课程文献中心 更多>>

关键词： 特征融合   Transformer   目标跟踪   特征优化   目标分类  

摘要： 近年来判别相关滤波器(DCF)在视觉跟踪领域取得了巨大的成功,然而大多数相关滤波跟踪器仅依赖主干网提取的最后一层特征,忽视了低层丰富的目标结构信息。基于此,提出了一种基于特征融合模块和Transformer结构模型预测器的目标跟踪算法。引入了一个金字塔形的特征融合模块,能有效整合低层特征和高层特征。使用采用非对称位置编码方案的Transformer结构预测目标模型权重,以释放模型的表达能力。提出了一个特征优化模块以根据模型权重优化搜索特征。与现有的方法相比,该算法实现了更优的特征表示和更准确的目标定位。在Tracking-Net、LaSOT和UAV123三个主流数据集上的实验结果表明,跟踪器获得了突出性能。

关键词： 实时性语义分割   双分支结构   坐标注意力机制   智能驾驶  

摘要： 实时性语义分割由于其轻量化的网络和较快的推理速度在智能驾驶的道路场景中具有重要的应用价值。为解决道路场景中小目标信息丢失和细节被上下文淹没问题,提出了并行双分支结构的DDRPNet模型。设计了PAPPM模块融合不同尺度的语义边缘特性,增强对边界信息的建模能力。在低分辨率分支的1/16、1/32和1/64分辨率特征图后加入坐标注意力机制,以捕获不同尺度下的位置信息和通道信息,填补小目标信息丢失问题。算法在Cityscapes数据集上以46.3 FPS的实时性表现达到了mIoU为76.28%的准确性;在CamVid数据集以95.2 FPS的实时性表现达到了mIoU为73.2%的准确性。实验结果表明,该模型在精度和速度上达到良好平衡,语义分割性能显著提升,在智能驾驶领域有潜在应用前景。

关键词： 知识图谱   稀疏数据   推荐算法   相似度   CNN网络   推荐精度  

摘要： 因缺乏足够的交互关系支撑导致推荐精度不佳,对此,提出基于知识图谱的稀疏数据协同过滤推荐算法。抽取用户与物品的交互关系,构建知识图谱,利用知识图谱中的实体关系对用户和物品进行扩展表示。结合卷积神经网络(CNN)将交互关系扩为复杂结构,捕获上下文信息,以欧氏距离算相似度。找到目标用户相似邻居集,用用户协同过滤预测评分,融合时间加权策略动态调整,生成推荐列表。测试表明,该算法归一化折损累计增益(NDCG)值高,平均绝对误差(MAE)和均方根误差(RMSE)低,推荐效果较理想。

关键词： 变电站   电气自动化控制系统   安全性能优化   故障诊断算法  

摘要： 本文针对变电站电气自动化控制系统的安全性能优化与故障诊断算法开发进行了深入研究。首先概述了变电站电气自动化控制系统,接着提出了安全性能优化的方法,包括采用先进算法对系统控制策略进行优化,最后分析了故障诊断算法,通过实时监测和分析系统数据,及时准确识别并定位系统故障,为系统的维护和修复提供有力支持。

关键词： 可见光通信(VLC)   多输入多输出(MIMO)   天线选择   亚模函数   收益递减效应  

摘要： 在可见光通信多输入多输出系统中,针对天线选择理论建模不足和穷举算法复杂度过高的问题,提出了基于亚模函数的天线选择方案。首先,以下行链路的信道容量最大化为目标,建立了基于亚模函数的天线选择理论优化模型,并证明了目标函数满足的单调亚模性。其次,根据亚模函数的收益递减效应,设计了基于容量最大化的天线选择算法。最后,仿真分析了非对称限幅光正交频分复用(Asymmetrically Clipped Optical Orthogonal Frequency Division Multiplexing,ACO-OFDM)和直流偏置光OFDM(DC-biased Optical OFDM,DCO-OFDM)系统的信道容量和误码率性能。在6选4的情况下,当信噪比为30 dB时,所提算法与穷举最优算法的信道容量差异仅为0.51 b/s/Hz和1.2 b/s/Hz,复杂度则降低了约46.3%。另外,随着选择天线数的增多和调制阶数的增大,系统的误码率性能逐渐变差。

关键词： 图像抖动算法   电子纸模组   伽马   随机噪音   有序抖动  

摘要： 针对传统手机背壳已无法满足个性化需求的问题,通过对点阵图像的抖动算法的概念、伽马、随机噪音、有序抖动等方法进行深入分析,提出了一种适用于手机背壳电子纸模组的优化图像抖动算法,并对电泳显示技术存在的问题、图像增强处理、图像去噪处理等进行了探索,为电子纸模组在手机背壳上的应用提供了新的思路和方法。

关键词： YOLOv8   轻量化改进   注意力机制   多目标检测   采摘机器人  

摘要： 针对苹果采摘机器人的视觉识别算法进行优化,以YOLOv8检测算法为基础进行改进。针对YOLOv8识别算法容易存在漏检错检,同时模型较为复杂,计算参数量较高等问题,设计出一种名为YOLOv8-SNC的目标检测算法。算法引入GSConv替换算法中Neck部分的传统卷积来提升算法整体的轻量化程度,同时在每个检测头前加入CBAM注意力机制提升网络的特征提取能力,使网络更符合苹果采摘机器人的实际需求。实验结果表明,YOLOv8-SNC目标检测算法与YOLOv8相比,精度P提升2.3%,平均精度均值mAP提升1%,浮点运算次数FLOPs减小了9.88%。在面对重果、枝叶遮挡、多目标等复杂环境时,YOLOv8-SNC拥有更好的鲁棒性。YOLOv8-SNC在提升模型检测精度的同时完成模型轻量化,为苹果采摘机器人提供一种高效可行的识别算法。

关键词： 深度学习   目标检测   轻量化技术   骨干网络  

摘要： 传统基于深度学习的目标检测算法通常需要巨大的计算资源和长时间的训练,不能满足工业界的需求。轻量级目标检测网络通过牺牲一部分检测精度,换取更快的推理速度和更轻量的模型,适用于边缘计算设备中的应用,受到了广泛关注。本文介绍了常用于压缩和加速模型轻量化技术,归类分析了轻量化骨干网络结构原理,并在YOLOv5s上进行实际效果对比。最后对轻量化目标检测算法的未来前景以及面临的挑战进行了展望。

关键词： 安全工程   改进YOLOv8算法   深度学习   火灾探测  

摘要： 为了提高YOLOv8n算法在火灾探测方面的性能,给出了一种改进方法,通过集成上下文聚合架构Container和轻量级网络GhostNet来优化YOLOv8n网络结构。消融试验和对比试验的结果表明,所提方法能够有效改善YOLOv8n算法检测火灾的效果。该算法的平均精度达92.8%,探测速度达95.24帧/s,查准率达95%,具备更高的探测性能,可以为火灾探测器的研发提供参考。

关键词： 分布式优化   伪凸优化   神经动力学  

摘要： 伪凸优化作为非凸优化中的一个重要问题,在现代工程领域占有重要的地位.该文提出一种基于投影法及惩罚方法的神经动力学方法,求解具有不等式约束及等式约束的分布式伪凸优化问题.相较于已存在的各类算法,本文提出的算法在分布式系统中提高了各智能体间通信的效率,仅使用涉及系统决策的状态变量进行相互通信,因此能够节省大量通信资源.本文基于非光滑分析和Lyapunov理论,证明了网络系统中的所有智能体的状态变量在有限时间内进入可行域内并永驻其中,并且可以在有限时间内达成一致,然后渐近收敛到所考虑的优化问题的最优解.同时给出了两个数值实验的仿真结果,验证了本文所提出的算法的有效性.