多模态时间超图神经网络用于浮动条件识别
Zunguan Fan1, Yifan Feng2, Kang Wang1
1Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China.
Entropy (Basel, Switzerland)
|March 28, 2024
概括
这项研究引入了一种使用泡视频识别漂浮条件的新方法. 多模态时间超图神经网络 (MTHGNN) 通过更好地分析视频数据以优化矿物处理,提高了准确性.
科学领域:
- 矿物加工和材料科学 矿物加工和材料科学
- 人工智能和机器学习
背景情况:
- 精确的漂浮条件识别对于高效的矿产受益至关重要.
- 目前的方法在泡视频中与时间特征提取和多模式数据相关性作斗争.
研究的目的:
- 开发一种使用泡视频分析准确识别漂浮条件的新方法.
- 为了解决时间特征提取和多模式数据融合方面的局限性.
主要方法:
- 为特征提取和融合提出了一个多模态时间超图神经网络 (MTHGNN).
- 为了实现动态纹理特征,利用了来自三个直角平面 (LBP-TOP) 的增强局部二进制图案.
- 引入了一个多视图时间特征聚合网络 (MVResNet),用于时间聚合特征.
主要成果:
- MTHGNN有效地从泡图像序列中提取和融合多模式时间特征.
- 通过拟议的超图神经网络,证明了精确的漂浮条件识别.
- 实验结果验证了该方法在优化漂浮操作方面的有效性.
结论:
- MTHGNN为漂浮条件识别提供了一个强大的方法.
- 该方法增强了在泡视频中复杂的高阶时间特征的分析.
- 这项研究为改进漂浮过程优化奠定了基础.
