-
题名一种基于多跳注意残差网络的调制识别算法
- 1
-
-
作者
侯艳丽
刘春晓
-
机构
河北科技大学信息科学与工程学院
-
出处
《电子信息对抗技术》
2024年第3期27-34,共8页
-
基金
河北省重点研发计划项目(21355901D)。
-
文摘
为了进一步提升通信信号调制识别的准确率,在ResNet网络的基础上提出一种基于多跳注意残差网络(Multi-skip Attention Residual Network,MARN)的调制识别方法。该方法利用提取不同特征的卷积核进行多跳连接构建3种残差块,进而构建多跳残差网络,提取信号的时域特征;加入CBAM(Convolutional Block Attention Module)注意力机制自适应地调整通道权重,加强信号特征的表征能力;采用自适配归一化(Switchable Normalization,SN)加速网络收敛;加入丢弃率为0.3的AlphaDropout层,提高算法的拟合能力,最终实现对通信信号端到端的分类识别。在RadioML2018.01a数据集上仿真实验,结果表明在信噪比为-10~15 dB下,MARN网络平均识别率达到63.3%,较ResNet网络的平均识别率提升3.7%。
-
关键词
调制识别
多跳连接
残差网络
注意力机制
自适配归一化
-
Keywords
modulation recognition
multi-skip connection
residual network
attention mechanism
switchable normalization
-
分类号
TN911.3
[电子电信—通信与信息系统]
-
-
题名多跳连接残差注意网络的图像超分辨率重建
被引量：4
- 2
-
-
作者
刘遵雄
朱成佳
黄稷
蔡体健
-
机构
华东交通大学信息工程学院
-
出处
《计算机科学》
CSCD
北大核心
2021年第11期258-267,共10页
-
基金
国家自然科学基金(61861017)
江西省青年科学基金(20181BAB211013)。
-
文摘
随着卷积神经网络深度的不断增加,深度卷积神经网络的训练会变得更加困难。此外,在图像超分辨率中,低分辨率图像的通道特征和输入通常在不同的通道中被平等对待,这就导致了卷积神经网络的表征能力被弱化。为了解决这些问题,提出了一种多跳连接残差注意网络,该网络利用多跳连接中的残差(Residual in Multi-skip Connection,RIMC),构造了具有多个残差组的深度网络。每个残差组包含了一定数量的短跳连接和多跳连接。在RIMC的基础上,主网络被允许穿过多跳连接来绕过丰富的低频信息,同时高频信息也可以被主网络集中地学习。另外,考虑到通道和空间维度的相互依赖关系,提出了注意机制块(Attention Mechanism Block,AMBlock)来关注信息的位置,并自适应地调整通道特征尺度,其中通道注意机制和空间注意机制被应用在这种方式中。实验结果表明,该网络可以更好地恢复图像细节,获得更高的图像质量和网络性能。
-
关键词
图像超分辨率
注意机制块
残差网络
多跳连接中的残差
跳连接
-
Keywords
Image super-resolution
Attention mechanism block
Residual network
Residual in multi-skip connection
skip connection
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多级注意力跳跃连接网络的行人属性识别
被引量：7
- 3
-
-
作者
王林
李聪会
-
机构
西安理工大学自动化与信息工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第2期314-320,共7页
-
基金
陕西省科技计划重点项目(2017ZDCXL-GY-05-03)。
-
文摘
行人属性识别易受视角、尺度和光照等非理想自然条件变化的影响,且某些细粒度属性识别难度较大。为此,提出一种多级注意力跳跃连接网络MLASC-Net。在网络中间层,利用敏感注意力模块在通道及空间维度上对原特征向量进行筛选加权,设计多级跳跃连接结构来融合所提取的显著性特征。在网络顶层,改进多尺度金字塔池化以融合局部特征和全局特征。在网络输出层,结合验证损失算法自适应更新损失层,加速模型的收敛并提高精度。在PETA和RAP数据集上的实验结果表明,MLASC-Net的识别准确率相较原基准网络分别提高约4.62和6.54个百分点,其在识别效果和模型收敛速度上有明显优势,同时在非理想自然条件下具有良好的泛化能力,可有效提高网络对细粒度属性的鲁棒性。
-
关键词
行人属性识别
多级跳跃连接网络
敏感注意力
多尺度金字塔
残差网络
-
Keywords
pedestrian attribute recognition
multi-level skip connection network
sensitive attention
multi-scale pyramid
Residual Network(ResNet)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
