公众号
网站访问量
脑启发的遮挡目标识别模型研究综述
张利朋;李瑞琪;王宁;曹亮;孟振江;李翠霞;胡玉霞;遮挡目标识别是计算机视觉领域的核心挑战之一。目标物体因遮挡导致的特征缺失和混淆严重制约了当前目标识别模型的性能。研究表明人脑视觉系统具有出色的遮挡目标识别能力和对遮挡场景的强适应能力，为构建脑启发的遮挡目标识别模型提供了生物学依据与创新方向。系统梳理了脑启发遮挡目标识别模型的研究进展。首先，对当前主流的遮挡目标识别模型进行系统介绍。其次，聚焦脑启发模型的生物学基础，阐释了视觉皮层层级处理等神经机制在视觉推理中的关键作用。再次，评述模拟生物视觉功能机理的遮挡目标识别模型。最后，总结已有的工作，对当前脑启发的遮挡目标识别模型的发展方向进行讨论，指出对生物机制的探索仍是脑启发模型创新研究的难点。
基于改进YOLO的装甲目标毁伤状态估计方法
宋轩;李新家;徐旺旺;佘维;针对战场上装甲目标毁伤状态检测所面临的图片背景复杂、毁伤程度各异及毁伤特征多变等挑战，提出一种轻量级装甲目标毁伤状态评估方法——挤压-激励(squeeze-and-excitation, SE)与特征融合增强的YOLO模型。首先，在Focus模块中添加SE注意力机制，设计了SE-Focus特征提取模块，通过增强关键特征和减少信息冗余来提升模型在复杂环境下的适应性和检测效果；其次，融合加权跨尺度双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)的多尺度特征融合优势与深度可分离卷积(depthwise separable convolution, DSConv)的高效计算特性，在保留BiFPN的优异跨尺度特征交互能力的同时，借助DSConv的特性降低模型复杂度与运算成本；最后，引入SIoU损失函数，增强模型的鲁棒性及训练稳定性。在装甲目标毁伤坦克数据集上的实验结果表明，参数量不变的情况下，所提模型相比原模型mAP50提高1.8个百分点，召回率提高1.9个百分点，mAP50-95提高1.7个百分点，验证了改进策略的有效性。
基于跨域融合和动态损失的睡眠呼吸暂停检测
李奇;刘方姿;张航;武岩;赵文丽;针对睡眠呼吸暂停检测中存在的特征表示单一化、跨域关联建模不足以及数据类别不平衡等问题，提出一种融合多视图表征与动态聚焦代价敏感损失函数的检测方法。首先，将不同时长心电信号通过格拉姆角和场映射为图像，构建时序-空间双视图；其次，构建双分支混合网络，结合自适应门控LSTM在时序建模方面的能力与Res-Swin Transformer在图像空间特征提取方面的优势，并引入跨域注意力机制实现特征融合；最后，引入动态聚焦代价敏感损失函数来缓解数据类别不均衡的问题。在Apnea-ECG数据集上的实验结果表明，所提方法在片段睡眠呼吸暂停检测中准确率为91.2%、灵敏度为89.2%、特异性为92.4%,在个体睡眠呼吸暂停检测中三项指标均达到100%,显著优于现有方法。
基于XGBoost-FOA-LSTM的燃气分类负荷预测
宰光军;王浩;武杨磊;李怡彬;刘燕;准确的燃气预测可以有效调整供应，减少不必要的能源消耗。通过分析发现，城市和居民的天然气负荷受多种因素影响，包括气温、供暖条件、天气状况、风力、空气质量、假期等。针对现有天然气负荷预测方法多局限于单一预测周期和单一用户类型的问题，提出一种基于XGBoost-FOA-LSTM的周负荷预测方法。将XGBoost的预测结果作为LSTM滚动预测的新影响因素，用于预测不同用户在不同影响因素下、不同时期的负荷。验证结果表明，所提模型在城市和居民数据滚动日预测中的误差分别为3.65%和6.16%,其均方根误差和平均绝对误差均优于单一LSTM模型，且进一步证明了城市日负荷数据受供暖条件影响显著。
基于区块链和模型共存的联邦蒸馏动态优化方法
田钊;谢文顶;牛亚杰;徐旺旺;佘维;针对联邦学习中心服务器存在的单点故障隐患和模型训练过程中的异质性问题，提出了一种基于区块链和模型共存的联邦蒸馏动态优化方法。首先，引入区块链技术搭建一个去中心化的数据共享交流平台，以克服中心服务器的单点故障风险。其次，采用全局模型与个性化模型共存的策略，并且在局部训练过程中引入知识蒸馏技术实现更加灵活和高效的模型训练，以解决异质性问题。实验结果表明，所提出的算法能够保证个性化模型的高准确率，提升全局模型在数据分布差异较大情况下的稳定性和鲁棒性，是解决异质性的有效方法，同时区块链技术的使用成功消除了中心服务器单点故障的隐患。
基于大语言模型的因果分析类案检索方法
王凌志;周裕林;秦永彬;黄瑞章;陈艳平;林川;类案检索作为保障司法公正与统一的核心技术，为案件判决提供了重要支撑，但现有方法多侧重文本统计特征与表层文本语义，不仅存在难以有效应对文本过长、信息冗余的问题，还忽视了司法裁判中的因果逻辑。因此，提出基于大语言模型的因果分析类案检索方法，通过“事实重建、行为事实提取、行为因果发现”三阶段流程，先对案件事实进行重构，再通过结合知识图谱进行因果分析抽取行为过程，利用反事实推理捕捉行为间因果关系，最后，由大语言模型对行为事实进行因果要素推理，从而发现案件事实中的深层因果逻辑。实验结果表明，所提方法相较于基线模型在P@5、P@10、MAP、NDCG@10、NDCG@20、NDCG@30指标上表现良好，有效验证了因果分析在类案检索任务中的应用价值。
