期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到54篇文章
< 1 2 3 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
融合SKNet与堆叠LSTM的MobileNetV3齿轮箱故障识别方法 认领 引用
1
作者 杨辰峰 杨喜旺 +2 位作者 黄晋英 范振芳 刘晶晶 《计算机系统应用》 2026年第1期237-245,共9页
当前基于深度学习的故障识别方法普遍面临高数据依赖性、高昂计算成本与时间开销,以及模型泛化能力受限等挑战.为此,本研究提出一种融合MobileNetV3、选择性核网络(selective kernel network,SKNet)及堆叠长短期记忆网络(stacked long s... 当前基于深度学习的故障识别方法普遍面临高数据依赖性、高昂计算成本与时间开销,以及模型泛化能力受限等挑战.为此,本研究提出一种融合MobileNetV3、选择性核网络(selective kernel network,SKNet)及堆叠长短期记忆网络(stacked long short-term memory network,Stacked LSTM)的轻量化高精度故障识别模型.首先进行输入数据预处理,将处理后的数据转换成适应卷积层的输入格式.在特征提取阶段,利用改进的MobileNetV3骨干网络进行深度特征挖掘,其倒置残差模块在保留深度可分离卷积高效性的基础上,策略性地嵌入SE(squeeze-andexcitation)与SK(selective kernel)双重注意力机制,有效兼顾通道信息交互与多尺度特征自适应选择,显著提升了特征表征能力并降低了计算复杂度.随后,堆叠LSTM捕获振动信号中的长距离时序依赖关系.最终通过全连接层实现特征压缩与分类决策,构建端到端识别系统.实验结果显示,本文模型识别准确率达到99.47%,与传统的齿轮箱故障识别技术相比,该方法在识别精准度和模型泛化能力方面均呈现出显著优势. 展开更多
关键词 故障识别 深度学习 MobileNetV3 选择性核网络 堆叠长短期记忆网络
暂未订购 下载PDF
基于SSWT和SE改进LSKNet的航空发动机中介轴承智能诊断研究 认领 引用 被引量：1
2
作者 郑煜 赵俊豪 +3 位作者 王凯 张弛 王英 齐加晖 《机电工程》 CAS 北大核心 2025年第11期2181-2188,共8页
针对航空发动机中介轴承振动信号在强噪声和多尺度耦合特性下故障特征提取困难的问题,提出了一种基于同步压缩小波变换(SSWT)与改进的大的可选择卷积核网络(LSKNet)的智能诊断方法。首先,采用了SSWT对振动信号进行了时频能量重分配,生... 针对航空发动机中介轴承振动信号在强噪声和多尺度耦合特性下故障特征提取困难的问题,提出了一种基于同步压缩小波变换(SSWT)与改进的大的可选择卷积核网络(LSKNet)的智能诊断方法。首先,采用了SSWT对振动信号进行了时频能量重分配,生成了高分辨率时频图像,克服了传统连续小波变换(CWT)因海森堡不确定性原理导致的时频分辨率不足和模态混叠问题;然后,设计了LSKNet主干中嵌入通道注意力模块的改进LSKNet,构建了动态“压缩-激励”(SE)机制,强化了多尺度特征交互,提升了复杂故障模式的区分能力;最后,进行了基于哈尔滨工业大学实测中介轴承数据集的实验验证,涵盖了不同转速、故障类型及故障程度的中介轴承工况,并开展了消融实验与样本对照分析;实验中,以1024点长度切片划分样本,采用Adam优化器,初始学习率为3.000×10-4,训练50轮后收敛。研究结果表明:改进模型在测试集的准确率达99.88%;消融实验进一步验证了SE模块的贡献;SSWT预处理相较CWT、S变换(ST)等方法,在训练效率和分类性能上均表现最优。该方法在强噪声环境下针对多工况轴承故障诊断具有鲁棒性,为航空发动机关键部件的智能诊断提供了有效解决方案。 展开更多
关键词 航空发动机 中介轴承 同步压缩小波变换 压缩-激励 大的可选择卷积核网络 连续小波变换 S变换
暂未订购 下载PDF
Network Traffic Prediction Using Radial Kernelized-Tversky Indexes-Based Multilayer Classifier 认领 引用
3
作者 M.Govindarajan V.Chandrasekaran S.Anitha 《Computer Systems Science & Engineering》 SCIE EI 2022年第3期851-863,共13页
Accurate cellular network traffic prediction is a crucial task to access Internet services for various devices at any time.With the use of mobile devices,communication services generate numerous data for every moment.... Accurate cellular network traffic prediction is a crucial task to access Internet services for various devices at any time.With the use of mobile devices,communication services generate numerous data for every moment.Given the increasing dense population of data,traffic learning and prediction are the main components to substantially enhance the effectiveness of demand-aware resource allocation.A novel deep learning technique called radial kernelized LSTM-based connectionist Tversky multilayer deep structure learning(RKLSTM-CTMDSL)model is introduced for traffic prediction with superior accuracy and minimal time consumption.The RKLSTM-CTMDSL model performs attribute selection and classification processes for cellular traffic prediction.In this model,the connectionist Tversky multilayer deep structure learning includes multiple layers for traffic prediction.A large volume of spatial-temporal data are considered as an input-to-input layer.Thereafter,input data are transmitted to hidden layer 1,where a radial kernelized long short-term memory architecture is designed for the relevant attribute selection using activation function results.After obtaining the relevant attributes,the selected attributes are given to the next layer.Tversky index function is used in this layer to compute similarities among the training and testing traffic patterns.Tversky similarity index outcomes are given to the output layer.Similarity value is used as basis to classify data as heavy network or normal traffic.Thus,cellular network traffic prediction is presented with minimal error rate using the RKLSTM-CTMDSL model.Comparative evaluation proved that the RKLSTM-CTMDSL model outperforms conventional methods. 展开更多
关键词 Cellular network traffic prediction connectionist Tversky multilayer deep structure learning attribute selection classification radial kernelized long short-term memory
暂未订购 下载PDF
时频多特征融合的SKNet声纹识别系统研究与设计 认领 引用 被引量：1
4
作者 刘子豪 李敬兆 张小波 《自动化应用》 2025年第1期188-193,共6页
声纹识别是一种具有很高应用价值的生物特征认证技术。为解决现有深度卷积神经网络在处理声纹识别任务时,缺少对时域表征信息有效利用的问题,提出了基于时频多特征融合的声纹识别模型。首先,在语音声学特征提取过程中引入时域特征提取... 声纹识别是一种具有很高应用价值的生物特征认证技术。为解决现有深度卷积神经网络在处理声纹识别任务时,缺少对时域表征信息有效利用的问题,提出了基于时频多特征融合的声纹识别模型。首先,在语音声学特征提取过程中引入时域特征提取强化分支,增强模型对时序变化的感知能力。其次,在计算声纹嵌入的网络中,引入通道注意力机制改进的选择核卷积(SKNet)结构,在保持模型整体计算复杂度低的同时提升其特征提取能力。结果显示,在CN-Celeb测试集上,与Res2Net基线模型相比,本模型的说话人分类准确率提升了3.5%,最小代价函数指标下降了4.4%。基于此,模型量化处理后构建的系统可在嵌入式系统高效运行。目前,整套系统已在相关企业生产的智能医疗手术器械管理系统上完成集成测试并应用。 展开更多
关键词 声纹识别 多特征融合 选择核卷积 轻量化
暂未订购 下载PDF
基于SwinT-SKNet双分支融合的采煤机摇臂齿轮智能故障诊断方法 认领 引用
5
作者 岳东 《煤炭工程》 北大核心 2025年第12期162-170,共9页
针对现有故障诊断模型在应对井下强噪声环境下的非线性、非平稳信号时,存在特征提取不充分,影响诊断准确率的问题,提出了一种基于SwinT-SKNet双分支融合的采煤机摇臂齿轮故障诊断模型,实现对全局和局部特征的综合提取。该模型由简化的Sw... 针对现有故障诊断模型在应对井下强噪声环境下的非线性、非平稳信号时,存在特征提取不充分,影响诊断准确率的问题,提出了一种基于SwinT-SKNet双分支融合的采煤机摇臂齿轮故障诊断模型,实现对全局和局部特征的综合提取。该模型由简化的SwinT与轻量化SKNet两个分支组成,其中SwinT分支嵌入了BAM,进一步增强了SwinT对全局特征的提取能力;轻量化SKNet分支则利用深度可分离卷积替换普通卷积,并采用一维卷积代替SKNet中的全连接结构,提升了模型的轻量化程度,便于模型部署在移动端和边缘端设备。利用太重煤机摇臂加载试验台进行实验验证,结果表明,所提方法的准确率和精确度均高于对比模型,且在信噪比SNR=-6时,仍然保持97%以上的识别精度,充分证明了本文方法具有较强的抗噪性。 展开更多
关键词 采煤机摇臂齿轮 故障诊断 Swin Transformer 选择性内核网络
暂未订购 下载PDF
复合特征及注意力机制融合的线类小目标检测算法 认领 引用
6
作者 李文锋 陆施楷 沙超 《南京邮电大学学报（自然科学版）》 北大核心 2026年第3期100-108,共9页
针对YOLOv8s在网线接线缺陷检测中识别精度不高的问题,提出了复合特征及注意力机制融合的线类小目标检测算法。在完善自建网线接线缺陷数据集的基础上,为了增加对局部特征的表征能力,提出了HA_C2f模块,能够较好地保留浅层特征;模型中引... 针对YOLOv8s在网线接线缺陷检测中识别精度不高的问题,提出了复合特征及注意力机制融合的线类小目标检测算法。在完善自建网线接线缺陷数据集的基础上,为了增加对局部特征的表征能力,提出了HA_C2f模块,能够较好地保留浅层特征;模型中引入SKN注意力机制,加强不同大小的感受野对于不同尺度的目标特征的处理,同时增加P2检测层强化了对细粒度特征的捕捉。实验结果表明,所提算法的mAPval50-95指标达85.5%,较YOLOv8s模型召回率提升了6%,检测精度提升3.1%,模型对网线连接缺陷检测有一定的效果。 展开更多
关键词 YOLOv8s 小目标检测 以太网线缆 选择性核网络
暂未订购 下载PDF
基于改进YOLOv5的遥感图像目标检测算法 认领 引用
7
作者 金梅 王泓沣 +2 位作者 张立国 张琦 袁煜淋 《燕山大学学报》 CAS 北大核心 2026年第2期130-137,共8页
针对遥感图像目标排列密集、尺度差异大、背景复杂等原因导致目标检测精度低的问题,提出了一种基于改进YOLOv5的遥感图像目标检测算法。首先,基于YOLOv5网络框架,在特征融合网络C3结构的基础上加入了三重注意力机制,提高模型的特征融合... 针对遥感图像目标排列密集、尺度差异大、背景复杂等原因导致目标检测精度低的问题,提出了一种基于改进YOLOv5的遥感图像目标检测算法。首先,基于YOLOv5网络框架,在特征融合网络C3结构的基础上加入了三重注意力机制,提高模型的特征融合能力。其次,在骨干网络以及特征融合网络中加入大选择性核网络,调整大空间感受野,更好地模拟遥感场景中各种物体的测距环境。接下来,将基于最小点的交并比作为新的边界框回归方式,提高边界框回归的速度和精度。最后,采用新的非极大抑制算法,以减少密集目标的漏检。将所提算法在公开遥感数据集DIOR上进行实验,结果表明,所提算法与原YOLOv5算法相比平均精度均值提高了6.6%,并且与其他YOLO检测算法及其改进算法相比,所提算法在所用的小样本数据集上检测精度最高。 展开更多
关键词 遥感图像 目标检测 三重注意力机制 大选择性核网络 边界框回归 非极大抑制
暂未订购 下载PDF
An improved YOLOv8 apple leaf disease detection algorithm 认领 引用
8
作者 Xinyu PEI Wei YUAN +1 位作者 Yuexiu ZHANG Lianjun SONG 《Optoelectronics Letters》 EI 2026年第5期314-320,共7页
This paper suggests an improved you only look once version 8n(YOLOv8n)algorithm for apple leaf disease detection,abbreviated as ALWB-YOLOv8n.The model is comprised of four essential components.Initially,arbitrary kern... This paper suggests an improved you only look once version 8n(YOLOv8n)algorithm for apple leaf disease detection,abbreviated as ALWB-YOLOv8n.The model is comprised of four essential components.Initially,arbitrary kernel convolution(AKConv)replaces the convolution module,which significantly decreases both the model’s parameter count and its overall size.Secondly,the large selective kernel network(LSKNet)attention mechanism is added in the Backbone,which can dynamically adjust the spatial sensory domain,and experiments have proved that this method is extremely advantageous for small target detection.Third,a weighted bi-directional feature pyramid network is introduced,which enables the model to achieve multi-scale feature fusion and is more concise and faster.Finally,wise intersection over union(WIoU)is used to replace complete intersection over union(CIoU)in YOLOv8,and the idea of focal loss is introduced,which effectively solves the detection problems in cases such as apple leaves occluding each other and blurred boundaries of diseased leaves.The improved algorithm exhibits superior performance compared to other common object detection algorithms.Compared with YOLOv8n,the improved algorithm achieves 2.3%improvement in precision,3.8%improvement in recall,and 2.5%and 2.7%improvement in mAP0.5 and mAP0.5:0.95,respectively.Compared with YOLOv8n,the improved model reduces the number of parameters and size of the model and realizes real-time monitoring with a frames per second(FPS)of 50.5. 展开更多
关键词 large selective kernel network arbitrary kernel convolution large selective kernel network lsknet attention kernel convolution akconv replaces weighted bi directional feature pyramid network adjust spatial sensory domainand improved YOLOv n algorithm apple leaf disease detection
暂未订购 下载PDF
融合SKNet与MobilenetV3的芒果叶片病虫害分类方法 认领 引用 被引量：2
9
作者 沈熠辉 何惠彬 +1 位作者 陈小宇 颜胜男 《福建农业学报》 CAS CSCD 北大核心 2024年第5期584-592,共9页
【目的】针对芒果叶片病虫害缺少数据集和识别准确率低的问题,筛选构建芒果叶片病虫害分类模型,以提高芒果叶病虫害分类准确率。【方法】提出使用去噪扩散模型进行病虫害数据增强,同时联合SKNet与MobilenetV3模型的芒果叶片病虫害分类... 【目的】针对芒果叶片病虫害缺少数据集和识别准确率低的问题,筛选构建芒果叶片病虫害分类模型,以提高芒果叶病虫害分类准确率。【方法】提出使用去噪扩散模型进行病虫害数据增强,同时联合SKNet与MobilenetV3模型的芒果叶片病虫害分类方法。首先使用去噪扩散模型对数据集进行扩充,再采用多尺度结构相似性指标对生成的病虫害图像与拍摄的病虫害图像之间的相似程度进行评估,接着对DDIM与DCGAN网络训练和生成效果进行比对。在MobilenetV3模型中,将SE注意力模块替换为SKNet模块进行构建网络模型。【结果】使用DDIM生成的所有类型的病虫害图像与拍摄的病虫害图像的MS-SSIM指标均大于0.63,且都高于DCGAN。相较于其他注意力模块,联合SKNet与MobilenetV3的分类效果最佳,在98%以上。对添加CA、CBAM、ECA注意力模块进行平滑类激活图可视化,对比其他注意力模块,使用SKNet注意力分布区域更为集中在病虫害叶片上。【结论】该方法在病虫害叶片检测上具有良好的应用前景,能提升病虫害识别效率与精度,减少检测成本,同时可应用于移动式或者嵌入式设备。 展开更多
关键词 芒果叶片 扩散概率模型 Mobilenet Selective Kernel Networks
暂未订购 下载PDF
基于改进SKNet-SVM的网络安全态势评估 认领 引用 被引量：22
10
作者 赵冬梅 孙明伟 +1 位作者 宿梦月 吴亚星 《应用科学学报》 CAS CSCD 北大核心 2024年第2期334-349,共16页
为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,... 为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。 展开更多
关键词 网络安全态势评估 网络安全态势感知 改进选择性卷积核卷积神经网络 支持向量机 网格优化算法
暂未订购 下载PDF
基于双通道信息选择网络与SCSO-SVM的刀具磨损状态识别 认领 引用
11
作者 曹琦 陈保家 +2 位作者 徐超 徐罗军 徐义 《机床与液压》 北大核心 2026年第11期106-114,共9页
针对单一传感器数据训练刀具磨损状态识别模型时易受训练数据有限的影响,导致过拟合、泛化能力差、预测精度低等问题,提出一种双通道信息选择网络与沙猫群优化(SCSO)支持向量机(SVM)的多传感器信息融合刀具磨损状态识别模型。采用滑动... 针对单一传感器数据训练刀具磨损状态识别模型时易受训练数据有限的影响,导致过拟合、泛化能力差、预测精度低等问题,提出一种双通道信息选择网络与沙猫群优化(SCSO)支持向量机(SVM)的多传感器信息融合刀具磨损状态识别模型。采用滑动窗口变化点检测(WSD)对刀具磨损进行阶段划分,并利用小提琴图验证其合理性;基于改进的选择性内核网络(SKNet)构建双通道信息选择网络作为特征提取器,结合SVM实现对刀具磨损状态的分类识别;最后,利用SCSO算法优化SVM的参数,进一步提升模型的准确率。实验结果表明:WSD方法成功将刀具磨损划分为4个阶段,小提琴图显示各阶段数据分布存在显著差异,验证了分阶段的合理性;双通道输入(时域+频域)的平均识别准确率达95.45%,较单通道时域(87.40%)和频域(91.29%)分别提高8.05%和4.16%;增加传感器数量可提升准确率,使用全部7个传感器时准确率为95.45%,而仅使用1个传感器时为78.12%。该方法能够有效融合多传感器信息,准确识别刀具的磨损状态,并缓解单一传感器数据不足导致的识别准确率低等问题。 展开更多
关键词 刀具磨损状态识别 双通道信息选择网络 改进SKNet 支持向量机 沙猫群优化算法
暂未订购 下载PDF
基于改进YOLOv11n的煤矿带式输送机锚杆异物检测方法 认领 引用
12
作者 时志昂 张富凯 石嘉豪 《工矿自动化》 CSCD 北大核心 2026年第5期73-81,共9页
针对煤矿井下带式输送机锚杆异物检测受低照度、复杂背景及目标细长形态影响而易出现漏检、误检和边界框定位偏差的问题,提出了一种基于改进YOLOv11n的煤矿带式输送机锚杆异物检测方法。在YOLOv11n模型输入端引入自校准照明网络(SCINet)... 针对煤矿井下带式输送机锚杆异物检测受低照度、复杂背景及目标细长形态影响而易出现漏检、误检和边界框定位偏差的问题,提出了一种基于改进YOLOv11n的煤矿带式输送机锚杆异物检测方法。在YOLOv11n模型输入端引入自校准照明网络(SCINet),对低照度图像进行增强,以改善锚杆目标边缘与纹理细节不清晰的问题;在主干网络C3k2模块的Bottleneck分支中引入大核选择模块(LSK Block),构建C3k2_LSK模块替换部分传统卷积,增强模型对锚杆目标整体结构特征及其与背景空间关系的表征能力;采用InnerFocalerIoU损失函数优化边界框回归过程,提高对细长锚杆目标的定位精度。实验结果表明:改进YOLOv11n的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别达90.5%,87.3%,92.8%和62.1%,较基线模型YOLOv11n分别提高了1.2%,2.1%,0.7%和1.7%;模型帧率达102.8帧/s,能够满足煤矿井下带式输送机锚杆异物在线检测任务的实时性要求;与主流目标检测模型相比,改进YOLOv11n模型在提升检测精度的同时,仍兼顾较好的实时性;在低照度、锚杆倾斜、目标与背景相似度高及局部遮挡等场景下,改进YOLOv11n模型能够稳定检测锚杆目标,检测框与目标区域匹配程度较高,表现出良好的复杂场景检测适应性。 展开更多
关键词 带式输送机 锚杆异物检测 YOLOv11n 自校准照明网络 大核选择模块 Inner-FocalerIoU损失函数
暂未订购 下载PDF
基于大选择核的脉冲神经网络目标检测方法 认领 引用
13
作者 蒲德昌 智晋宁 +3 位作者 魏亚博 达建恩 黄嘉璐 周东傲 《机械工程与自动化》 2026年第3期38-41,共4页
现有的人工神经网络(ANN)和脉冲神经网络(SNN)仍存在高延迟和高功耗的问题,为降低能耗并增加网络性能,提出了一种轻量化的直接训练脉冲神经网络目标检测模型。首先,以YOLOv3-Tiny作为基础网络结构,采用代理梯度深度训练方法,实现直接训... 现有的人工神经网络(ANN)和脉冲神经网络(SNN)仍存在高延迟和高功耗的问题,为降低能耗并增加网络性能,提出了一种轻量化的直接训练脉冲神经网络目标检测模型。首先,以YOLOv3-Tiny作为基础网络结构,采用代理梯度深度训练方法,实现直接训练的反向传播;其次,运用泄漏整合发射(LIF)脉冲神经元代替Leaky ReLU激活函数,将LIF神经元配置在卷积层之前,以降低计算能耗;最后,引入大选择核(LSK)注意力机制,以加强上下文信息提取和小目标检测的能力。实验结果表明:提出的目标检测方法和训练模型相比于同类结构的ANN模型,其平均精度均值提升了2.19个百分点,能量消耗相比同类结构ANN、基于转换的SNN和直接训练的SNN分别减少了71.6%、89.7%和68.8%,为高计算效率和低能耗硬件设备部署目标检测任务提供了可行的解决方案。 展开更多
关键词 脉冲神经网络 目标检测 大选择核注意力机制 YOLOv3-Tiny
暂未订购 下载PDF
基于SKNet的增强型Pix2pixHD图像去雾方法 认领 引用 被引量：2
14
作者 段雅童 许光宇 《湖北理工学院学报》 2022年第4期23-28,共6页
针对采用去雾算法处理后图片仍存在色彩失真、残雾遗留等问题,提出一种基于SKNet的增强型Pix2pixHD去雾方法,即在增强型Pix2pixHD网络的增强模块中引入SKNet网络,实现了不同尺度特征的选择和融合,提高了算法对图像特征的利用率。此外,在... 针对采用去雾算法处理后图片仍存在色彩失真、残雾遗留等问题,提出一种基于SKNet的增强型Pix2pixHD去雾方法,即在增强型Pix2pixHD网络的增强模块中引入SKNet网络,实现了不同尺度特征的选择和融合,提高了算法对图像特征的利用率。此外,在SKNet网络前添加可变形卷积,使得卷积核产生自由形变,以适应不规则的目标物体,增强了模型的可变换能力,达到了很好的去雾效果。较现有的去雾方法,文章提出的网络更好地利用了图像各个尺度的特征细节,提高了图像去雾的效果。 展开更多
关键词 图像去雾 Pix2pixHD Selective Kernel Network(SKNet) 可变形卷积
暂未订购 下载PDF
Joint Rain Streaks & Haze Removal Network for Object Detection 认领 引用
15
作者 Ragini Thatikonda Prakash Kodali +1 位作者 Ramalingaswamy Cheruku Eswaramoorthy K.V 《Computers, Materials & Continua》 SCIE EI 2024年第6期4683-4702,共20页
In the realm of low-level vision tasks,such as image deraining and dehazing,restoring images distorted by adverse weather conditions remains a significant challenge.The emergence of abundant computational resources ha... In the realm of low-level vision tasks,such as image deraining and dehazing,restoring images distorted by adverse weather conditions remains a significant challenge.The emergence of abundant computational resources has driven the dominance of deep Convolutional Neural Networks(CNNs),supplanting traditional methods reliant on prior knowledge.However,the evolution of CNN architectures has tended towards increasing complexity,utilizing intricate structures to enhance performance,often at the expense of computational efficiency.In response,we propose the Selective Kernel Dense Residual M-shaped Network(SKDRMNet),a flexible solution adept at balancing computational efficiency with network accuracy.A key innovation is the incorporation of an M-shaped hierarchical structure,derived from the U-Net framework as M-Network(M-Net),within which the Selective Kernel Dense Residual Module(SDRM)is introduced to reinforce multi-scale semantic feature maps.Our methodology employs two sampling techniques-bilinear and pixel unshuffled and utilizes a multi-scale feature fusion approach to distil more robust spatial feature map information.During the reconstruction phase,feature maps of varying resolutions are seamlessly integrated,and the extracted features are effectively merged using the Selective Kernel Fusion Module(SKFM).Empirical results demonstrate the comprehensive superiority of SKDRMNet across both synthetic and real rain and haze datasets. 展开更多
关键词 Image deraining Selective Dense Residual Module(SDRM) Selective Kernel Fusion Module(SKFM) Selective KernelDense Residual M-Shaped Network(SKDRMNet)
暂未订购 下载PDF
一种基于改进SKNet的晶体图像异常识别算法 认领 引用
16
作者 董建 卯福启 《北京工业职业技术学院学报》 2022年第2期30-38,共9页
晶体缺陷的研究在材料领域中十分重要,为此提出一种晶体异常图像检测方法。通过对晶体缺陷图像特点进行分析,以可选择卷积核网络(Selective Kernel Networks,SKNet)作为基础模型,同时对SKNet进行改进,以提高检测效果。一方面,为了避免... 晶体缺陷的研究在材料领域中十分重要,为此提出一种晶体异常图像检测方法。通过对晶体缺陷图像特点进行分析,以可选择卷积核网络(Selective Kernel Networks,SKNet)作为基础模型,同时对SKNet进行改进,以提高检测效果。一方面,为了避免通道权重信息的丢失,提高特征提取能力,采用高效通道注意力模块来替代SKNet中的压缩、激励模块;另一方面,为了提高对困难样本的分类效果,引入焦点损失替代交叉熵损失。实验结果表明:与参考算法相比,改进算法平均准确率提高了3.9%,异常图像精确率提高了1.5%,召回率提高了5.2%。 展开更多
关键词 高分辨率透射电镜 晶体图像异常识别 可选择卷积核网络 通道注意力 聚焦损失
暂未订购 下载PDF
基于融合注意力机制的盾构姿态组合预测模型研究 认领 引用 被引量：5
17
作者 刘哲 许超 熊栋栋 《隧道建设（中英文）》 CSCD 北大核心 2025年第1期139-150,共12页
针对盾构姿态预测模型存在易过拟合、预测精度低的问题,提出一种基于融合注意力机制的盾构姿态组合预测模型。为强化有效特征的提取,抑制冗余特征信息的表达,引入基于选择性卷积核网络(selective kernel networks,SKNet)的特征注意力机... 针对盾构姿态预测模型存在易过拟合、预测精度低的问题,提出一种基于融合注意力机制的盾构姿态组合预测模型。为强化有效特征的提取,抑制冗余特征信息的表达,引入基于选择性卷积核网络(selective kernel networks,SKNet)的特征注意力机制提取网络,消除固定尺寸卷积核带来的限制,并自适应形成带有注意力的特征映射。为更好地捕捉长期信息和特征模式,通过双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)、门控循环单元(gated recurrent unit, GRU)得到2组隐含输出结果,再利用多头注意力机制,捕获组合模型输出的隐含特征与模型输出的盾构姿态之间的依赖关系,进一步提高预测模型对重要隐含特征的信息抓捕能力;同时,为解决地质勘察钻孔数据连续性差、精确性不足,难以应用于机器学习模型训练的问题,将基于人工先验知识的二级特征引入模型特征输入,提升模型对地层信息的感知能力。最后,基于广州地铁12号线官洲站—大学城北站盾构实例,对模型不同参数结构下的性能进行研究,并进行对比试验验证模型性能,采用可解释性试验评估特征对预测结果的影响。试验结果表明,相比其他预测模型,所提出的预测模型优越性更好,预测精度更高,解决了长时间序列高特征维度数据在传统模型下易过拟合且预测精度较低的问题。 展开更多
关键词 盾构姿态预测 选择性卷积核网络 特征注意力 组合模型 多头注意力机制
暂未订购 下载PDF
Autonomous Kernel Based Models for Short-Term Load Forecasting 认领 引用
18
作者 Vitor Hugo Ferreira Alexandre Pinto Alves da Silva 《Journal of Energy and Power Engineering》 CAS 2012年第12期1984-1993,共10页
The application of support vector machines to forecasting problems is becoming popular, lately. Several comparisons between neural networks trained with error backpropagation and support vector machines have shown adv... The application of support vector machines to forecasting problems is becoming popular, lately. Several comparisons between neural networks trained with error backpropagation and support vector machines have shown advantage for the latter in different domains of application. However, some difficulties still deteriorate the performance of the support vector machines. The main one is related to the setting of the hyperparameters involved in their training. Techniques based on meta-heuristics have been employed to determine appropriate values for those hyperparameters. However, because of the high noneonvexity of this estimation problem, which makes the search for a good solution very hard, an approach based on Bayesian inference, called relevance vector machine, has been proposed more recently. The present paper aims at investigating the suitability of this new approach to the short-term load forecasting problem. 展开更多
关键词 Load forecasting artificial neural networks input selection kernel based models support vector machine relevancevector machine.
暂未订购 下载PDF
基于改进的LSN-YOLOv8模型和无人机遥感图像的水稻稻曲病检测方法 认领 引用 被引量：2
19
作者 杨玉青 朱德泉 +4 位作者 刘凯旋 严从宽 孟凡凯 唐七星 廖娟 《江苏农业学报》 CSCD 北大核心 2025年第5期905-915,共11页
本研究针对无人机采集的水稻稻曲病图像中存在的背景复杂、病斑目标小且与背景表征相似等问题,构建了一种水稻稻曲病检测模型LSN-YOLOv8。该模型以YOLOv8模型为基本框架,在骨干网络中融入大选择性核网络(LSKNet),通过动态调整感受野范... 本研究针对无人机采集的水稻稻曲病图像中存在的背景复杂、病斑目标小且与背景表征相似等问题,构建了一种水稻稻曲病检测模型LSN-YOLOv8。该模型以YOLOv8模型为基本框架,在骨干网络中融入大选择性核网络(LSKNet),通过动态调整感受野范围增强模型对小目标的特征提取能力;在骨干网络中加入坐标注意力机制(CA)模块,将病斑空间位置信息与通道注意力相结合,增强模型对关键区域的关注度同时减少背景干扰;利用梯度加权类激活映射(Grad-CAM)技术实现检测过程的可视化分析,为模型决策提供直观解释。为验证模型性能,利用无人机拍摄不同发病时期、不同背景条件下的水稻稻曲病图像,构建水稻稻曲病数据集,用于模型训练与测试。试验结果表明,本研究提出的LSN-YOLOv8模型精准度、召回率和交并比阈值为0.50时的平均精度值均值(mAP50)分别为94.8%、87.3%和92.3%,均高于YOLOv5、YOLOv7、YOLOv8、Faster R-CNN模型等经典目标检测模型。梯度加权类激活映射(Grad-CAM)技术可视化分析结果表明,LSN-YOLOv8模型能够更准确地聚焦于图像中的病害区域。本研究提出的LSN-YOLOv8模型可为稻曲病监测、病害防治和水稻抗病性鉴定提供技术支持。 展开更多
关键词 稻曲病 病害识别 无人机 YOLOv8模型 大选择性核网络(LSKNet) 坐标注意力机制(CA)
暂未订购 下载PDF
基于YOLOv8改进的跌倒检测算法:CASL-YOLO 认领 引用 被引量：2
20
作者 徐慧英 赵蕊 +1 位作者 朱信忠 黄晓 《浙江师范大学学报（自然科学版）》 CAS 2025年第1期36-44,共9页
跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部... 跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部署应用于实际生活场景.针对上述问题,提出了一种在复杂环境下轻量级的基于YOLOv8模型改进的跌倒检测算法:CASL-YOLO.首先,该模型引入空间深度卷积(SPD-Conv)模块替代传统卷积模块,通过对每个特征映射进行卷积操作,保留通道维度中的全部信息,从而提高模型在低分辨率图像和小物体检测方面的性能;其次,引入基于位置信息的注意力机制,以捕获跨通道、方向和位置感知的信息,从而更准确地定位和识别人体目标;最后,在特征提取模块中引入选择性大卷积核(LSKNet)动态调整感受野,以有效处理跌倒检测场景中的复杂环境信息,提高网络的感知能力和检测精度.实验结果表明,在公开的Human Fall数据集上,CASL-YOLO的mAP@0.5达到96.8%,优于基线YOLOv8n,同时模型仅有3.4×MiB的参数量和11.7×109的计算量.相比其他检测算法,CASL-YOLO在参数量和计算量小幅增加的情况下,实现了更高的精度和性能,同时满足实际场景的部署要求. 展开更多
关键词 跌倒检测 YOLOv8 注意力机制 空间深度卷积 选择性大卷积核
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 3 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈