没有头发的小白-CSDN博客

原创 An Explainable Neural Network for Fault Diagnosis With a Frequency Activation Map

模型的可解释性；故障诊断

2022-01-07 10:44:29 1685

原创 Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis

基于故障描述的零样本工业故障诊断摘要针对模型训练中没有目标故障样本的具有挑战性的故障诊断问题进行了研究。这种情况很少在工业研究中被研究。但是，对于目标故障，大量的故障样本不可用是一个普遍存在的问题，这限制了传统的数据驱动方法在实际应用中的成功。在这里，我们将零样本学习的思想引入到工业领域，并提出了基于故障描述的属性转移方法来解决零样本故障诊断问题。具体来说，该方法学习使用人为定义的故障描述来确定故障类别，而不是采集故障样本。定义的描述由故障的任意属性组成，包括故障的位置、故障的后果、甚至故障的原因等。

2022-01-07 09:53:58 1909

原创旋转机械智能故障诊断的基于叠加式自动编码器的局部对抗域自适应模型

A Stacked Auto-Encoder Based Partial Adversarial Domain Adaptation Model for Intelligent Fault Diagnosis of Rotating Machines摘要网络模型三级目录摘要故障诊断在旋转机械的预测与健康管理中具有不可或缺的作用。近年来，基于领域自适应技术的智能故障诊断方法引起了研究人员的关注。然而，一个更广泛的故障诊断应用场景——部分域自适应(pda)还没有得到很好的解决。本文首次提出了一种新的基于堆叠

2021-10-09 08:56:13 585

原创基于动态模型和迁移学习的滚动轴承滚道故障智能诊断框架:解决小样本问题

A new dynamic model and transfer learning based intelligent fault diagnosis framework for rolling element bearings race faults: Solving the small sample problem摘要小样本学习策略动态模型的建立摘要近年来，随着人工智能技术的发展，滚动轴承的智能故障诊断越来越受到关注。许多智能诊断方法都需要被诊断对象的大量历史数据。然而，在真实的诊断场景中，很难提

2021-09-10 10:53:30 2079

原创 A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagno

基于卷积自编码器的机械故障诊断深度迁移学习网络摘要CAE去噪不同噪声下准确率比较各模型得到的T-SNE映射三级目录摘要深度学习在旋转机械故障智能诊断方面取得了很大的成就。但在实际工程中，标记数据较少，且不同条件下数据的边际分布不一致。迁移学习为克服这些困难提供了可行的途径。考虑噪声对迁移故障诊断的影响，提出了一种新的基于卷积自编码的深度迁移学习网络(CAE-DTLN)，实现无标记数据的目标域机械故障诊断。在该框架中，采用CAE作为特征提取器，因为它具有去除噪声的能力。同时，将相关对齐损失和域分类损失结

2021-09-10 10:35:53 546

原创 Improving Convolutional Networks with Self-Calibrated Convolutions

用自校准卷积改进卷积网络摘要引言相关工作结构设计本文的方法自校准卷积)文章与代码摘要中枢神经系统的最新进展主要致力于设计更复杂的体系结构，以增强其表征学习能力。本文考虑在不调整模型结构的情况下，改进神经网络的基本卷积特征变换过程。为此，我们提出了一种新的自校准卷积，它通过内部通信明确扩展了每个卷积层的视野，从而丰富了输出特性。特别是，与使用小核(例如3 × 3)融合空间和通道信息的标准卷积不同，我们的自校准卷积通过新颖的自校准操作自适应地在每个空间位置周围建立远程空间和通道间依赖性。因此，它可以通

2021-07-08 19:23:43 437

原创 GhostNet: More Features from Cheap Operations

GhostNet:廉价运营带来更多功能摘要引言更多特征的幽灵模块文章和代码摘要由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络非常困难。特征图中的冗余是那些成功的中枢神经系统的一个重要特征，但在神经结构设计中很少被研究。本文提出了一种新的Ghost模块，通过廉价的操作生成更多的特征图。基于一组内在特征图，我们以低廉的成本应用一系列线性变换来生成许多幽灵特征图，这些幽灵特征图可以充分揭示内在特征背后的信息。所提出的Ghost模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost瓶颈旨在堆叠G

2021-07-08 18:22:09 702

原创 Dynamic Convolution: Attention over Convolution Kernels

动态卷积:关注卷积核摘要引言动态卷积神经网络摘要轻量级卷积神经网络性能下降，因为它们的低计算预算限制了卷积神经网络的深度(卷积层数)和宽度(信道数)，导致有限的表示能力。为了解决这个问题，我们提出了动态卷积，一种在不增加网络深度或宽度的情况下增加模型复杂性的新设计。动态卷积不是每层使用一个卷积核，而是基于它们的关注度动态聚合多个并行卷积核，这些关注度与输入相关。组装多个内核不仅由于内核尺寸小而在计算上高效，而且由于这些内核通过注意力以非线性方式聚集，因此具有更大的表示能力。通过对最先进的架构mobil

2021-07-08 11:42:33 405

原创 CondConv: Conditionally Parameterized Convolutions for Efficient Inference

用于有效推断的条件参数化卷积摘要引言相关工作条件参数化卷积结论文章与代码摘要卷积层是现代深度神经网络的基本构件之一。一个基本假设是，卷积核应该为数据集中的所有示例共享。我们提出了条件参数化卷积，它为每个例子学习专门的卷积核。用CondConv替换正常卷积使我们能够增加网络的大小和容量，同时保持高效的推断。我们证明，在分类和检测任务上，使用CondConv缩放网络可以改善几种现有卷积神经网络架构的性能和推断成本权衡。引言我们提出了条件参数化卷积，通过计算卷积核作为输入的函数来挑战静态卷积核的范式。

2021-07-07 19:41:27 1334

原创 HetConv: Heterogeneous Kernel-Based Convolutions for Deep CNNs

基于异构核的深层卷积神经网络摘要引言相关工作高效卷积滤波器模型压缩提出的方法程序文章与代码每秒浮点计算（floating-point operations per second）FLOPs摘要我们提出了一种新颖的深度学习架构，其中卷积运算利用了异构核。与标准卷积运算相比，所提出的基于异构核的卷积减少了计算量和参数数量，同时仍然保持了表示效率。为了展示我们提出的卷积的有效性，我们在标准卷积神经网络(CNN)架构上展示了大量的实验结果，如VGG [31]和ResNet[8]。我们发现，在用我们提出的H

2021-07-07 11:00:18 445

原创 Contrastive Adaptation Network for Unsupervised Domain Adaptation

无监督领域自适应的对比自适应网络摘要引言本文贡献相关工作本文提出的方法最大平均差异叙述对比领域差异对比自适应网络算法流程摘要文章和源代码无监督域自适应(UDA)对目标域数据进行预测，而手动注释仅在源域可用。以往的方法忽略了类信息，最小化了领域差异，这可能导致未对齐和泛化性能差。为了解决这一问题，本文提出了对比自适应网络优化一种新的度量，该度量明确地模拟了类内域差异和类间域差异。我们设计了一个交替更新策略，以端到端的方式训练CAN。在两个真实世界基准Office-31和VisDA-2017上的实验表明，

2021-07-05 20:45:47 1442

原创 Deep Clustering for Unsupervised Learning of Visual Features

无监督的视觉特征学习的深度聚类摘要相关工作方法预先说明通过聚类无监督学习避免琐碎的解决方案实施（实验）细节初步研究结论摘要聚类是一类无监督的学习方法，这些方法已被广泛应用和研究计算机视觉。很少的工作以使其适应大规模数据集的视觉特征的端到端训练。在这项工作中，我们呈现DeepCluster，一种聚类方法，该方法共同学习神经网络的参数和结果特征的群集分配。 DeepCluster迭代地将具有标准聚类算法，kmeans的功能统一，并使用后续分配作为监控来更新网络权重。我们将DeepCluster应用于大型数

2021-07-05 19:46:37 1077

原创 Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation——CVPR2021

无监督域适应的跨域梯度差异最小化摘要引言相关工作本文提出的方法UDA与双分类器对抗性学习最小化跨域梯度差异目标样本的自监督学习整体目标和优化程序实验结果摘要以前的对抗性学习方法仅重点关注两个不同分类器的输出之间的相似性。然而，输出的相似性不能保证目标样本的分类的准确性，即使两个分类器之间的差异很小，目标样本也可能与错误类别匹配。在本文中，我们提出了一种跨域梯度差异最小化（CGDM）方法，该方法明确地最小化了源样本和目标样本产生的梯度的差异。为了计算目标样本的梯度信息，我们通过基于聚类的自我监督学习进一步

2021-07-05 11:28:41 1515

原创帕德伯恩大学轴承数据集（PU）介绍

PU数据集介绍一、帕德伯恩大学轴承数据集故障类别说明二、关于损伤描述2.1 损伤组合：2.2 重复和多重损伤的安排:2.3 几何尺寸2.4 损伤程度2.5损伤特征数据集损伤类别三、人为损坏轴承3.1 最常用的人为损伤制造方法是：3.2 本数据集使用的人工损坏是由三种不同方法引起的四、通过加速寿命试验产生真正的轴承损坏样本一、帕德伯恩大学轴承数据集数据集下载地址从帕德伯恩大学获得的PU数据集是一个6203轴承数据集，包括人为诱发的和真实的损害。采用压电加速度计采集轴承座的振动信号，采样频率为64 kHz

2021-06-27 11:34:48 24282 7

原创 2021-06-24 内卷积——超越卷积，自注意力进行视觉识别——CVPR2021

这里写目录标题一、摘要二、内卷积设计三级目录一、摘要卷积一直是现代神经网络的核心成分，引发了视力深度学习的激增。在这项工作中，我们重新考虑了视觉任务的标准卷积的固有原则，特别是特定的空间和通道。相反，我们通过反转上述卷积设计原则，为深神经网络提出了一种新的原子操作，以卷积为由。我们还脱脂了最近的流行自我关注操作员，并将其分解为我们的侧面家族作为过度复杂的实例化。拟议的兼职操作员可以利用为基本砖，以建立新一代神经网络，以便在几个普遍的基准上为不同的深度学习模型供电，包括想象成分类，Coco检测和分割，以

2021-06-25 09:13:22 900

原创 2021-06-23 各种经典卷积神经网络总结

各种经典卷积神经网络总结1、原始卷积 (Vanilla Convolution)2、分组卷积 (Group convolution)2.1 组卷积案例12.1 组卷积案例2——Resnext3、转置卷积 (Transposed Convolution)4、1×1卷积 (1×1 Convolution)5、空洞卷积 (Atrous convolution)6、深度可分离卷积 (Depthwise Separable Convolution)7、可变形卷积 (Deformable convolution)8、空

2021-06-24 08:50:31 2271

原创 2021-06-23对深度学习模型进行更小，更快，更好的综述——微软研究院

高效的深度学习：对深度学习模型进行更小，更快，更好的调查综述摘要一、引言高效的深度学习二、五个主要方面提升模型效率2.1 压缩技术2.2 学习技术2.2 自动化2.4 高效的架构2.5 基础设施论文的作者为微软研究院，即做模型轻量化摘要深度学习已经彻底改变了计算机视觉，自然语言理解，语音识别，信息检索等领域。然而，随着深度学习模型的逐步改进，他们的参数数量，延迟，培训所需的资源等都有显着增加。因此，要注意模型的这些足迹度量，而且不仅仅是其质量变得重要。我们呈现并激励深度学习效率的问题，随后对模型效率

2021-06-23 15:18:20 522

原创 2021-06-22通用领域适应CVPR2020阅读笔记

通用领域适应前言一、本文主要贡献二、使用步骤1.引入库2.读入数据总结前言域适应旨在在域间隙的存在下传输知识。现有的域适应方法依赖于丰富的先验知识了关于标签集之间的源域和目标域之间的关系，这大大限制了它们在野外的应用。本文介绍了不需要在标签集上之前知识的通用域适应（UDA）。 f或给定的源标签集和目标标签集，它们可能包含一个公共标签集并分别保存私有标签集，从而提高额外的类别差距。 UDA需要模型到（1）如果与公共标签集中的标签相关联，则正确分类目标样本，或（2）否则将其标记为“未知”。更重要的是，U

2021-06-23 09:36:51 413

原创 2021-06-21基于深度学习的智能机械故障诊断的部分域适应方法阅读笔记

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录基于深度学习的智能机械故障诊断的部分域适应方法一、提出的方法二、网络优化1.源域监督损失2.读入数据总结基于深度学习的智能机械故障诊断的部分域适应方法无监督的目标域训练数据不会涵盖全机健康状态标签空间。故提出部分域自适应的方法。提出了条件数据对齐和无监督的预测一致性方案来实现部分域适应。部分域适应问题适应于实际工业场景，其中可用的无监督的目标域数据仅涵盖所有有关健康状况的子集。通过最小化域之间的最大平均差异来实现条件数

2021-06-21 20:22:24 1516 1

原创 2021-06-07 阅读论文《面向通用领域自适应的领域共识聚类》——CVPR2021

面向通用领域自适应的领域共识聚类通用域适应（UNIDA）问题，旨在将知识从源代码转移到未计算的标签空间下的目标。 UNIDA的主要挑战是如何将常见的类（即跨域共享的类）分开私有类（即类仅存在一个域中）。以前的文章将目标中的私有样本视为一个通用类，但忽略其内在结构。所得到的表示在潜在空间中不够紧凑，并且可以容易地与常见样本混淆。为更好地利用目标域的内在结构提出了领域共识聚类(DCC)，利用领域共识知识在公共样本和私有样本上发现有区别的聚类。具体来说，我们从两个方面提取领域共识知识，以促进聚类和私有类发现

2021-06-17 11:52:29 1445

m0_47180208的博客