网络首发
一种基于矢量化和GPU加速的快速调和映射算法
李思沅;钱坤;李映华;卫之恒;宋俊蓉;徐昊;杨明;调和映射是三维几何模型中常用的参数化技术,已得到广泛应用。传统调和映射算法通过求解基于离散Laplace-Beltrami算子的稀疏线性方程组来构建参数化。然而,该过程在矩阵构建阶段需要循环遍历网格元素(边、顶点与面),且线性方程组的求解也会耗时较长,导致计算复杂度随模型规模增大呈指数增长。为突破这一计算瓶颈,研究者通过可并行矩阵运算重构调和映射计算流程。该方案充分利用图像处理器(graphics processing unit,GPU)架构固有的并行特性,借助大规模并行计算实现高效的硬件加速。实验结果表明,该GPU加速方法显著提高计算效率,且优势随分辨率的提升愈发明显。这为大规模三维几何模型的调和映射提供了一种新途径,并为需要实时参数化的交互式应用提供新的可能。
黄河流域城市新质生产力研究综述
魏伟;周芳;丁双莹;李涛;张伟;黄河流域城市发展对于实现国家生态保护与高质量发展战略具有重要意义,以黄河流域城市新质生产力为研究对象进行了系统综述。首先,从基本概念、理论来源、主要差异三方面剖析新质生产力理论内涵。其次,对其研究现状进行挖掘,发现现有评价体系主要从生产力三要素和功能属性进行构建,其测度方法从传统模型向空间计量、前沿智能算法等演进,流域城市新质生产力整体呈现“东高西低,核心城市引领”的时空格局。再次,总结了流域城市新质生产力发展面临区域发展不均衡、产业结构单一、创新投入不足及生态超载等问题。最后,提出构建跨区域创新网络、加强中西部数字基建、强化绿色技术攻关等建议。
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,通过在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,在参数数量不变的情况下,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ResSwin 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达到了91.2%的准确率、89.2%的灵敏度和92.4%的特异性,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。
基于思维链与时空类案辅助的刑期预测方法
田合海;余帅;秦永彬;黄瑞章;陈艳平;韩德毅;在法律人工智能领域,刑期预测任务面临准确率提升缓慢和模型可解释性不足的双重挑战。为解决上述问题,提出一种融合思维链推理与类案分析的刑期预测方法,旨在模拟司法实践中定性与定量结合的量刑思维方式。该方法构建了一个三阶段推理框架:第一阶段,依据法条确定量刑起点区间;第二阶段,结合犯罪事实特征推导出基准刑范围;第三阶段,引入时空维度的类案对比,实现结果的精细化微调。在各阶段的方法中引入one-shot思维链推理机制,显式提取并对比法条与案例的关键特征,从而实现推理路径的透明化与可解释化。实验结果表明,所提方法在公开法律数据集上取得了显著的性能提升,验证了其有效性与实用性。
基于动态感知曲线调整策略的自适应低光照图像增强方法
王春萌;赵建行;针对现有低光照增强方法在复杂光照场景下泛化能力有限和参数自适应性调整不足的缺陷,提出一种基于动态感知曲线调整策略(DPCAS)的无参考低光照图像增强方法。DPCAS包括轻量化特征感知模块(LFPM)和动态曲线调整模块(DCAM)。LFPM采用轻量化架构及多尺度双重注意力机制进行特征提取和聚合,DCAM采用动态迭代机制自适应地调整映射曲线参数,二者共同实现局部细节增强与全局曝光校正间的动态平衡。另外,提出一种自适应分配多损失函数权重的两阶段训练机制,实现更稳定的收敛和更精准的目标优化控制。在多个有参考与无参考测试集的定性和定量实验表明,主观质量优于多种现有的低光照图像增强方法,并且在通用定量指标如PSNR、SSIM和NIQE等方面也表现优异,同时具有较高的运行效率。消融实验验证了LFPM、DCAM及自适应调整损失函数机制的有效性。
基于FakeDetect-MobileNet模型的虚假图像检测研究
王军;李怡豪;吕鹏祥;深度伪造技术的快速发展对虚假图像检测提出了准确性与计算效率的双重挑战。针对传统深度学习模型计算复杂度高、难以在移动设备实时部署的问题,提出轻量级检测模型FakeDetect-MobileNet。该模型基于MobileNetV3架构,采用两阶段训练策略:第一阶段冻结预训练特征提取层仅训练分类层;第二阶段全网络微调。同时,采用数据增强和多种正则化技术防止过拟合,提升模型泛化能力。实验结果表明,在Kaggle Deepfake Images数据集上,FakeDetect-MobileNet实现了97.34%的检测准确率,模型参数量仅3.99×106,CPU端推理速度达11 frame/s。与主流模型相比,参数量分别比EfficientNetB0和DenseNet121减少25.7%和50.7%,推理延迟分别降低31%和58%。该模型在保持高检测精度的同时大幅降低资源消耗,特别适合移动设备部署。研究成果为社交媒体内容审核和新闻图像验证等实时应用场景提供了新的思路。
融合FCN和ECA的FE-CCNN图像语义分割算法
刘欢;张莉;安新磊;常举越;为了解决图像语义分割任务中分割不连续性、误分割、物体边缘分割困难等问题,提出一种融合全卷积网络(fully convolutional networks, FCN)和高效注意力机制(efficient channel attention,ECA)的FE-CCNN语义分割算法。首先,该算法采用ResNet50作为FCN模型的骨干网络,用于图像特征的提取。其次,使用连续耦合神经网络(continuous-coupled neural network, CCNN)模型提升特征提取能力,再通过ECA注意力机制对特征通道进行加权处理。最后,将特征图上采样至原图尺寸,输出分割结果。所提算法在PASCAL＿VOC2012数据集和CamVid数据集上进行了实验,其像素精度分别达到了93.5%和89.7%,平均IoU分别达到了71.2%和70.2%,均优于其他对比算法。此外,消融实验进一步验证了FE-CCNN算法在图像语义分割任务中的有效性。
基于动态图的多特征融合脑电情绪识别方法
赵迪;李奇;晁文逸;针对脑电图(EEG)情绪识别中多特征融合不足、动态脑区关系建模困难等问题,提出了一种基于动态图与注意力机制的多特征融合网络。首先,从EEG信号中提取微分熵、功率谱密度和差分不对称性特征,通过动态图卷积构建自适应邻接矩阵,捕捉脑电通道间的动态功能连接;其次,设计单特征注意力机制层和多注意力融合层,分别实现局部特征强化与全局多视图特征融合。在SEED和SEED-IV数据集上的实验表明,所提方法在跨被试场景下的平均识别准确率分别达到89.03%和75.55%,显著优于现有主流模型。实验结果表明,所提出的方法为脑电情感计算提供了更鲁棒的解决方案。
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,包括温度、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。