鍵詞： 政務(wù)文本分析； 詞嵌入； 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)； 卷積神經(jīng)網(wǎng)絡(luò)； 注意力機(jī)制中圖分類號(hào)：TP391.1? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）06-92-05Method of governm
計(jì)算機(jī)時(shí)代 2023年6期2023-06-15
- FIRE-DET:一種高效的火焰檢測(cè)模型
出一種新的注意力機(jī)制（FIRE-Attention），讓檢測(cè)器對(duì)火焰特征更敏感．基于上述優(yōu)化，本文開發(fā)出了一種全新的火焰檢測(cè)器FIRE-DET，它在硬件資源有限的條件下能夠取得比現(xiàn)有基于深度學(xué)習(xí)的火焰檢測(cè)方法更高的檢測(cè)效率．FIRE-DET模型在自建數(shù)據(jù)集上進(jìn)行訓(xùn)練后，最終對(duì)火焰檢測(cè)的準(zhǔn)確率和幀率分別達(dá)到97％和85 FPS．實(shí)驗(yàn)結(jié)果表明，與主流算法相比，本文火焰檢測(cè)模型檢測(cè)性能更優(yōu)．本文為解決火焰探測(cè)問題提供了一個(gè)更通用的解決方案.關(guān)鍵詞特征提取;特征融
南京信息工程大學(xué)學(xué)報(bào) 2023年1期2023-06-14
- 基于注意力與雙通道網(wǎng)絡(luò)的方面級(jí)情感分析
升．關(guān)鍵詞注意力機(jī)制;雙通道網(wǎng)絡(luò);決策融合;圖卷積中圖分類號(hào)TP391文獻(xiàn)標(biāo)志碼A收稿日期2021-11-05資助項(xiàng)目國(guó)家自然科學(xué)基金（61273229，51705260）；2016年度江蘇高校“青藍(lán)工程”科技創(chuàng)新團(tuán)隊(duì)培養(yǎng)對(duì)象作者簡(jiǎn)介楊春霞，女，博士，教授，研究方向?yàn)榇髷?shù)據(jù)分析、自然語言處理.y.cx@163.com0 引言自然語言處理（Natural Language Processing，NLP）旨在對(duì)文本數(shù)據(jù)進(jìn)行分析處理．情感分析作為NLP中的一項(xiàng)任
南京信息工程大學(xué)學(xué)報(bào) 2023年1期2023-06-14
- 基于RFA-LinkNet模型的高分遙感影像水體提取
模塊和通道注意力機(jī)制的RFA-LinkNet高分辨率光學(xué)遙感影像水體提取模型．首先，將RFB模塊用于獲取高階水體語義信息與多尺度特征;其次，利用通道注意力機(jī)制，對(duì)特征編碼和解碼的特征進(jìn)行加權(quán)融合，抑制背景特征，增強(qiáng)水體語義．與現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型相比，提出方法不僅具有高效的性能和魯棒性，而且能實(shí)現(xiàn)高精度的水體提?。P(guān)鍵詞遙感影像;水體提取;多尺度特征;注意力機(jī)制;中圖分類號(hào)TP79文獻(xiàn)標(biāo)志碼A收稿日期2022-01-02資助項(xiàng)目國(guó)家自然科學(xué)基金（41971
南京信息工程大學(xué)學(xué)報(bào) 2023年2期2023-06-14
- 基于改進(jìn)YOLOv4算法的蘋果葉片病害檢測(cè)方法
度，將卷積注意力機(jī)制模塊CBAM融合至PANet結(jié)構(gòu)中，可增強(qiáng)對(duì)有用特征信息的提?。蛔詈?，為了使錨框更適應(yīng)本研究的數(shù)據(jù)集，通過K-means聚類算法將模型的錨框信息更新。結(jié)果表明，MC-YOLOv4模型在檢測(cè)中的平均精度為97.25%，單張圖像平均檢測(cè)時(shí)間為13.3 ms，權(quán)重文件大小為55.5 MB。MC-YOLOv4模型對(duì)于同時(shí)檢測(cè)蘋果葉片多種病害目標(biāo)的問題上具有識(shí)別速度快、識(shí)別精準(zhǔn)度高、可靠性強(qiáng)等特點(diǎn)，該研究為蘋果葉片的病害檢測(cè)提供了一種更優(yōu)的方法，
江蘇農(nóng)業(yè)科學(xué) 2023年9期2023-06-04
- 基于ERNIE的新聞標(biāo)題文本分類
RNIE；注意力機(jī)制中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A隨著時(shí)代的發(fā)展，文本數(shù)據(jù)從傳統(tǒng)的實(shí)體化向數(shù)字化、虛擬化方向發(fā)展。新聞文本是我們生活中接觸最為廣泛的一種文本數(shù)據(jù)，但由于新聞來源渠道復(fù)雜多樣，需要對(duì)其進(jìn)行準(zhǔn)確的分類。一方面，準(zhǔn)確的新聞?lì)悇e標(biāo)簽可以幫助用戶快速地檢索感興趣的新聞；另一方面，根據(jù)用戶的使用需求進(jìn)行標(biāo)簽化、類別化推薦，需要將新聞文本存儲(chǔ)至不同類別庫中。隨著信息的爆炸式增長(zhǎng)，人工標(biāo)注數(shù)據(jù)完成分類任務(wù)極為耗時(shí)，且易受到標(biāo)注人主觀意識(shí)的影響。對(duì)
計(jì)算機(jī)應(yīng)用文摘 2023年7期2023-05-30
- 基于YOLOX的穴盤甘藍(lán)病害檢測(cè)方法
合通道空間注意力機(jī)制模塊，在特征提取模塊對(duì)特征信息進(jìn)行重標(biāo)定，引導(dǎo)模型關(guān)注病害區(qū)域特征，抑制背景噪聲，降低模型漏檢率。并采用自適應(yīng)多尺度特征融合算法提取穴盤甘藍(lán)病害多尺度特征，充分利用不同尺度特征的語義信息提升小目標(biāo)的檢測(cè)精確率。由于算法的檢測(cè)框定位不準(zhǔn)確，在回歸損失函數(shù)中添加了重疊面積損失、中心點(diǎn)距離損失和寬高損失，對(duì)回歸任務(wù)進(jìn)行了優(yōu)化，提高穴盤甘藍(lán)病害預(yù)測(cè)框定位精度；同時(shí)引入變焦損失函數(shù)作為分類損失函數(shù)，利用權(quán)重縮放因子緩解模型訓(xùn)練過程中相似病害類間差
江蘇農(nóng)業(yè)科學(xué) 2023年8期2023-05-23
- 基于遷移學(xué)習(xí)和改進(jìn)殘差網(wǎng)絡(luò)的復(fù)雜背景下害蟲圖像識(shí)別
神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；圖像識(shí)別中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1002-1302（2023）08-0171-06基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：62003379）；廣東省科技計(jì)劃（編號(hào)：KA1721404）；廣東省普通高校重點(diǎn)領(lǐng)域?qū)ｍ?xiàng)（編號(hào)：2019GZDXM007）。作者簡(jiǎn)介：溫艷蘭（1995—），女，廣東梅縣人，碩士研究生，主要研究方向?yàn)闄C(jī)器視覺。E-mail：164734302@qq.com。通信作者：王克強(qiáng)，碩士，教授，主要
江蘇農(nóng)業(yè)科學(xué) 2023年8期2023-05-23
- 基于注意力機(jī)制的多級(jí)監(jiān)督人群計(jì)數(shù)算法
個(gè)階段引入注意力機(jī)制學(xué)習(xí)不同尺度的人群特征。算法采用VGG16模型的前13層作為主干網(wǎng)，并且加入膨脹卷積網(wǎng)絡(luò)結(jié)構(gòu)，融合圖像中的多尺度人群特征，解決多尺度人群計(jì)數(shù)問題，從而生成高質(zhì)量的密度圖。同時(shí)，在3個(gè)不同尺度的分支結(jié)構(gòu)中引入注意力機(jī)制，在損失函數(shù)中加入不同尺度的注意力損失，從而使整個(gè)網(wǎng)絡(luò)聚焦圖像中的人群區(qū)域。算法在4個(gè)主要的數(shù)據(jù)集上進(jìn)行了測(cè)試，算法結(jié)果優(yōu)于最近其他的方法。關(guān)鍵詞：人群計(jì)數(shù)；卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；多級(jí)監(jiān)督中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)
計(jì)算機(jī)與網(wǎng)絡(luò) 2023年6期2023-05-14
- BERT編碼與注意力機(jī)制結(jié)合的長(zhǎng)文本分類研究
本，應(yīng)用自注意力機(jī)制獲得首塊和尾塊的增強(qiáng)特征，再利用PCA算法進(jìn)行壓縮獲取主要特征成分。在THUCNews和Sogou數(shù)據(jù)集上進(jìn)行5折交叉驗(yàn)證，分類準(zhǔn)確率和加權(quán)F1-score的均值分別達(dá)到95.29%、95.28%和89.68%、89.69%。該方法能夠提取與主題最相關(guān)的特征，提高長(zhǎng)文本分類效果，PCA壓縮特征向量能夠降低分類模型的復(fù)雜度，提高時(shí)間效率。關(guān)鍵詞： 文本分類； 預(yù)訓(xùn)練語言模型； 注意力機(jī)制； 特征向量； PCA中圖分類號(hào)：TP391.1?
計(jì)算機(jī)時(shí)代 2023年5期2023-05-14
- 融合注意力機(jī)制的YOLOv5火災(zāi)煙霧檢測(cè)
LOv5；注意力機(jī)制；ACON激活函數(shù)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）08-0001-040 引言由于采用傳統(tǒng)的煙霧報(bào)警或檢測(cè)手段的煙霧探測(cè)器裝置只能在靠近排放源的地方識(shí)別煙霧的存在，并且受各種天氣環(huán)境影響，其感受到的溫度、濕度及顆粒密度都會(huì)影響檢測(cè)效果[1]。由于設(shè)備的探測(cè)范圍的局限性，一些戶外場(chǎng)所的地理屬性導(dǎo)致無法大范圍鋪設(shè)傳統(tǒng)的探測(cè)設(shè)備，它們?nèi)狈z測(cè)局部煙霧的能力。2018年，Yanmin Luo等人[2
電腦知識(shí)與技術(shù) 2023年8期2023-04-27
- 基于注意力機(jī)制的弱監(jiān)督黑色素瘤圖像分割研究
圖像分割；注意力機(jī)制1 概述近年來，隨著醫(yī)學(xué)成像技術(shù)的不斷發(fā)展，人工智能被越來越多地應(yīng)用到了醫(yī)療圖像分析領(lǐng)域，可以幫助醫(yī)生進(jìn)行一些輔助醫(yī)療功能，從而更好地對(duì)患者進(jìn)行手術(shù)治療。目前，基于全監(jiān)督的圖像分割雖然取得了較好的分割結(jié)果，但是由于醫(yī)學(xué)圖像數(shù)據(jù)標(biāo)注任務(wù)復(fù)雜，逐像素標(biāo)記任務(wù)量大，因此還需要具備專業(yè)醫(yī)學(xué)領(lǐng)域的知識(shí)，全監(jiān)督并不能非常好地發(fā)揮它的作用。為了克服這些困難，研究人員嘗試通過簡(jiǎn)單易獲取的弱標(biāo)簽，通過使用弱監(jiān)督的方法進(jìn)行醫(yī)學(xué)圖像的分割，取得了一定的分割效
電腦知識(shí)與技術(shù) 2023年7期2023-04-27
- 基于Attention-BiLSTM模型的對(duì)話式文本抑郁識(shí)別研究
情感分析；注意力機(jī)制；BiLSTM0 引言抑郁癥是現(xiàn)代社會(huì)日益嚴(yán)重的公共健康問題之一，其特征有顯著且長(zhǎng)期的情緒抑郁、認(rèn)知障礙、思維遲緩等。隨著激烈的社會(huì)競(jìng)爭(zhēng)等因素影響[1]，人們所面臨的生活負(fù)擔(dān)和心理壓力日益嚴(yán)重，導(dǎo)致抑郁癥的患病率持續(xù)增長(zhǎng)，抑郁癥患者自殺風(fēng)險(xiǎn)也是正常人的25倍以上[2-3]。由此可見，目前抑郁識(shí)別仍然是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。傳統(tǒng)的抑郁識(shí)別方法主要包括基于詞典和機(jī)器學(xué)習(xí)的情感分析方法。Ran Li等人[4]創(chuàng)建了一個(gè)與抑郁相關(guān)的情感詞典
電腦知識(shí)與技術(shù) 2023年7期2023-04-27
- 基于ERNIE的新聞標(biāo)題文本分類
RNIE；注意力機(jī)制中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A隨著時(shí)代的發(fā)展，文本數(shù)據(jù)從傳統(tǒng)的實(shí)體化向數(shù)字化、虛擬化方向發(fā)展。新聞文本是我們生活中接觸最為廣泛的一種文本數(shù)據(jù)，但由于新聞來源渠道復(fù)雜多樣，需要對(duì)其進(jìn)行準(zhǔn)確的分類。一方面，準(zhǔn)確的新聞?lì)悇e標(biāo)簽可以幫助用戶快速地檢索感興趣的新聞；另一方面，根據(jù)用戶的使用需求進(jìn)行標(biāo)簽化、類別化推薦，需要將新聞文本存儲(chǔ)至不同類別庫中。隨著信息的爆炸式增長(zhǎng)，人工標(biāo)注數(shù)據(jù)完成分類任務(wù)極為耗時(shí)，且易受到標(biāo)注人主觀意識(shí)的影響。對(duì)
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年7期2023-04-20
- 基于注意力機(jī)制的航班配餐備份數(shù)預(yù)測(cè)算法
編解碼器；注意力機(jī)制；殘差設(shè)計(jì)；深度學(xué)習(xí)中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A1 引言（Introduction）航班旅客配餐是民航領(lǐng)域的子業(yè)務(wù)，是航空產(chǎn)業(yè)鏈的重要環(huán)節(jié)。配餐備份量受到航班運(yùn)行情況、旅客訂座情況、特殊日期等因素的影響，業(yè)內(nèi)使用人工經(jīng)驗(yàn)確定配餐備份量容易導(dǎo)致餐食浪費(fèi)，從而增加企業(yè)的成本。因此，準(zhǔn)確預(yù)測(cè)航班配餐備份數(shù)有助于航空公司的配餐部門對(duì)餐食備份數(shù)量的決策提供支持，提升服務(wù)質(zhì)量。航班配餐備份數(shù)預(yù)測(cè)，本質(zhì)上是一個(gè)時(shí)間序列預(yù)測(cè)問題，一直以來受到國(guó)
軟件工程 2023年4期2023-04-07
- 基于深度學(xué)習(xí)的文本情感聊天機(jī)器人系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
2Seq；注意力機(jī)制；深度學(xué)習(xí)中圖分類號(hào)：TP311.1 文獻(xiàn)標(biāo)識(shí)碼：A1引言（Introduction）近年來，隨著人工智能技術(shù)的不斷發(fā)展，通過自然語言與人類進(jìn)行對(duì)話的聊天機(jī)器人成為研究熱點(diǎn)，并因深度學(xué)習(xí)在自然語言處理、詞向量表示、情感分析等領(lǐng)域的廣泛應(yīng)用，使其逐漸成為研究聊天機(jī)器人的關(guān)鍵技術(shù)[1]。目前，許多商業(yè)公司推出了應(yīng)用深度學(xué)習(xí)技術(shù)的相關(guān)產(chǎn)品，如“蘋果”的Siri、“微軟”的小冰、“百度”的度秘等。雖然現(xiàn)有聊天機(jī)器人都可以與人類進(jìn)行無差錯(cuò)交流，普
軟件工程 2023年4期2023-04-07
- 改進(jìn)PSPNet網(wǎng)絡(luò)的舌圖像分割方法研究
量化模型；注意力機(jī)制；遷移學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)0 引言望診是中醫(yī)四大治療手法之一，主要通過觀察患者面部、舌部進(jìn)行初步診斷。而舌診作為中醫(yī)辨證論治的主要依據(jù)之一[1]，在中醫(yī)望診中發(fā)揮著重要作用。它通過觀察舌苔的顏色和形態(tài)變化對(duì)患者的疾病有初步的感知及判斷，具有診斷便利、參考價(jià)值高的特殊優(yōu)勢(shì)[2]。但是，由于醫(yī)生的主觀經(jīng)驗(yàn)不同且診療的客觀條件參差不齊，導(dǎo)致診療結(jié)果在一定程度上存在誤差，“人工智能+中醫(yī)舌診”因此應(yīng)運(yùn)而生。人工智能的本質(zhì)是通過大量計(jì)算分析輔助決策
電腦知識(shí)與技術(shù) 2023年5期2023-04-06