-
针对现有图像裁剪方法存在美学与裁剪内在关联模糊及构图完整性缺失问题,提出一种可解释的美学与显著性感知的图像裁剪方法.首先,构建特征提取网络,分别生成美学区域分布图与视觉显著性特征图;其次,通过空间感受损失融合调整 2 类特征,定位关键构图要素;最后,设计基于锚点引导回归器,实施从粗粒度到细粒度的裁剪框预测.在 FCDB 和 FLMS 数据集上的实验表明,该方法在保持主体完整性的同时,图像裁剪的精度优于现有主流方法.在 FLMS 数据集上,IoU 平均提升约 1.72%,mBDE 平均降低约 17.05%.
图像裁剪美学图像显著性锚点回归
-
为提高产品概念设计优化中裁剪有用功能重组方案的可靠性,提出一种基于属性与失效预测的裁剪有用功能重组方法.首先,利用本体论对待裁剪组件进行属性分析,将SAFC模型解决问题的模式引入到多层次挖掘属性的过程中从属性角度辅助完成有用功能重组;然后,基于Petri网构建功能Petri网检验方案的可行性;最后,结合失效预测、可拓表达对功能Petri网的可靠性进行分析,得到可靠性较高的方案解.将SAFC模型结合到基于属性多层次有用功能重组中,能够辅助发散获得重组方案;结合Petri网和失效预测等进行可靠性分析,实现对重组方案的收敛.以温室电驱自走穴盘苗移栽机为例,进行设计分析,验证了所述方法的可行性.
裁剪有用功能重组可靠性属性失效预测
-
联邦学习作为目前深度学习最为常用的隐私保护框架,被众多机构广泛应用.此框架中的各个参与方通过上传模型参数数据实现本地数据不离本地,达到共享数据的目的.但在联邦学习中各个参与方频繁上传及接收参数时易出现隐私泄露问题.为解决这一问题,提出一种基于个性化梯度裁剪的联邦学习隐私保护算法(AADP_FL).该算法根据参与方不同网络层历史数据的L1范数计算出各层的裁剪阈值,对梯度数据进行裁剪以限制梯度范围,预防梯度爆炸及梯度消失.同时计算各层的贡献度,根据各层贡献度为每层分配隐私预算,进而添加个性化噪声.参与方在上传数据时加入适量的噪声,以掩盖上传数据的具体内容,进而隐藏各个参与者的贡献率,保护各个参与方的数据安全.经过一系列实验证明,AADP_FL算法的准确率相较于常用的个性化梯度裁剪方法提升3.5百分点以上,相比于传统的联邦学习框架也能保持较高的准确率.同时,该算法在保持较高准确率的同时能严格保护参与方数据的隐私安全,使得模型性能与数据隐私性达到均衡状态.
联邦学习隐私保护差分隐私隐私预算个性化梯度裁剪
-
皮革制品裁剪面临材料利用率、效率与能耗成本的多目标冲突.通过界定核心参数并构建多目标整数规划模型,结合改进型模拟退火遗传算法(SABGA)与动态权重分配,实现路径优化.仿真与实验表明,方案可提升材料利用率8%~12%、裁剪效率15%~20%,降低能耗10%~15%,适配鞋材、箱包、服饰等场景,为行业智能化升级提供技术支撑.
数学建模皮革制品智能裁剪多目标优化
-
针对联邦学习中数据异质性导致的模型泛化能力低以及用户隐私数据泄露问题,文中提出一种基于自适应联邦聚合的分层梯度裁剪算法.首先,根据参与方数据分布情况,利用哈达玛积更新聚合权重初始化本地模型.随后,通过预先设定的阈值,将模型划分为个性化层和冻结层.在训练过程中,对个性化层添加扰动噪声,特别是随着网络层数的增加,扰动的幅度逐渐增大.实验结果表明,HGT-AFA在Fashion MNIST数据集上的准确率可达到91.83%,在CIFAR10数据集上的准确率可达到72.08%,有效地保证了模型的泛化性,也降低了隐私数据泄漏的风险.
联邦学习隐私泄露分层梯度裁剪自适应本地聚合个性化层聚合权重
-
针对深度学习模型在差分隐私保护下存在效用下降以及理论隐私保护效果与实际效果偏差的问题,提出基于自适应裁剪的深度学习差分隐私保护方案.方案通过4步机制实现优化:梯度自适应裁剪自适应调整梯度裁剪阈值控制训练时梯度大小,实现对后续添加噪声大小的控制;分组标签选择,通过选取梯度最小的组作为隐私保护对象,训练该分组能够得到更准确的隐私损失;优化的隐私损失计算通过结合基于子采样的高斯机制,减小模型隐私损失计算的开销;优化的梯度自适应下降,通过调整条件平滑参数实现梯度的自适应下降,提升模型的可用性.在VGG(visual geometry group)架构下训练MNIST,CIFAR-10,Medical-MNIST数据集,结果表明采用该方案训练后模型准确率分别为81.08%,72.30%,67.91%,相比传统的差分隐私随机梯度下降(differential privacy stochastic gradient descent,DPSGD)方法分别提升 15.60%,10.60%,9.71%,相比近年常用的Nadam算法分别提升0.63%,2.50%,4.40%,模型训练效率分别提升35.5%,39.4%.
深度学习差分隐私梯度自适应裁剪标签选择平滑损失函数
-
我国番茄近年受番茄潜叶蛾Tuta absoluta严重为害,传统的卷积神经网络识别方法因其判别性特征提取困难导致准确率不足.为此,本研究提出多点裁剪网络模型(MC-Net),通过自动裁剪图像重点区域增强局部特征关注,结合通道注意力机制实现全局与局部特征融合.基于中国农业科学院植物保护研究所农业入侵生物预防与监控创新团队采集的番茄潜叶蛾及8种同域害虫图像,构建涵盖卵、幼虫、蛹及成虫等23类5 151张图像的数据集.分析结果表明,MC-Net模型准确率、精确率和召回率分别达94.78%、92.16%和93.88%,较经典卷积神经网络显著提升,特别在番茄潜叶蛾卵、幼虫、蛹和成虫的识别中,准确率较基线模型分别提高0.64、9.09、1.07和5.80百分点.热力图可视化显示模型能精准定位害虫主体并抑制背景噪声,验证了其有效特征学习能力.该模型通过多点差异化关注策略提升图像中判别性区域的利用率,利用裁剪图像互补性增强网络鲁棒性,为番茄潜叶蛾的精准监测提供了可靠技术支撑.
番茄潜叶蛾害虫图像识别多点裁剪深度学习局部特征
-
皮革制品生产中,原材料成本高昂,为了实现生产成本的有效降低,需要提高皮革利用率.为解决传统人工排版效率低下、材料浪费严重的问题,本文提出一种融合计算机视觉与智能优化算法的皮革自动裁剪排版方法,先利用图像预处理、边缘检测及轮廓提取算法定位皮革轮廓及表面缺陷区域,将可用区域与缺陷区域数字化,之后对待裁剪的皮件轮廓进行特征编码,结合改进遗传算法与最低水平线算法进行自动排版,在排样环节动态避开缺陷,最后引入旋转、镜像等操作以寻求更高材料利用率.实验结果表明,本文方法与传统人工排版相比实现材料利用率8%~12%的提升,排版效率亦显著提高,可以为皮革行业智能化与精细化生产提供重要技术路径.
计算机视觉皮革裁剪排版优化遗传算法缺陷检测
-
在时尚全球化趋势与文化传承需求凸显的背景下,将中华优秀传统文化融入服装立体裁剪,成为服装设计创新的核心方向.旨在破解传统元素当代转化难题,厘清立体裁剪发展脉络及与平面裁剪的互补关系,提供兼具文化深度与实践价值的思路.研究梳理了立体裁剪从原始社会萌芽到现代跨文化交融的历程,解析抽缩、堆扎等技法特点,解码传统色彩、图案、服装款式的内涵与价值,并以高级定制、日常穿搭、舞台服饰为例,实证立体裁剪与中华文化的融合路径.结果表明,立体裁剪与中华文化具有很强的适配性,3D扫描、VR、AR等科技的融入,更为二者融合带来了新的可能.这种融合是时尚创新与文化传承的双赢之举,未来将助力中国服装设计提升国际竞争力,实现传统与现代、东方与西方的美学对话.
中华文化立体裁剪平面裁剪传统元素数字技术
-
新能源快速功率控制技术的发展使新能源功率调节具有参与过载主导型连锁故障紧急控制的潜力,而现有基于深度强化学习的连锁故障紧急控制方法未考虑调切结合的控制策略,且存在因决策空间较大而难以收敛的问题.为此,文中提出一种基于决策空间裁剪图深度强化学习的电网连锁故障调切结合紧急控制方法.首先,构建调切结合的映射策略模型,提出连锁故障紧急控制框架;其次,提出基于图卷积深度网络的决策空间裁剪模型及学习方法,根据灵敏度大小保留有控制贡献的控制地点以裁剪决策空间;然后,提出基于图深度强化学习的映射策略模型学习方法,在给定控制地点下实现对控制量的学习;最后,在IEEE 39节点和IEEE 300节点系统中验证所提方法的有效性和泛化性.
新型电力系统新能源连锁故障图深度强化学习紧急控制决策空间裁剪