9141.
9142.
9143.
9144.
9145.
目的 精确估计热带气旋的强度有助于提升天气预报和预警的准确性。随着深度学习技术的不断发展,基于卷积神经网络（convolutional neural network,CNN）的方法已应用于强度估计任务中。然而,现有方法仍存在许多问题,例如无法充分利用不同波段的卫星图像信息、输入图像以热带气旋的定位为中心等限制,从而产生较大误差,影响实时估计的结果。针对以上问题,本文提出一种融合定位信息的强度估计网络IEFL（intensity estimation fusing location）,提升强度估计的准确率。方法 模型采用双分支结构,能有效融合不同波段的图像特征,同时可以同步优化两个任务,达到互相促进的效果。此外,模型对强度估计任务做了定位的特征融合,将得到的定位特征图与强度特征图进行拼接,共同输出最后的强度结果,通过利用定位信息达到提升强度估计精度的目的。结果 本文在完成热带气旋强度估计的同时,可获取较好的热带气旋中心定位结果。收集了2015—2018年葵花-8卫星多通道图像用以训练模型,并在2019和2020年的数据上进行测试。结果表明,融合定位信息后模型的强度估计均方根误差为4.74 m/s,平均绝对误差为3.52 m/s。相比传统单一强度估计模型误差分别降低了7%和9%。结论 IEFL模型在不依赖定位准确率的同时,能够有效提升强度估计的准确率。… … 相似文献
9146.
9147.
9148.
9149.
9150.
9151.
9152.
婴儿面部表情智能化识别, 可辅助看护人员更好地关注婴儿的身心健康. 由于婴儿面部线条流畅且五官锐感偏弱导致面部表情类间相似性高于成人, 为了解决类间相似性高的问题, 提出多尺度信息融合网络. 该网络整体分为2个阶段: 在第1阶段使用融合模块在空间域与通道域双重维度下融合局部特征与全局特征, 增强特征的表达能力; 在第2阶段采用自适应深度中心损失, 利用注意力机制估计融合特征的权重用以指导中心损失, 促进婴儿表情特征的类内紧凑和类间分离. 实验结果表明, 多尺度信息融合网络在婴儿面部表情数据集中识别准确率达到95.46%, 在AUC、召回率和F1得分3个评价指标上分别达到99.07%、95.88%和95.89%, 与现有面部表情识别网络相比, 识别效果最优. 将多尺度信息融合网络在公开面部表情数据集上进行泛化性实验, 准确率达到89.87%.… … 相似文献
9153.
9154.
在细粒度视觉识别领域,由于高度近似的类别之间差异细微,图像细微特征的精确提取对识别的准确率有着至关重要的影响.现有的相关热点研究算法中使用注意力机制提取类别特征已经成为一种趋势,然而这些算法忽略了不明显但可区分的细微部分特征,并且孤立了对象不同判别性区域之间的特征关系.针对这些问… … 相似文献
9155.
9156.
目的 基于Transformer架构的网络在图像分类中表现出优异的性能。然而,注意力机制往往只关注图像中的显著性特征,而忽略了其他区域的次级显著信息,基于自注意力机制的Transformer也是如此。为了获取更多的有效信息,从有区别的潜在性特征中学习到更多的可判别特征,提出了一种互补注意多样性特征融合网络（complementary attention diversity feature fusion network,CADF）,通过关注次显特征和对通道与空间特征协同编码,以增强特征多样性的注意感知。方法 CADF由潜在性特征模块（potential feature module,PFM）和多样性特征融合模块（diversity feature fusion module,DFFM）组成。PFM模块通过聚合空间与通道中感兴趣区域得到显著性特征,再对特征的显著性进行抑制,以强制网络挖掘潜在性特征,从而增强网络对微小判别特征的感知。DFFM模块探索特征间的相关性,对不同尺寸的特征交互建模,以得到更加丰富的互补信息,从而产生更强的细粒度特征。结果 本文方法可以端到端地进行训练,不需要边界框和多阶段训练。在CUB-200-2011（Caltech-UCSD Birds-200-2011）、Stanford Dogs、Stanford Cars以及FGVC-Aircraft （fine-grained visual classification of aircraft）4个基准数据集上验证所提方法,准确率分别达到了92.6%、94.5%、95.3%和93.5%。实验结果表明,本文方法的性能优于当前主流方法,并在多个数据集中表现出良好的性能。在消融研究中,验证了模型中各个模块的有效性。结论 本文方法具有显著性能,通过注意互补有效提升了特征的多样性,以此尽可能地获取丰富的判别特征,使分类的结果更加精准。… … 相似文献
9157.
9158.
9159.
9160.
关于我们 |
广告服务 |
商务洽谈 |
联系我们 |
免责条款 |
隐私声明 |
网站导航
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
