检索结果

Select

1. 融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测

邓杰航, 郭文权, 陈汉杰, 顾国生, 刘景建, 杜宇坤, 刘超, 康晓东, 赵建

《计算机应用》唯一官方网站 2022, 42 (8): 2593-2600. DOI: 10.11772/j.issn.1001-9081.2021061075

摘要（356）

HTML （8）

PDF （1490KB）（120）

硅藻训练样本量较少时，检测精度偏低，为此在小样本目标检测模型TFA（Two-stage Fine-tuning Approach）的基础上提出一种融合多尺度多头自注意力（MMS）和在线难例挖掘（OHEM）的小样本硅藻检测模型（MMSOFDD）。首先，结合ResNet-101与多头自注意力机制构造一个基于Transformer的特征提取网络BoTNet-101，以充分利用硅藻图像的局部和全局信息；然后，改进多头自注意力为MMS，消除了原始多头自注意力的处理目标尺度单一的局限性；最后，引入OHEM到模型预测器中，并对硅藻进行识别与定位。把所提模型与其他小样本目标检测模型在自建硅藻数据集上进行消融及对比实验。实验结果表明：与TFA相比，MMSOFDD的平均精度均值（mAP）为69.60%，TFA为63.71%，MMSOFDD提高了5.89个百分点；与小样本目标检测模型Meta R-CNN和FSIW相比，Meta R-CNN和FSIW的mAP分别为61.60%和60.90%，所提模型的mAP分别提高了8.00个百分点和8.70个百分点。而且，MMSOFDD在硅藻训练样本量少的条件下能够有效地提高检测模型对硅藻的检测精度。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

2. 基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

杜宇, 严萌, 武昕

《计算机应用》唯一官方网站 2022, 42 (10): 3300-3306. DOI: 10.11772/j.issn.1001-9081.2021081512

摘要（238）

HTML （7）

PDF （3366KB）（59）

PDF（mobile）（807KB）（9）

非侵入式负荷监测（NILM）技术为需求侧管理提供了技术支撑，而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集，得到的负荷数据还存在缺乏时序性的问题；同时，卷积神经网络（CNN）存在对低级信号特征表现不足的缺陷。针对以上两个问题，提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号，利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性，并通过双向金字塔一维卷积提取负荷信号的高级与低级特征，以对负荷特征进行全面利用，从而实现对未知负荷信号进行识别的目的。实验结果表明，基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%，且具有良好的泛化能力，可有效实现负荷辨识。

图表 | 参考文献 | 相关文章 | 多维度评价

Select

3. 基于运动图的路径编辑技术

杜宇陈志华徐骏剑

计算机应用 2011, 31 (10): 2745-2749. DOI: 10.3724/SP.J.1087.2011.02745

摘要（980）

PDF （815KB）（531）

改进了过渡运动的生成算法和路径搜索算法,提出了一种基于运动图的路径编辑的新方法。其中,针对过渡运动的构造,通过最小化融合帧之间的平均帧间距来自动确定用于运动融合的运动片段,并提出了改进动态时间变形(EDTW)算法来解决这一最优化问题;针对运动图上的路径搜索,提出了基于路径曲线所夹面积的目标函数并改进了分段搜索算法和剪枝策略。实验结果表明,该方法能够编辑生成与用户指定路径高度匹配的人物运动。