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4篇文章
< 1 >
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：
基于GAF-RepLKNet的平头铣刀磨损状态检测方法研究 认领 引用
1
作者 汪静姝 潘星合 +1 位作者 王清峰 马婧华 《振动与冲击》 EI CSCD 北大核心 2026年第9期108-114,共7页
为了提高铣削加工的质量和效率,对加工过程中的刀具磨损状况进行实时检测至关重要,铣削过程中的振动信号常被用于刀具磨损状况检测,然而如何提取振动信号的有效特征并建立高准确度的刀具磨损状况检测方法是当前的研究重点。使用格拉姆角... 为了提高铣削加工的质量和效率,对加工过程中的刀具磨损状况进行实时检测至关重要,铣削过程中的振动信号常被用于刀具磨损状况检测,然而如何提取振动信号的有效特征并建立高准确度的刀具磨损状况检测方法是当前的研究重点。使用格拉姆角场(Gramian angular field, GAF)对一维振动信号进行升维,从而提高信号的表征能力,再利用重参数化大核卷积网络(re-parameterized large kernel network, RepLKNet)自动捕捉和提取GAF图像的特征,进而建立特征与刀具磨损状况的映射关系,最后通过铣削试验和对比试验对模型进行验证。验证结果表明,该方法对不同铣刀磨损状况识别准确率达到98.5%,相比传统的2D卷积神经网络模型和使用一维信号作为输入的RepLKNet模型具有更好的准确性和可靠性。 展开更多
关键词 刀具磨损预测 格拉姆角场(GAF) 重参数化大核卷积网络(RepLKNet)模型
暂未订购 下载PDF
融合骨架大核算子和全局上下文信息的图卷积网络 认领 引用 被引量：1
2
作者 吴志泽 万龙 +4 位作者 洪芳华 汤正道 孙斐 邹乐 王晓峰 《中国图象图形学报》 CSCD 北大核心 2025年第11期3604-3616,共13页
目的骨架数据不仅体量轻巧,而且其内在的拓扑结构与图卷积网络(graph convolution network,GCN)高度契合,基于图卷积网络的骨架人体行为识别技术在行为识别领域得到广泛关注。然而,传统图卷积难以有效建模远距离节点关系,从而限制了其... 目的骨架数据不仅体量轻巧,而且其内在的拓扑结构与图卷积网络(graph convolution network,GCN)高度契合,基于图卷积网络的骨架人体行为识别技术在行为识别领域得到广泛关注。然而,传统图卷积难以有效建模远距离节点关系,从而限制了其在复杂动作识别中的表现,针对这一问题,提出一种融合骨架大核算子和上下文信息的骨架图卷积网络(skeleton large-kernel and contextual GCN,SLK-GCN)。方法该方法从两种不同的角度实现空间特征的增强。首先设计一种新颖的骨架大核卷积算子(skeleton-large kernel convolution,SLKC),通过扩大感受野并增强通道适应性,以增强空间特征提取能力。具体而言,SLKC通过引入大核卷积网络,模拟节点之间的远程依赖关系,从而提升模型在处理空间复杂性时的表现。同时,SLKC利用扩展的感受野捕捉更多的全局信息,增强特征提取的深度和广度。此外,引入轻量级的全局上下文建模模块(global context modeling,GCM),该模块能够自动学习和适应骨架拓扑结构,并从全局视角整合上下文特征。GCM通过捕捉不同节点之间的全局关系,进一步提升了模型的表征能力和鲁棒性。结果所提出的SLK-GCN在NTU RGB+D、NTU RGB+D 120和Northwestern-UCLA数据集上的准确率分别为96.8%(最高)、91.0%和96.8%(最高),实验结果表明,SLK-GCN在人体行为识别任务中表现出了显著的优势。结论SLKC与GCM的引入和结合,使得SLK-GCN在处理复杂骨架数据时能够更加有效地提取和利用空间特征。 展开更多
关键词 人体骨架 行为识别 图卷积网络(GCN) 上下文建模 大核卷积
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
3
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
MalMKNet:一种用于恶意代码分类的多尺度卷积神经网络 认领 引用 被引量：8
4
作者 张丹丹 宋亚飞 刘曙 《电子学报》 EI CAS CSCD 北大核心 2023年第5期1359-1369,共11页
对未知恶意代码及其变种进行快速准确地识别,是对恶意攻击行为进行有效防范的前提和基础.但随着恶意代码变种的急剧增加,人工更新样本数据库的效率越来越差,仅仅依据延时的数据库信息,传统的识别方法难以有效捕获经过混淆方法操作的样... 对未知恶意代码及其变种进行快速准确地识别,是对恶意攻击行为进行有效防范的前提和基础.但随着恶意代码变种的急剧增加,人工更新样本数据库的效率越来越差,仅仅依据延时的数据库信息,传统的识别方法难以有效捕获经过混淆方法操作的样本特征信息.针对上述问题,本文设计了一种基于灰度图像处理的深度学习模型MalMKNet(Multi-scale Kernel Network for Malware),建立了一种多尺度卷积核混合的卷积神经网络(Convolutional Neural Network,CNN)架构,以提高恶意代码识别能力.该模型运用具有捷径(shortcut)结构的深度大内核卷积和标准小内核卷积相结合的混合卷积核(Mixed Kernels,MK)模块,以提高模型准确率;在此基础上,通过多尺度内核融合(Multiscale Kernel Fusion,MKF),以降低模型参数量;再结合特征重组(feature shuffle)操作,实现优化特征通信,在不增加模型参数量的前提下提升了分类精度.实验结果表明,MalMKNet在恶意代码家族分类准确率方面优于其他基于深度学习的分类方法,准确率达到了99.35%. 展开更多
关键词 恶意代码识别 卷积神经网络 深度学习 图像处理 大卷积核 轻量化模型
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 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈