运动方向对深度运动知觉的影响——ERP研究

深度运动知觉问题的研究目前仍处于探求阶段。该文采用一种较接近人视觉经验的实验范式,对两种情况下的128导事件相关电位(ERP)数据进行了较详细的时-空分析。结果表明,它们都激活了相似或相同的脑区;但不同的运动方向对信息处理的侧重脑区及神经响应程度有所不同,而且在时间过程上也表现出比较显著的差异,为进一步研究深度运动的大脑感知过程奠定了基础。     

大数据视域下学习分析在Canvas LMS中的应用：以福建电大混合式学习管理系统为例

福建广播电视大学于2018年规划建设了Canvas混合式学习管理系统。为进一步有效运用系统存储的大量学习者信息及学习过程数据,对系统进行二次开发,引入学习分析技术,设计了一种新的混合式学习管理系统。介绍了该系统的SPOC云平台、视频直播、智能物联、智能识别和大数据可视化等五大功能模块,描述了Canvas LMS的数据流学习分析过程,并评价了系统的应用效果。     

先验知识辅助的金属涂层损伤分割方法

金属涂层损伤的自动识别是一项具有重大实际应用价值的研究。随着深度学习在各类材质的表面损伤图像分割任务中取得突破性进展,大部分研究工作使用端到端的深度卷积神经网络分割模型分割损伤区域。然而,端到端深度学习方法很难利用金属涂层损伤相关的先验知识来识别损伤尺度差异大、训练数据不足等问题。因此,设计了一种基于先验知识的金属涂层损伤区域分割算法,结合深度学习分割模型U-Net实现金属涂层损伤的自动识别。该算法基于Hue通道分布和边缘响应对金属涂层图像中的异常区域进行分割,深度学习分割模型利用先验知识排除异常样本,可有效避免过拟合。在含有开裂、起泡、生锈和脱落这4类损伤的金属涂层数据集中,该算法取得了81.24%mIoU的分割效果,优于端到端的深度学习方法。实验结果表明,先验知识辅助能够有效提升深度学习分割模型对金属涂层损伤的分割效果。     

提升思想政治课“小组讨论式合作学习”实效性的教学策略

“小组讨论式合作学习”能更好地体现思想政治课教学理论联系实际的原则,能更好地体现现代教育的特点。同时,“小组讨论式合作学习”的过程,也是教学相长的过程。因而,探究“小组讨论式合作学习”方式的有效途径和教学策略,无疑对增强政治课“小组讨论式合作学习”的实效性具有重要作用。     

长尾识别研究进展

长尾识别是目前深度学习领域最热门的研究方向之一,长尾识别的工作重点是解决长尾分布数据的计算机视觉识别任务. 长尾分布的显著特征为2-8分布,即20%的类占据80%的样本. 将少数几个类占据了大部分数据的类称之为头部类; 而大多数类占据了很少部分数据的类称之为尾部类. 首先,列举解决长尾识别问题的各种方法. 然后,将其划分为重采样、重加权、迁移学习、解耦特征学习和分类器学习以及其他方法进行阐述. 最后,阐述对相关方法的理解.     

小样本目标检测的研究现状

近年来,随着深度学习技术的进步与推广,目标检测领域得到快速发展.但目前基于深度学习的方法大多对大规模标注数据有着极高的需求,而现实场景中大量标注数据往往不可能.因此,基于少量标注样本的目标检测领域逐渐得到大家关注.本文系统地总结与分析了目前有关小样本目标检测的方法,指出了目前方法的缺陷,并提出了一些可能的发展方向.     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

基于深度学习的脑白质病变区域MRI图像变化检测

为了能够自动检测不同时期脑白质病变区域的变化,提出了一种基于深度学习的脑白质病变区域MRI图像变化检测方法,根据MRI影像的成像特点,首先对两幅图像进行预处理和预分类,选取合适的样本集,然后进行深度神经网络的训练.主要的指导原则是直接从训练好的深度神经网络中生成两幅MRI图像的变化检测图,该算法省去了生成差异图DI这一过程,一定程度上避免了DI对最终检测结果的影响.实验结果表明,该算法能够较为准确地检测出脑白质病变区域中的变化部分,在医学图像变化检测方面中有着不错的效果,通过检测结果能够记录病变区域的变化和发展趋势.     

基于多级残差多尺度的医学图像分割网络

针对目前多数U型网络存在编码阶段卷积核尺度单一难以提取变化较大特征以及深层网络难以训练优化的情况，提出一种新的基于多级残差和多尺度的神经网络，利用多级残差使神经网络更易学习，提高网络的深度，使它在模型不退化的情况下拥有更丰富的特征表达能力，提出了了多尺度交叉融合模块，通过不同的感受尺度去提取特征，交叉融合也使得特征信息更加充分的交流和融合。网络在CHASE＿DB1数据集上进行测试，并进行数据对比，性能表现优良，特别是ACC达到了0.9744,SP达到了0.9876。提出的网络在增加深度的同时并不影响它的学习过程和表现效果。     

面向数据漂移的代价敏感客户细分

为解决数据挖掘中存在的数据漂移和客户价值分布不平衡问题,采用了分阶段聚类和代价敏感支持向量机的新方法.新方法首先对全部客户聚类得到特征相似的客户群,然后用某个区域客户属于某客户群的后验概率对城市进行聚类,具有相似后验概率分布的城市群被认为是具有类似的客户结构,每个城市群的客户组成了新的客户样本,对每个样本分别进行代价敏...     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

基于宽度学习系统的fMRI数据分类方法

提出基于宽度学习系统的功能性磁共振成像（fMRI）数据分类方法,通过简单结构提取fMRI数据的深层特征,加快分类速度. 使用fMRI中感兴趣区域体素均值的时间序列构造输入数据,分别提取fMRI数据的浅层和深层特征,映射为宽度学习的特征节点和增强节点并构建模型框架,利用岭回归逆计算分类模型的连接权值,实现对fMRI数据的分类. 使用ABIDE Ⅰ、ABIDE Ⅱ和ADHD-200数据集,将所提方法与6种分类方法进行对比实验,结果表明,所提方法可以在保持良好的分类准确率的同时,大幅度降低训练时间.     

无监督域适应的表示学习算法

在传统模式识别的训练方法中,拥有大量标签的有监督学习方法在识别准确率上取得了很好的效果.然而在实际生活中样本常常缺失标签,或现存有标签的样本与目标样本具有较大分布差异而不能直接使用.为了解决这些问题,无监督域自适应算法应运而生,借助源域有标签但不同分布的样本去识别无标签的目的域样本.针对目标识别样本与训练样本分布不一致的情况,本文提出了一种探寻两个样本域之间的最优表示学习的无监督域适应算法.通过在共同的子空间上引入两个表示矩阵去更好地减少两个域的分布差异,同时对两个表示矩阵进行各自的最优化约束设计,使得源域和目的域最优地相互表示,缩小两个域之间的分布差异,从而实现无监督跨域学习(即迁移学习).最后在3个迁移学习常见的无监督域适应数据集上开展实验,实验结果表明:本文算法的识别准确率超过了目前很多优秀的传统迁移学习方法和一些深度方法.实验结果验证了本文提出的无监督域适应的表示学习算法的有效性和鲁棒性.     

基于DenseNet的低分辨CT影像肺腺癌组织学亚型分类

为了实现在低剂量、低分辨率CT扫描影像中对肺腺癌组织学亚型的分类鉴别,提出一种基于DenseNet的深度学习方法,从混合性磨玻璃结节（mGGNs）5 mm层厚的低分辨率CT影像中预测IAC和MIA病理分类. 从丽水市中心医院105例患者的105个5 mm层厚低分辨率CT图像中选取样本,划分训练集和测试集后,对训练集进行数据扩展,构建深度学习2D和3D DenseNet模型,分类鉴别IAC和MIA. 2D DenseNet模型的分类准确度为76.67%,敏感性为63.33%,特异性为90.00%,受试者工作特征曲线下的区域面积为0.888 9,显著优于3D DenseNet模型和其他几种深度学习网络模型. 深度学习技术,尤其是2D DenseNet模型,可辅助并指导医生在肺癌CT筛查中对患者的肺腺癌组织学亚型进行预判,特别是在图像分辨率较低的情况下,仍能够快速提供较为准确的诊断.     

优化EfficientDet深度学习的车辆检测

针对深度学习EfficientDet模型的车辆检测性能进行分析, 基于训练过程中容易陷入局部最优进行优化改进, 构建分阶段自适应的训练模型, 利用该训练模型对短距离和远距离车辆进行检测, 并将检测结果与基于Cascade R-CNN和CenterNet方法进行比较, 从计算复杂度、耗时及检测精度三方面分析显示本文方法优于其他两种方法.同时, 对不同角度和不同距离车辆检测结果进行分析, 确定了检测的最优距离和角度.最后, 通过实例验证了本文方法可以用于大范围车辆的检测.     

自主式虚拟学习平台的设计与实现

自主式虚拟学习平台主要依托网络创设不同的认知情境,以发挥学习者在学习过程中的主体性,从而促进他们的个性化学习和自主学习并提高学习效率。在梳理国内外有关研究的基础上,结合建构主义学习理论的核心观点,从管理层、教师层和学习者3个层面架构了自主式虚拟学习平台,并详细探讨了每个层面的课程模块、资料模块、讨论模块及习题模块。     

基于深度学习的类SM4算法S盒逆向分析

在建模类攻击场景下,基于多元高斯分布的模板攻击是常用的侧信道逆向分析方法.在同样的场景下,分析了深度学习方法在逆向分析领域的应用,提出了基于深度学习的S盒逆向分析算法.通过选取适用于侧信道逆向分析的深度学习算法、损失函数和标签设计,对类SM4算法进行了S盒逆向恢复实验.实验结果表明,使用深度学习进行S盒逆向分析是可行的,且在一定的条件下优于模板攻击;另外,多层感知机算法预测的结果要优于卷积神经网络算法预测的结果.     

深度学习研究综述

鉴于深度学习在学术界和工业界的重要性,依据数据流向对目前有代表性的深度学习算法进行归纳和总结,综述了不同类型深度网络的结构及特点.首先介绍了深度学习的概念;然后根据深度学习算法的结构特征,概述了前馈深度网络、反馈深度网络和双向深度网络3类主流深度学习算法的网络结构和训练方法;最后介绍了深度学习算法在不同数据处理中的最新应用现状及其发展趋势.可以看到:深度学习在不同应用领域都取得了明显的优势,但仍存在需要进一步探索的问题,如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其他方法的融合等.     

一种提升机器人强化学习开发效率的训练模式研究

强化学习与深度学习结合的深度强化学习（Deep Reinforcement Learning,DRL）模型,目前被广泛应用于机器人控制领域。机器人强化学习需要在3D仿真环境中训练模型,然而在缺乏环境先验知识的情况下,在3D环境中进行试错学习会导致训练周期长、开发成本高的问题。因此提出一种贯通2D到3D的机器人强化学习训练模式,将计算量大、耗时多的工作部署到2D环境中,再把算法结果迁移到3D环境中进行测试。实验证明,这种训练模式能使基于个人电脑的机器人强化学习的开发效率提升5倍左右。     

Radar HRRP target recognition by utilizing multitask sparse learning with a small training data size

A statistical modeling method based on multitask sparse learning is proposed to realize the recognition of the high resolution range profile (HRRP) with a small training data size. The statistical modeling of each training aspect-frame is considered as a single task in our method. Since the training aspect-frames are not independent but inter-related, they can share a compact dictionary to make full use of the information. However, with the different targets and the aspect sensitivity of the same target, it is usually hard to assess the task relatedness, and joint learning with unrelated tasks may degrade the recognition performance. Therefore, we adopt the Bernoulli-Beta prior to learn the needed atoms of each aspect-frame automatically with the given training data. Then the relatedness between frames is determined by the number of shared atoms, and multitask learning can be realized adaptively. The recognition experiments of the measured HRRP data demonstrate the performance of the proposed method.