lSSN 1003-6059
CN 34-1089/TP
CODEN MRZHET
CN 34-1089/TP
CODEN MRZHET
PDF全文 (
)
HTML
(
)
可视化
收藏
在线构建矢量化高精地图是自动驾驶系统中的关键任务之一,但现有方法在遮挡、低光照等复杂环境下的预测性能往往显著下降.为了解决上述问题,文中提出基于增强查询与地图先验的时序矢量图感知方法.首先,构建基于Transformer的导航地图增强模块和栅格高精地图初始化模块,增强复杂场景中的环境理解能力.然后,设计实例查询编码方式,将相邻帧检测结果作为时序查询先验引入当前帧感知过程,提升预测稳定性与时序一致性.最后,引入多尺度解码器与方向向量损失函数,细化查询表示,实现矢量化地图元素的精确预测.文中构建真实环境数据集并提出鱼眼相机适配策略,验证方法在真实场景中的应用能力.在多个公开数据集和自采数据集上的实验表明,文中方法在保持良好实时性的同时取得较优的地图构建性能,有效提升在线高精地图构建的准确性与鲁棒性.
PDF全文 (
)
HTML
(
)
可视化
收藏
Transformer在时间序列分析中展现巨大潜力,但其注意力机制常因聚合语义不相关的查询-键对而影响预测性能,同时,时间序列中存在的周期性、突发波动等复杂模式也增大建模难度.为此,文中提出全局-局部特征融合的多变量时序预测方法(Multivariate Time Series Forecasting Method with Global-Local Feature Fusion, MTS-GLFF).首先设计TopK-Transformer,根据可学习的传感器嵌入动态生成稀疏掩码,保留关键序列,进行特征聚合.在此基础上,构建双分支时间序列预测框架,包含全局分支网络和局部分支网络.全局分支网络通过跨变量注意力机制捕获全局的交互特征;局部分支网络采用多尺度架构,将时间序列分解成多粒度模式,精细化建模局部相关性.在10个基准数据集上的实验表明,MTS-GLFF在长短期预测任务中的性能均较优.
PDF全文 (
)
HTML
(
)
可视化
收藏
针对传统卷积神经网络中卷积核频域响应因缺乏显式约束而导致的高频分量过度强化的问题,提出频域衰减卷积的图像分类网络(Image Classification Network with Frequency Decay Convolution, FDNet).首先,设计频域衰减卷积模块(Frequency Decay Convolution, FDConv),将神经元信号衰减机制引入频域空间,通过对卷积核频域幅度实施衰减调控,在保留完整相位信息的前提下抑制过强频率分量的响应,有效缓解因频域响应失衡引发的过拟合问题.然后,将FDConv嵌入网络浅层特征提取阶段和残差块结构中,使频谱正则化贯穿整个特征提取过程.在此基础上,构建空间方向衰减模块(Directional Spatial Decay, DSD),通过并行的1×3 FDConv和3×1 FDConv对水平方向与垂直方向的特征进行分离提取,实现对方向特征与重要通道的协同增强.最后,将DSD嵌入残差块末端,在残差连接后对特征进行方向分解与通道重标定,使网络聚焦关键判别信息.在CIFAR-10、CIFAR-100、SVHN、STL-10、Ima- genette、Imagewoof图像数据集上的实验表明,FDNet分类性能较优.
PDF全文 (
)
HTML
(
)
可视化
收藏
针对现有人脸超分辨率方法在计算效率与重建质量之间难以取得最佳平衡的问题,文中提出基于频域交互与密集融合的人脸超分辨率重建网络.首先,利用小波变换进行频域下采样,有效保留图像的频谱信息.在此基础上,设计全局-局部Transformer模块,串行处理局部窗口注意力与全局稀疏注意力,在降低计算复杂度的同时较好地捕捉人脸的整体几何结构.然后,提出频域交互Transformer模块,构建跨频段的交互机制,利用高频特征反向修正低频语义,提升图像锐度.最后,通过邻域尺度密集融合机制实现跨尺度特征聚合.实验表明,文中网络在降低参数量的同时,实现感知质量与像素保真度的良好平衡,为资源受限场景中的人脸超分辨率重建提供新的解决方案.相应源代码获取地址
PDF全文 (
)
HTML
(
)
可视化
收藏
在传统的冲突分析中,通常假设代理是相互独立的,并且忽略社交网络中代理之间的潜在联系及地位差异.此外,社交网络中的信任关系往往是不完备的,而科学确定问题的权重是缓解冲突的关键因素之一.为了解决上述问题,文中提出基于最优最劣方法(Best-Worst Method, BWM)的信任驱动三支冲突分析模型(Trust-Driven Three-Way Conflict Analysis Model Based on the BWM, TBWM-3WCA).首先,针对社会网络中信任关系不完备的问题,利用路径惩罚系数与爱因斯坦积模拟信任传播,补全信任矩阵.然后,为了体现代理在群体中的影响力差异,研究主体间的潜在关系以推导影响力权重,这些权重随后用于聚合群体态度,客观识别冲突情境中最受支持议题与最不受支持议题,进而结合BWM确定议题权重.最后,引入基于系统冲突度的动态反馈机制,用于迭代调整代理态度,促进共识的形成和冲突的收敛.实例分析及对比实验表明TBWM-3WCA在处理冲突问题上的有效性.
PDF全文 (
)
HTML
(
)
可视化
收藏
针对超细粒度图像分类中类间差异极小、样本内变化较大导致的分类困难问题,提出基于动态混淆发现的超细粒度图像分类网络(Ultra-Fine-Grained Visual Classification Network Based on Dynamic Confusion Discovery, DCD-Net).DCD-Net由两个关键模块构成:动态混淆发现模块(Dynamic Confusion Discovery Module, DCDM)和混淆感知双重对比学习模块(Confusion-Aware Dual Contrastive Learning Module, CDCLM).DCDM分析模型预测概率分布,构建混淆亲和矩阵,求解全局最优类别配对关系,识别当前训练阶段最易混淆的类别对.CDCLM围绕上述混淆关系,从保持同类样本特征一致性与扩大易混淆类别特征间隔两个维度出发,针对性优化特征空间.两个模块通过混淆配对表形成协同机制,使网络能根据训练进程动态调整学习重点,持续聚焦当前最难区分的类别边界.在5个超细粒度数据集和1个细粒度数据集上的实验表明,DCD-Net识别精度较高、泛化能力较强.
