申请/专利权人：三峡大学

申请日：2024-01-23

公开（公告）日：2024-04-05

公开（公告）号：CN117830787A

主分类号：G06V10/80

分类号：G06V10/80;G06V10/764;G06V10/82;G06T3/4038;G06V10/774;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明涉及基于小波卷积与Former多尺度特征融合的信号搜寻方法，采用图像金字塔生成网络构建不同尺寸下的图像特征，利用小波卷积特征提取器和Former特征提取网络分别对不同尺寸的图像特征提取频谱特征和语义特征，再使用特征采样注意力机制的融合网络对不同特征提取器提取的特征结果进行特征融合，然后根据不同特征结果下采样以及特征拼接得到的结果，判断当前信号帧图像中是否存在时间序列信号。本发明通过对图像金字塔的不同层特征充分利用以提高模型对时间序列信号的感知能力。

主权项：1.基于小波卷积与Former多尺度特征融合的信号搜寻方法，其特征在于，所述信号搜寻方法采用多头注意力机制的深度学习模型从图像帧中搜寻时间序列信号；所述多头注意力机制的深度学习模型包括图像金字塔生成网络、小波变换卷积网络、Former特征提取网络和注意力特征融合网络；图像金字塔生成网络包括多个分别用于提取不同尺度的特征图的卷积单元，输出多尺度的图像特征；小波变换卷积网络的输入为图像金字塔生成网络提供的多尺度的图像特征，小波变换卷积网络利用高通卷积层、低通卷积层和卷积滤波层，捕捉图像在不同尺度不同频域不同方向上的特征信息，并过滤信号中的噪声，提高信噪比；Former特征提取网络采用多头注意力机制，通过滑动窗口，提升感受野，学习信号图像的全局语义特征，提高信号搜寻精度；注意力特征融合网络利用采样特征注意力机制对小波变换卷积网络和Former特征提取网络输出的特征数据进行融合，关注关键特征通道，提高特征表征能力；所述信号搜寻方法包括以下步骤：步骤1：将待搜寻的时间序列信号数据转换为图像，并按时间轴切分成图像帧；步骤2：采用图像金字塔生成网络对信号图像帧进行多尺度分解；步骤2.1：对信号图像帧进行多次线性下采样，得到不同尺寸的图像；步骤2.2：分别对步骤2.1得到的不同尺寸的图像进行卷积操作，得到不同尺度的特征图；步骤3：分别利用小波变换卷积网络和Former特征提取网络对步骤2得到的不同尺度的特征图进行特征提取；步骤3.1：利用小波变换卷积网络对不同尺度的特征图进行滤波分解，提取频谱特征；步骤3.2：利用Former特征提取网络对不同尺度的特征图进行滑窗操作，提取语义特征；步骤4：利用注意力特征融合网络对小波变换卷积网络和Former特征提取网络输出的特征数据进行融合；步骤5：将步骤4得到的图像特征输入分类器，判断图像中是否有目标信号。

全文数据：

权利要求：

百度查询： 三峡大学 基于小波卷积与Former多尺度特征融合的信号搜寻方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD