智能电网中虚假数据注入攻击的多级小波时空图嵌入智能定位方法

本文提出GARE-Net（Geometric contextual Aggregation and Regional contextual Enhancement Network）创新框架，通过几何上下文特征聚合（GCFA）模块和区域上下文特征增强（RCFE）模块，解决图像-文本匹配中空间位置信息缺失问题。GCFA创新性地生成视觉区域的空间几何特征，RCFE通过图卷积增强区域上下文表征，在Flickr30K和MSCOCO数据集上验证了方法的优越性。

　　

亮点

• 提出融合几何感知与图推理的GARE-Net框架，包含GCFA和RCFE两大创新模块

• GCFA首创区域块注意力机制，生成包含空间几何信息的上下文位置特征

• RCFE构建全连接区域图，通过图卷积实现高级语义推理

方法学

如图2所示，GARE-Net包含三个核心组件：1）视觉/文本编码器（3.1节）建立基础表征；2）GCFA模块（3.2节）通过区域块注意力生成空间几何特征，将位置坐标(x,y,w,h)转化为高维嵌入，与视觉特征融合；3）RCFE模块（3.3节）构建区域关系图，通过图卷积聚合邻域特征，使每个区域同时编码"位置-内容-上下文"三重信息。匹配阶段采用硬分配交叉注意力机制（3.4节），通过三重损失优化模型。

数据集与评估指标

在Flickr30K（31,000图像/155,000文本）和MSCOCO（123,287图像/616,435文本）数据集上，采用Recall@K和mR指标评估。标准划分遵循Karpathy split，比较基线包括SCAN、CHAN等SOTA方法。

结论

GARE-Net通过GCFA的空间几何聚合和RCFE的图推理增强，显著提升跨模态匹配性能。可视化案例证实，模型能准确捕捉"猫趴在沙发"vs"猫站立注视沙发"等依赖空间关系的语义差异，为智能医疗影像标注等应用提供新思路。

未引用声明

缺失图6引用。

作者声明

钟方明：概念设计/方法论/初稿撰写；周涛：数据/算法/初稿；陈志奎：可视化/验证/监督；张素华：可视化/验证/监督。

利益冲突声明

作者声明无已知利益冲突。