基于新型空间注意力机制和迁移学习的垃圾图像分类算法

随着我国各级政府大力推动垃圾强制分类,分类回收各环节中实现标准化、自动化的垃圾分类识别需要适合云端部署的高准确率、低延时要求的细粒度图像分类模型.本文发挥深度迁移学习的优势建立了一套端到端的迁移学习网络架构GANet (garbage neural network);针对垃圾分类中类别易混淆、背景干扰等挑战,提出一种新型的像素级空间注意力机制PSATT (pixel-level spatial attention).为克服类别多和样本不平衡挑战,提出使用标签平滑正则化损失函数;为改善收敛速度以及模型稳定性与泛化性,提出了阶梯形OneCycle学习率控制方法,并给出了结合Rectified Adam (RAdam)优化方法和权重平滑处理技术的组合使用策略.实验使用了"华为云人工智能大赛.垃圾分类挑战杯"提供的按照深圳市垃圾分类标准标注的训练数据,验证了GANet在垃圾分类问题中的显著效果,获得了全国二等奖(第2名);同时,提出的PSATT机制优于对比方法,且在不同主干网络架构上均得到了提升,具有良好的通用性.本文提出的GANet架构、PSATT机制和训练策略不仅具有重要的工程参考价值,也具有较好的学术价值.     

一种基于迁移学习的PM2.5浓度预测混合模型

为解决PM_2.5浓度预测中因不相关特征导致的算力成本增加及数据分布随时间变化导致概率分布差异的预测精度下降问题;构建了基于迁移学习的混合深度学习模型TraTCN-LSTM-BiGRU。采用均值热力图算法;选择与PM_2.5浓度相关的气象因子作为模型输入特征;通过KL散度划分源域数据和目标域数据;并在模型中引入自适应层;实现领域间的分布适应性;设计TCN-LSTM-BiGRU模型;使用TCN提取多元变量中的高级空间特征;将提取的特征输入LSTM提取时间序列特征;通过残差连接融合特征并输入BiGRU进行预测。仿真结果表明:所提模型可以有效地预测PM_2.5未来变化趋势;并削弱数据分布差异所带来的影响。     

基于深度学习模型的SAR图像间歇采样转发干扰检测

间歇采样转发干扰(interrupted sampling repeater jamming, ISRJ)利用合成孔径雷达的匹配滤波特性,在其图像中产生间隔分布的假目标,对目标检测等造成欺骗效果,故针对ISRJ的检测与抑制具有重大意义,而现阶段相关研究主要集中在信号域。对此,在图像域中开展ISRJ检测研究。首先将实测数据与仿真干扰相结合,基于不同实测场景与仿真参数构建ISRJ样本;其次针对假目标间隔分布的特点,选用深度学习检测领域具有代表性的“两阶段”与“单阶段”模型;再次,使用单一场景的ISRJ样本对模型进行训练,再利用训练好的模型对其他场景的样本进行测试;最终,得到ISRJ检测结果。基于MiniSAR数据的实验表明,对于不同类别、不同场景以及不同参数的ISRJ样本,所用深度学习模型能够达到95.75%的平均总体检测精度,具有很强的泛化能力。此外,对于尺寸大小为501像素×501像素的样本,上述模型的最少检测用时为0.035 s。     

基于泛化深度迁移特征的高分遥感场景分类

针对深度卷积神经网络(deep convolutional neural network, DCNN)迁移至高分辨率遥感场景分类的问题。设计了有效的网络结构用于增强DCNN在高分辨率遥感场景分类任务中的泛化能力。首先,线性主成分分析网络被用于整合高分辨率遥感图像的空间信息,减小DCNN在迁移过程中源数据集与目标数据集之间的空间差异。随后,经整合的图像输入预训练的DCNN,提取到更具泛化性能的全局特征表达。两个公开遥感数据集(UC Merced 21和WHU-RS 19)的试验结果表明,在不改变DCNN结构参数的情况下,相比现有方法,所设计的网络结构能够有效提升遥感场景分类精度。     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

基于SMOTE和深度迁移卷积神经网络的多类不平衡遥感图像分类算法研究

在遥感图像分类实际应用中,深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题,难以发挥优势。基于上述问题,提出一个基于人工少数类过采样方法(synthetic minority oversampling technique, SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法。所提算法创新性地采用深度迁移学习,使算法能够学习不同时空相同地物的相似性,并利用SMOTE方法对学习数据进行类分布空间优化平衡,从而解决目标域数据不足和数据类不平衡问题。两组公开的高光谱遥感图像被用来验证所提算法的有效性。实验结果表明,相比传统的深度学习,所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度。     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

基于CBAM-Swin-Transformer迁移学习的海上微动目标分类方法

雷达作为海上目标监测和识别的重要手段, 海上目标运动特征精细化描述与分类是其关键技术。基于深度学习的卷积网络分类方法不依赖于模型, 但仍难以适应复杂多变的海洋环境、多样性海上目标, 泛化能力有限。将卷积注意力机制模块(convolutional block attention module, CBAM)融入Swin-Transformer网络, 并基于迁移学习(transfer learning, TL)策略, 提出一种兼顾舰船目标和低空旋翼飞行目标的海上微动目标分类方法(简称为TL-CBAM-Swin-Transformer), 提升多种观测条件下的模型分类适应能力。首先, 建立海上微动目标模型, 并基于3种雷达实测数据构建海面非匀速平动、三轴转动、直升机、固定翼无人机的微动时频数据集。然后, 设计TL-CBAM-Swin-Transformer网络, CBAM从通道维和空间维提取特征, 提高其小尺度中多头注意力信息的提取能力。实测数据验证结果表明, 相比Swin-Transformer;所提网络的分类准确度提升3.43%。采用TL法, 将所提网络在ImageNet数据上进行预训练, 将智能像素处理(intelligent pixel processing, IPIX)雷达微动目标作为源域进行预训练;并迁移至科学与工业研究委员会(Council for Scientific and Industrial Research, CSIR)雷达微动目标, 分类概率达97.9%, 将直升机旋翼作为源域进行预训练并迁移至固定翼无人机, 分类概率达98.8%, 验证了所提算法具有较强的泛化能力。     

基于迁移学习和注意力机制的伪装图像分割

不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重...     

An Automatic Classification Pipeline for the Complex Synaptic Structure Based on Deep Learning

As a hallmark of brain complexity, synapses in the nervous system have always received extensive attentions. The diversity of the synaptic structure reflects various functions and mechanisms, some research indicates that, as one of the complex synaptic structures, multiple synapses can strengthen the synaptic connection, what’s more, it is closely associated with the procedure of memory and learning. Accompanied by the fast advancement of electron microscopy (EM) technology, it is possible to detect the composition of multiple synapse with high resolution. On this basis, there have been various meaningful studies concerning the relationship between the multiple synapse and cognitive abilities. Despite the extensive studies have been made by different researchers on multiple synapse, no attention has been paid to the classification accuracy of the type of multiple synapse. The current research puts forward an effective method for the automatic classification of multiple synapse, which should be performed in three steps, namely the segmentation of synaptic clefts, the segmentation of vesicle bands, as well as the segmentation of multiple synapses. According to experimental results based on four data sets, the mean classification rate of the method is approximately 97%. In addition, the experimental result on the public dataset shows that the accuracy can reach 96.5%. The classification results provide a basis for quantitative statistics of follow-up studies. Moreover, this automatic classification method can reduce the time in artificial statistics, and thus researchers can focus more attention on the analysis of statistical results.

     

基于气象学和传热学的城市建筑物红外成象模型

城市建筑物的红外特点仿真在国际军事上具有重大的意义。本文从气象学和传热学原理出发,对影响建筑物红外特性变化的各因素做了详尽的分析,首先计算了在某一气象条件下建筑物各部分逐时的日辐射强度,再用一维传热有限差分等方法求解建筑物的顶层、墙壁、窗玻璃水泥路、沥青路和土壤等不稳定传热而得到的随时间变化的外表现温度,最后绘制出不同时刻不同俯视角度的物红外图形,与经外测温计实测比较,本模型的结果与之相当吻合。     

基于SVM的图像分类系统设计

为实现基于语义的图像分类,其本质还是从底层特征出发,因此,高层信息的学习和建模也就必须来源于底层特征了。在底层特征提取的基础上提出了一个基于SVM的图像分类系统的设计,重点介绍了图像数据库的设计和分类引擎的设计,说明了其可行性和方便易用性。最后展望了基于SVM的图像分类引擎技术的发展方向和应用前景。     

基于用户兴趣的混合推荐模型

从用户特征描述出发,分析用户兴趣模型的表达机制,提出一种基于用户兴趣的混合模式推荐方法.该方法将内容过滤和协同过滤的预测值进行加权求和,形成最终的综合相似度.实验结果表明,该方法的性能同时优于基于用户协同过滤的推荐方法和基于内容过滤的推荐方法,推荐系统的推荐质量得到显著提高.     

基于红外物理与传热学的目标红外成像模型

现有计算机图形学的光照模型,都是对可见光的光照效果的描述,由于它们没能反映物体的红外特性,因而不能为目标的红外仿真提供显示模型。本文从红外物理及传热学的基本理论出发,提出目标的红外成像仿真模型。该模型成功地模拟了由内热源引起的目标的红外特征。从实验结果看,模型的红外仿真效果较理想。     

基于交叉熵方法的选择性AODE算法

AODE(Averaged One-Dependence Estimators)算法是最近提出的一种典型的基于na(I)ve Bayes的改进算法,并受到国际机器学习界的关注.交叉熵方法(Cross-entropy Method)是一种解决组合优化问题的全局随机搜索算法,已经成功地被应用到许多经典的NP问题中.给出了AODE算法选择性集成的理论基础,并基于交叉熵方法,提出了解决AODE算法选择性集成的CESAODE(Cross-Entropy method for Selective AODE)算法.在WEKA平台上使用UCI数据集进行的仿真实验结果表明,CESAODE算法比现有的分类算法,例如AODE等具有更好的分类性能.     

支持向量机在高光谱遥感图像植被分类中的应用

在分析传统统计模式识别分类方法分类精度不高的现状的基础上,以OMIS—I影像为例,采用基于支持向量机的方法对延河流域枣园地区植被信息进行提取,取得了很好的实验结果。与传统的最大似然分类提取方法相比,基于支持向量机的方法提取精度达90．50％,Kappa系数也超过了0．87,比单纯的最大似然分类方法提取精度高得多,而且该方法具有很强的操作性和实用性。图6,表2,参6。     

基于Image Quilting算法的纹理合成

基于样图的纹理合成方法是继纹理映射、过程纹理合成方法后发展起来的纹理拼接技术,用于解决传统方法中出现的缝隙、扭曲、变形和参数调整等问题.Image Quilting算法是简单易行的接缝消除方法,采用Image Quilting算法合成纹理并生成Wang Tile集,继而拼接大图像.实验表明,Image Quilting算法能够较好地保持纹理特征的连续性,但在接缝处可能破坏纹元特征.     

一种基于仿真图像模板的SAR目标分类方法

在基于实测图像模板的SAR目标分类方法中,环境因素、成像参数等差异性造成了模板库存储量过大与完备性需求的矛盾.针对此问题提出一种基于仿真图像模板的SAR目标分类方法,通过减少模板库的存储量来降低实测数据的采集成本.该方法首先采用正则化方法对图像进行预处理来减少噪声,在此基础上提取目标峰值特征,然后利用几何哈希匹配算法实现目标的分类.实验中的仿真图像模板库采用RadBase软件生成,结果表明新方法对MSTAR实测数据进行目标分类的精确度较高,适应性较好.     

基于Markov模型的机动目标分类方法

结合弹载脉冲多普勒雷达精确提取目标速度、加速度的特点,研究了利用目标的机动特性进行目标分类的方法。首先提出对目标加速度序列进行标量量化的预处理方法,然后基于一阶马尔可夫(Markov)模型建立了用于对目标加速度序列进行识别的分类器并定义了模型距离,最后分析了共用码书所刻画的状态空间对分类性能的影响。仿真实验证明,该算法计算量小,易于实现,在较小的模型距离下,能取得较高的识别率。