摘要：针对工业应用领域中终端设备计算能力较低且对检测算法的响应速度存在较高需求的问题,提出基于分裂倒残差的轻量型实时目标检测算法.首先,在主干网络中使用分裂倒残差结构,削减网络结构的参数量以及运算次数,以达到加快推理速度的目的;其次,引入自适应上下文感知模块以及轻量型双向特征融合模块,旨在提升特征信息交流、增加对小目标检测性能的同时,避免增加额外的学习参数与推理.实验结果表明,文中算法在参数量仅有7.5×105的情况下,MS COCO数据集中检测精度达到21.1%,移动端检测速度达到48帧/s,远超对比算法,该检测算法更适合在无法提供高计算能力的移动端设备上完成目标检测任务.

摘要：基于对抗训练的域适应目标检测的研究旨在不对新数据集进行额外标注的情况下,将检测模型应用于不同的数据集。但现有算法存在目标检测和域对齐任务难以平衡的问题,且一般的单判别器结构容易局限于数据的单个模式,导致域对齐的质量下降。提出一种基于渐进式训练的多判别器域适应目标检测算法,针对传统的单判别器结构对复杂结构数据进行域对齐时的局限性,在实例级的域适应头中引入多判别器结构,使其在学习域不变信息时考虑数据的多模结构,实现质量更高、更全面的域对齐。同时,为降低引入多判别器结构而增加的模型复杂度,设计基于Dropout技术的多判别器结构,对单个判别器参数进行重复利用,并创新性地引入渐进式训练策略,即随着训练的推进逐步增大域对齐任务的比重和难度,动态平衡目标检测和域对齐任务的权重。实验结果表明,所提算法在Cityscapes到Foggy Cityscapes的域适应场景下的平均检测精度为42.9%,相比近几年该领域的新算法提高了至少0.5个百分点。

摘要：受遥感图像背景复杂、分辨率高、有效信息量少等因素影响,现有目标检测算法在检测小目标过程中存在错检、漏检等问题。提出基于YOLOv5的遥感小目标检测算法YOLOv5-RS。为有效减少图像中复杂背景和负样本的干扰,构建并行混合注意力模块,采用卷积替换全连接层和移除池化层的操作来优化注意力模块生成权重特征图的过程。为获取和传递更丰富且更具判别性的小目标特征,调整下采样倍数并在模型训练过程中增加小目标信息丰富的浅层特征,同时设计卷积与多头自注意力相结合的特征提取模块,通过对局部和全局信息进行联合表征以突破普通卷积提取的局限性,从而获得更大的感受野。采用EIoU损失函数优化预测框与检测框的回归过程,增强小目标的定位能力。在遥感小目标数据集上进行实验以验证该算法的有效性。实验结果表明,与YOLOv5s相比,该算法在参数量减少20%的情况下平均检测精度提升1.5个百分点,其中,小车类目标的平均检测精度提升3.2个百分点;与EfficientDet、YOLOx、YOLOv7相比,该算法能有效兼顾检测精度和实时性。

摘要：目前变电站原始图纸信息保存单一、数字化解析程度不高,人工解析变电站原始图纸工作量庞大。为了解决该问题,提出基于可携带文档格式(portable document format,PDF)图纸智能化提取变电站设备及其连接关系信息、构建物理回路模型的方法,并根据智能变电站物理配置描述(substation physical configuration description,SPCD)文件对该方法进行具体实现。首先,对图纸中提取的图元信息进行处理;然后,通过字符串相似度匹配结合KR的贪心串覆盖(running Karp-Rabin greedy string tiling,RKR-GST)算法实现电气符号的识别,使用梯度提升决策树和逻辑回归(gradient boosting decision tree-logistics regression,GBDT-LR)混合算法进行变电站图像分类;最后,根据SPCD文件完成从原始图纸到物理回路模型的数字化描述。实验结果表明,在图元存在误差的情况下,电气符号匹配正确率达到93%,物理回路识别正确率超过90%。

摘要：针对复杂交通场景下小目标检测精度低,容易出现误检和漏检的问题,提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS。提出基于反馈机制的特征提取网络(RFP-PAN),增加浅层特征层与反馈连接并设计IASPP模块,充分融合不同尺度的特征信息,提升网络的特征融合能力;提出级联注意力机制(SECA),在通道和空间维度上聚焦重要特征,让算法关注更加有用的信息;利用Ghost模块的轻量化优势,降低算法的参数量、计算量和模型占用空间。实验结果表明,YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%,相比原始算法分别提高了1.6和8.6个百分点,模型大小为12.9 MB,在保证实时性的同时具有良好的检测精度,在一定程度上解决了小目标的漏检和误检问题。

摘要：天文台天气监测系统对天气云图存在巨大需求。为解决传统的生成对抗网络在扩充天气云图数据集时模型不稳定以及图像特征丢失等问题,提出一种基于SAU-NetDCGAN的双层嵌入式对抗网络天气云图生成方法,该方法由两层网络相互嵌套组成。首先,第一层嵌入式网络是将U型网络添加到生成对抗式网络的生成器中,该网络作为基础架构,利用编码器与解码器之间的跳跃连接增强图像的边缘特征恢复能力;接着,第二层嵌入式网络是将简化参数注意力机制(simplify-attention, SA)添加到U型网络中,该注意力机制通过简化参数降低了模型复杂度,有效地改善了图像暗部特征丢失的问题;最后设计了一种新的权重计算方式,加强了各特征之间的联系,增加了对图像细节纹理特征的提取。实验结果表明,该方法生成的图像在清晰度、色彩饱和度上与传统的生成对抗网络相比图像质量更好,在峰值信噪比、结构相似性的评价指标下分别提高了27.06 dB和0.606 5。

摘要：针对传统算法在进行波达方向角估计时需要进行全空间的谱峰搜索,且依赖初始化迭代和插值的缺陷,设计了一种贝叶斯估计方法。首先,构建基于均匀圆阵的频域信号处理模型,提出了基于马尔科夫链蒙特卡罗进行波达方向角估计的方法,实现了无需初始化和插值的测向算法,且不需要进行全空间的谱峰搜索即可直接估计结果,同时推导了该模型下进行波达方向角估计的克拉美罗下界。在以测向结果为先验信息,同时设计了一种新的空域滤波增益模型。利用马尔科夫链蒙特卡罗算法对信号子空间进行解耦合,然后计算滤波器增益系数,以此实现空域滤波。最后在无线电设备搭建的真实环境中进行实验,验证了基于马尔科夫链蒙特卡罗算法进行阵列波达方向角估计和空域滤波的有效性,并且与其他模型相比要明显优于后者。

摘要：针对现有文本分类算法处理中文数据时存在的分类精度低、参数量庞大、模型难训练等问题,对BERT算法进行了优化.BERT算法处理中文文本时无法提取词向量特征,为此提出了均匀词向量卷积模块AWC.通过在传统卷积神经网络中引入注意力机制来提取可靠词向量特征,再进一步获取到文本的局部特征,由此弥补了BERT模型无法提取词向量的缺点.BERT模型本身具有的自注意力网络可提取到文本的全局特征来突出全文的重点含义,与此同时在BERT算法中又引入了局部特征,通过将描述文本的局部特征以及全局特征按照重要程度进行融合,最终生成了更加丰富的文本信息.将融合后的特征输入softmax层得到模型的分类结果.平衡多头设计、层级参数共享机制、全连接层优化等方法的运用在保证算法准确度的前提下大大降低了模型参数量,最终形成了一种基于混合注意力机制的BERT-AWC轻量化文本分类算法.在多个公开数据集上的实验结果表明,相较于基准算法BERT,该算法在多个公开数据集上的预测精度均有1~5%的提升,而模型参数量仅为BERT的3.6%,达到了设计预期.