语义特征造型系统中相交特征识别技术研究

为了解决特征造型领域的相交特征识别问题,在特征的扩展型面邻接图表达方法的基础上,运用神经网络识别技术,提出了一种新的相交特征的自识别方法．该方法与传统的识别方法相比,提高了复杂特征的识别速度和准确率．     

基于全局时空注意力机制和PCA＿3DNet的动作识别方法

针对基于3D卷积神经网络的动作识别方法存在参数量过大、无法捕捉时空特征的全局依赖关系等问题,提出了一种基于全局时空注意力机制(Global spatiotemporal attention mechanism, GSTAM)和PCA＿3DNet的动作识别方法。该方法引入伪3D卷积结构减少网络参数,在伪3D卷积结构中嵌入通道注意力机制(Channel attention mechanism, CAM)来增强通道特征,并采用全局时空注意力机制来捕捉特征信息的全局依赖关系,加强时空特征的表征能力,从而提高动作识别的准确率。该方法在两个公开数据集UCF101和HMDB51上的识别准确率分别为93.5%和70.5%,模型参数量为13.46 Mi,浮点运算量为8.73 Gi;在准确率、参数量和计算量上的综合表现优于现有的传统方法和深度学习方法。实验结果表明该方法能够获取丰富的时空特征信息,有效提升动作识别的性能。     

基于STEP的相交特征识别

目的构建基于STEP的制造特征识别系统,研究系统中的特征识别尤其是相交特征识别的实现方法．方法在VC＋＋6．0和ST—Developer集成环境下,应用MFC类库和ROSE库等进行系统的构建及程序和数据的处理,并以STEP中性文件AP203和AP224分别作为系统的输入和输出文件．结果所构建的系统实现了具有相交特征的制造特征识别,其特征识别技术是采用基于图的特征识别方法;针对特征相交中两种不同类型的相交实体,分别采用不同的方法对加工面邻接图进行了有效的分解．结论以AP203文件作为特征识别系统输入文件,实现特征识别系统与CAD系统的无缝连接;经过特征识别所生成的特征符合AP224中所定义的制造特征模型,有力地支持了基于STEP的CAD＼cAPP＼CAM数据集成技术,所采用的制造特征识别方法能够识别普遍的相交特征．     

基于模糊推理的飞机结构件平顶筋自动识别方法

分析平顶筋的几何、参数和工艺属性并给出平顶筋的表示模型;给出识别原理及识别方法的关键技术,包括：建立结构件模型的属性邻接图,计算结构件计算机辅助设计（CAD）模型中面和边的属性并对图中元素赋值;设计主面识别加权关联规则,运用模糊推理从属性邻接图中提取平顶筋主面;以平顶筋主面为种子面,搜索其他关联特征面;给出方法的实现流程并开发相应的算法,实现飞机结构件平顶筋的自动识别.实例测试及应用表明,该算法是正确且高效的,所识别出的平顶筋能直接映射到后续的加工操作中,用于筋特征数控加工的自动编程.     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

基于改进深度森林的表面肌电手势识别方法

为提高基于表面肌电图（surface Electromyo Graphy, sEMG）手势识别的准确率，提出一种改进深度森林相结合的手部运动识别方法.将极致梯度提升（eXtreme Gradient Boosting,XGBoost）树引入深度森林模型，与随机森林和完全随机森林共同组成深度森林的级联结构.深度森林模型在每个层次上集成3种不同的基于树的分类器，共4个决策森林，包括1个随机森林、1个极端随机森林和2个极致梯度提升树，利用不同学习算法之间的互补性来提高分类性能.为评估该模型性能，采集4名健康受试者的表面肌电信号进行手部动作识别验证试验，并与随机森林、支持向量机、一维卷积神经网络及二维卷积神经网络等算法比较.结果表明，提出方法对16种常用手部动作的平均识别精度为94.14%，对表面肌电信号实现了较高的分类准确率.     

基于3D运动历史图像和多任务学习的动作识别

针对使用深度传感器采集的深度图像序列,在3D运动历史图像的基础上提出一种基于Gabor特征提取和多任务学习的人体动作识别方法。为了解决基于轮廓特征对运动历史图像不能充分表达的问题,引入Gabor滤波器组对3D运动历史图像进行特征提取;为了刻画在不同时间维度上人体动作的变化过程,引入时域金字塔对动作视频进行划分;最后,为了挖掘动作识别任务间的相关性,采用多任务学习训练动作分类模型。实验结果表明,该方法可有效提高动作识别的准确率。     

一种前驱三维工序模型与工序图关联方法

针对三维工序模型重建需解决前驱三维工序模型与工序图关联问题,提出一种基于图元组合单元的属性邻接图前驱三维工序模型与工序图关联方法.提取工序图与前驱三维工序模型投影图的图元组合单元信息,将工序图与投影图用属性邻接图来表示,根据图元组合单元顶点与边的属性信息判断两个属性邻接图是否同构,将前驱三维工序模型与工序图关联问题转化为属性邻接图的映射匹配问题.以侧板类零件为例进行实例验证,结果表明,该方法能够实现前驱三维工序模型与工序图关联.     

基于注意力机制与多尺度融合学习的车辆重识别方法

在车辆重识别任务中,通常会出现相机角度变化和场景变化等情况,导致重识别准确率降低,为此提出了一种基于注意力与多尺度融合学习的车辆重识别方法,在多尺度下提取并融合浅层细节信息和深层语义信息。首先,构造一种深度学习网络,通过注意力机制学习车辆图像的显著性特征;然后,在多个尺度下对描述车辆身份的信息进行提取,将浅层表达的细节信息和深层表达的语义信息相融合构造空间特征;其次,对空间特征进行分解与重组,得到具有空间鲁棒性的局部特征,并与全局特征融合,构造车辆身份重识别特征;最后,利用该特征计算不同车辆图像间相似度,判断是否具有相同的身份。实验结果表明:在VeRi-776数据集上测试得到的Rank-1指标达到了94.0%,mAP指标达到了72.2%,表明该方法在相机角度变化、场景变化等情况下可以有效提高车辆重识别的准确率。     

基于深度学习的放置方式和位置无关运动识别

针对传统基于加速度传感器的运动识别方法依赖于传感设备的放置方式和位置的问题,提出一种基于深度学习的运动识别方法,且与放置方式和位置无关.使用栈式自动编码器构建深度网络,结合逐层无监督学习和全局有监督微调的方式,快速、有效地学习出原始数据的深层特征.设计不同放置方式和不同设备放置位置的学习策略,并利用所学特征对不同设备放置方式和位置下的运动进行识别.实验结果表明:基于深度学习的方法可以从原始数据中提取出与放置方式和位置无关的深度特征,相比传统方法,能够有效提高在非固定加速度传感设备放置方式和位置下的运动识别准确率.     

一种压缩感知域心律失常心拍识别方法

为实现压缩域心电信号的直接识别,提出了一种基于级联深度稀疏学习的压缩域心律失常心拍识别方法。对心电信号进行压缩传感采样;通过级联深度稀疏滤波模型对压缩域心电信号进行特征学习;并将学习后的特征以及对应心拍的前、后向RR间期作为支持向量机的输入进行心拍分类。实验结果表明:该方法在压缩比为2倍时,能够对四类心电信号实现准确率为95.53%,误判风险为0.8%的压缩域下的高准确率直接识别。     

基于多特征的P2P直播流识别方法

基于P2P的直播应用是当前发展最为迅速的因特网应用之一,实时识别P2P直播流是管理网络P2P流媒体流量和理解网络行为的关键一步.针对当前P2P流媒体直播流的识别方法较少,识别效果一般,文章分析了P2P直播流的行为特征,提出了基于节点连接度的识别方法和基于BM信息比的识别方法,并结合两个流量特征采用联合特征进行P2P直播识别.实验表明该方法识别整体准确率较高,可以实现P2P直播的在线识别.     

融合局部特征与深度学习的三维掌纹识别

为了探索三维掌纹在生物特征识别领域的应用,基于局部纹理特征和深度学习,提出一种有效的三维掌纹识别方法. 通过曲率特征、形状指数、表面类型分别来描述三维掌纹的局部几何特征,将其作为深度神经网络的输入,完成三维掌纹识别任务. 在香港理工大学的三维掌纹数据库上对不同的几何特征、不同的深度神经网络模型进行全面分析与比较. 三维掌纹识别实验结果表明,与其他三维掌纹识别方法相比较,所提方法的识别率更高,识别时间更短,在实时掌纹识别领域具有较大的应用潜力.     

一种利用Transformer的无人集群对抗态势要素识别方法

针对无人集群对抗问题中原始态势信息繁杂,难以准确识别集群阵型和集群运动趋势等态势要素的特点,为提高无人集群态势要素识别能力,设计了一种利用Transformer的无人集群对抗态势要素识别方法。基于Transformer模型的思想构建了可应用于无人集群对抗态势要素识别问题的Transformer-Decoder注意力层模型,实现良好的集群态势要素识别能力,设计层间注意力结构以改进提升了Transformer-Decoder的特征表达能力,进一步提高识别准确率。首先将集群态势序列信息输入到LSTM循环神经网络,编码成时序特征信息;然后使用Transformer-Decoder注意力模块和层间注意力模块提取集群的综合高阶态势信息,最后多维度分类网络和softmax层实现对多类态势要素的分类。实验结果表明：利用Transformer和层间注意力的无人集群对抗态势要素识别方法在态势要素分类问题上表现出良好的性能,能够同时对多类态势要素进行准确分类;相对于基线方法,利用Transformer和层间注意力的集群态势识别方法在集群阵型和运动趋势识别问题上具有更高的准确率。尤其在体现集群内部相对趋势的态...     

基于组合零样本学习的接触网吊弦线缺陷识别

目前现场接触网吊弦缺陷图像严重不足，导致模型特征学习不充分，识别准确率难以得到有效提高，为此提出基于组合零样本学习的接触网吊弦线缺陷识别方法.采用以ResNet-50作为主干网络的视觉特征提取模块提取图像视觉特征；使用预训练的Word2Vec词向量对标签组合图中的节点特征进行初始化，并通过2层图卷积网络学习标签组合图中各节点之间的依赖关系，从而优化组合标签节点的语义特征，改善最终的识别效果；将提取到的视觉特征和优化后的组合标签节点的语义特征相对齐，构建相似度函数计算图像视觉特征与组合标签语义特征之间的相似度得分，并通过交叉熵损失完成图像组合标签的预测.仿真实验结果表明：所提方法对可见类样本的类平均检测准确率为93.5%，对不可见类样本的类平均检测准确率为86.5%.     

基于改进Transformer的布料材质识别方法研究

布料材质识别是一个极具挑战性的计算机视觉问题。针对传统识别方法存在的识别周期长、人为因素多、技术壁垒高以及有破坏性等缺点,提出了一种基于改进Transformer的布料材质识别方法,该方法利用输入的布料运动视频,通过布料运动的外观变化识别布料的材质类型。改进的Transformer模型由Transformer块和残差空间缩减块(Residual Spatial Reduction)组成,将Transformer块中的自注意力分解为时间自注意力和空间自注意力来减少计算量和运行时间,将两个残差空间缩减块添加进Transformer模型中来减少空间冗余信息和提高布料材质识别的准确率。此外,使用预训练的图像模型对视频模型初始化,可以在减少计算量的同时保持模型的高性能。在布料运动数据集上的实验结果表明,本文方法对12种不同布料材质视频的材质种类识别的准确率达到82.3%,相比其他方法,该方法的识别精度更高。     

基于Attention-BiLSTM的中文命名实体识别

提出一种基于Attention-BiLSTM(attention-bidirectional long short-term memory)深度神经网络的命名实体识别方法。应用BiLSTM神经网络自动学习文本的隐含特征,可以解决传统识别方法存在长距离依赖等问题;引入注意力机制(attention mechanism)对文本全局特征做重要度计算,获取文本局部特征,解决了传统深度学习方法不能充分提取特征的问题;在预训练过程中加入维基百科知识,进一步提升了命名实体识别系统的性能。实验表明,所提方法在SIGHAN 2006 Bakeoff-3评测数据集上获得了优良的识别性能。     

小波分解在移动用户行为识别中的应用

针对目前行为识别通用模型对步行、上楼、下楼等易混淆行为识别准确率较低的情况,提出了一种基于小波分解的移动用户行为识别方法,从小波分解后不同频率子信号的低频近似系数中提取小波能量、小波峰个数和平均波峰幅值等特征,基于决策树分类器建立与用户无关的行为识别通用模型. 分别用典型时域特征数据集和小波特征数据集对该通用模型进行验证. 实验结果表明,采用新方法后,3种易混淆行为的平均识别准确率提高了14.82%,减少了误判.     

基于深度学习的中文零代词识别

针对中文零代词识别任务,提出了一种基于深度神经网络的中文零代词识别模型. 首先,通过注意力机制利用零代词的上下文来帮助表示缺省的语义信息. 然后,利用Tree-LSTM挖掘零代词上下文的句法结构信息. 最后,利用语义信息和句法结构信息的融合特征识别零代词. 实验结果表明,相对于以往的零代词识别方法,该方法能够有效提升识别效果,在中文OntoNotes5.0数据集上的F1值达到63.7%.     

LaneSegNet:一种高效的车道线检测方法

车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane-Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明:在TuSimple数据集上,该方法检测车道线的准确率为97.6％;在CULane数据集上,该方法在标准路面的检测准确率达到92.5％,多种路面综合检测准确率为75.2％.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性.