卫星捕获的遥感数据容易受到成像过程中悬浮粒子的影响而造成图像雾化现象,极大地影响遥感图像的清晰度。为了弥补这一不足,遥感图像去雾(RSID)非常必要。最近兴起的状态空间模型State Space Model(SSM)在建模线性复杂性和远程依赖关系...卫星捕获的遥感数据容易受到成像过程中悬浮粒子的影响而造成图像雾化现象,极大地影响遥感图像的清晰度。为了弥补这一不足,遥感图像去雾(RSID)非常必要。最近兴起的状态空间模型State Space Model(SSM)在建模线性复杂性和远程依赖关系方面的性能卓越,受其启发,笔者设计了一种基于CSC-Mamba(Cross-Shaped Convolutional Mamba Model)视觉模型遥感图像去雾技术。该技术基于SSM设计了RSMamba模块,利用其线性复杂性来实现全局上下文编码,大大降低了模型的复杂度。同时,利用卷积神经网络CNN以及基于自注意力机制设计CSwin模块来聚合不同方向域上的特征,以有效地感知雾分布的空间变化特征。通过这种方式,CSC-Mamba能够更好地提取雾特征,从而有效地去除雾对遥感图像的影响。通过在SateHaze1K公共数据集上的实验,结果表明本CSC-Mamba模型遥感图像去雾技术不仅具有较好的轻量化特征的同时性,还具有较高的去雾效果。展开更多
针对工业缺陷检测系统在资源受限环境下难以兼顾检测精度和计算效率的问题,提出了一种基于混合状态空间模型的轻量化工业缺陷检测网络架构。该架构通过设计C2f_EfficientVIM_CGLU模块,将视觉状态空间模型的全局序列建模能力与卷积门控...针对工业缺陷检测系统在资源受限环境下难以兼顾检测精度和计算效率的问题,提出了一种基于混合状态空间模型的轻量化工业缺陷检测网络架构。该架构通过设计C2f_EfficientVIM_CGLU模块,将视觉状态空间模型的全局序列建模能力与卷积门控线性单元的局部特征增强机制深度融合,构建了高效的缺陷特征表征学习框架。引入HSM-SSD(Hidden State Mixer based State Space Duality)机制,采用线性时间复杂度的状态空间建模方法处理长距离依赖关系,显著提升了对不规则形状和稀疏分布缺陷的识别能力。设计Slimneck轻量化特征金字塔网络,通过GSConv(Ghost Shuffle Convolution)稀疏卷积和VoV-GSCSP(Variance of Variance Ghost Shuffle Cross Stage Partial)高效特征融合模块,在保持检测精度的前提下实现了网络参数的大幅压缩。在NEU-DET和APDDD数据集上的大量实验表明,所提网络架构在NEU-DET数据集上的mAP50达到92.13%,相比基线模型YOLOv8n提升9.77个百分点,参数量仅为2.9 M,计算复杂度为7.7 GFLOPs,相比传统的Faster-RCNN方法参数量减少93%以上。在APDDD数据集上的mAP50达到89.68%,验证了方法的良好泛化性能和快速检测能力。该研究为工业4.0智能制造环境下的高效质量检测系统提供了理论基础和技术支撑。展开更多
现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差...现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS(Stanford Research Institute Problem Solver)模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.展开更多
文摘针对工业缺陷检测系统在资源受限环境下难以兼顾检测精度和计算效率的问题,提出了一种基于混合状态空间模型的轻量化工业缺陷检测网络架构。该架构通过设计C2f_EfficientVIM_CGLU模块,将视觉状态空间模型的全局序列建模能力与卷积门控线性单元的局部特征增强机制深度融合,构建了高效的缺陷特征表征学习框架。引入HSM-SSD(Hidden State Mixer based State Space Duality)机制,采用线性时间复杂度的状态空间建模方法处理长距离依赖关系,显著提升了对不规则形状和稀疏分布缺陷的识别能力。设计Slimneck轻量化特征金字塔网络,通过GSConv(Ghost Shuffle Convolution)稀疏卷积和VoV-GSCSP(Variance of Variance Ghost Shuffle Cross Stage Partial)高效特征融合模块,在保持检测精度的前提下实现了网络参数的大幅压缩。在NEU-DET和APDDD数据集上的大量实验表明,所提网络架构在NEU-DET数据集上的mAP50达到92.13%,相比基线模型YOLOv8n提升9.77个百分点,参数量仅为2.9 M,计算复杂度为7.7 GFLOPs,相比传统的Faster-RCNN方法参数量减少93%以上。在APDDD数据集上的mAP50达到89.68%,验证了方法的良好泛化性能和快速检测能力。该研究为工业4.0智能制造环境下的高效质量检测系统提供了理论基础和技术支撑。
文摘现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS(Stanford Research Institute Problem Solver)模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.
