题名 基于SCConv-BiMamba2的加密流量分类
1
作者
邬九连 纪祥敏
机构
福建农林大学计算机与信息学院
出处
《北京信息科技大学学报(自然科学版)》
2025年第2期66-73,共8页
文摘
针对传统神经网络加密流量分类方法特征提取不全面、忽略流量数据的空间依赖和通道相关性以及只关注单一方向的数据特征等问题,提出了一种名为SCConv-BiMamba2的新型加密流量分类模型。融合空间和通道重建卷积(spatial and channel reconstruction convolution,SCConv)架构中的空间重建单元(spatial reconstruction unit,SRU)和通道重建单元(channel reconstruction unit,CRU),以捕获更为详尽的空间和通道特征;通过引入双向Mamba2(bidirectional Mamba2,BiMamba2)架构,从不同方向学习数据特征,并对重要特征赋予更高权重,从而增强了对关键特征的关注度,提高了加密流量分类的准确性。实验结果表明,在公开数据集ISCX VPN-nonVPN上,SCConv-BiMamba2模型分类准确率比1D-CNN提高9.4百分点,特别是Chat、Email和VoIP等3类流量分类的精确率比1D-CNN分别提高了46%、36%和19%。
关键词
网络流量分类 双向Mamba2架构 scconv 架构动态学习率调整
Keywords
network traffic classification bidirectional Mamba2 architecture spatial and channel reconstruction convolut ion(scconv )architecture dynamic learning rate adjustment
分类号
TP393.06
[自动化与计算机技术—计算机应用技术]
题名 基于改进YOLOv5s模型的金属焊缝缺陷检测
2
作者
王树强 芦伟 张宽 李君伟
机构
沈阳化工大学
出处
《焊接学报》
北大核心
2026年第2期116-125,共10页
基金
辽宁省教育厅高校基本科研面上项目(LJKMZ20220774) 沈阳化工大学2022年研究生精品示范课程项目 教育教学改革研究项目。
文摘
为提高γ射线焊缝底片缺陷检测的可靠性,提出一种基于改进YOLOv5s的焊缝缺陷检测模型,实现了在复杂环境下对焊缝底片缺陷的高效准确检测.针对原YOLOv5s模型中卷积网络存在的大量通道和冗余信息问题,首先,在主干网络的C3模块中融入了SCCONV网络模块,减少了冗余信息并提高模型检测性能;其次,考虑到焊缝缺陷的形态多样、大小不一以及对比度低等特点,引入了卷积注意力模块(CBAM和SE),以增强模型对感兴趣区域的关注度;最后,在边界框回归检测中,采用EIoU损失函数替代传统YOLOv5s中的CIoU损失函数,显著提升了模型的检测精度和鲁棒性.结果表明,改进后的模型在精确度、召回率等指标上均较传统YOLOv5s算法有显著提升,具体表现为准确率提高4.2%、召回率提高3.2%、平均精度均值提高3.4%,进而验证了该方法在γ射线焊缝缺陷检测中的有效性.
关键词
YOLOv5s模型 scconv 卷积CBAM注意力机制 SE注意力机制 EIoU损失函数
Keywords
YOLOv5s model scconv convolut ionCBAM attention mechanism SE attention mechanism EIoU loss function
分类号
TG441
[金属学及工艺—焊接]
题名 基于改进YOLOv8算法的涉电公共隐患智能识别
3
作者
周林 翁迪 郝树青 刘安茳
机构
贵州电网有限责任公司电力科学研究院
出处
《电力大数据》
2025年第9期57-68,共12页
基金
中国南方电网有限责任公司科技项目(GZKJXM20232464)。
文摘
针对当前配电网涉电公共安全隐患识别过程中存在的时效性不足与准确性偏低的问题,提出一种基于YOLOv8的改进目标检测模型。该模型通过以下三方面创新有效提升了检测性能:首先,在骨干网络中嵌入BoT3(bottom-up transformer 3)模块,基于“系统化全局感知”思想构建目标与背景之间的长程依赖关系,增强全局上下文特征提取能力,重点提升对小尺寸隐患的识别精度;其次,在颈部网络引入C2f(channel to feature)与空间与通道重建卷积(spatial and channel reconstruction convolution,SCConv)模块,在减少参数和计算量的同时实现网络轻量化,并提高多尺度特征融合效率,从而提高检测实时性;最后,在检测头中嵌入坐标注意力(coordinate attention,CA),加强对小目标和模糊目标的特征捕捉能力。实验表明,改进模型显著提升了涉电安全隐患的识别性能,mAP@0.5和mAP@0.5∶0.95分别达到0.974和0.710,后者较基线提升4.6%,验证了其在识别效率与准确率上的优势,为配电网安全隐患的智能识别提供了更高效的解决方案。
关键词
涉电安全隐患 YOLOv8 BoT3模块 CA注意力机制 scconv 卷积模块SIoU
Keywords
electrical safety hazards YOLOv8 BoT3 module CA mechanism scconv convolut ion moduleSIoU
分类号
TM08
[电气工程—电工理论与新技术]
题名 基于改进U-Net的遥感影像建筑物识别
4
作者
郭辉 刘新哲
机构
安徽理工大学空间信息与测绘工程学院
出处
《安徽理工大学学报（自然科学版）》
CAS
2024年第5期18-27,共10页
基金
矿山环境与灾害协同监测煤炭行业工程研究中心开放基金资助项目(KSXTJC202202)。
文摘
目的近年来,深度学习用于提取影像中的建筑物信息已经成为遥感领域研究热点之一,为了准确高效地提取遥感影像中的建筑物信息。方法使用ResNet替换U-Net的骨干网络,并以此为基础进行改进,融合自校正卷积(SCCnov)和高效通道注意力(ECA),构建了一种新的建筑物提取网络模型。使用马萨诸塞州建筑物数据集设计消融实验,对所构建的网络模型的提取精度和实际效果进行对比分析,并使用WHU数据集验证网络的普适性,同时使用安徽某矿区的无人机影像数据集设计了迁移性实验,验证所构建网络的迁移能力。结果所构建的网络在mIoU、mPrecision和mRecall 3个指标上分别达到了82.89%、92.26%和88.32%,较改进前分别提升了1.70%、1.08%和1.19%;另外,在迁移性实验中,网络在mIoU、mPrecision和mRecall 3个指标上分别达到88.66%、94.37%和93.19%。结论本文所提出的SCEC-Unet在建筑物提取中具有良好的效果,且在独立小建筑物,异形建筑以及边缘建筑物的提取中表现较好,同时该网络具有良好的迁移能力,可用于矿区建筑物提取任务的迁移学习。
关键词
自校正卷积 高效通道注意力 卷积神经网络 深度学习 遥感信息提取
Keywords
self-correcting convolutional (scconv )efficient channel attention(ECA) convolutional neural network(CNN)deep learning remote sensing information extraction
分类号
P237
[天文地球—摄影测量与遥感]
