基于特征自学习的交通模式识别研究

针对目前交通模式识别以人工设计特征为主,特征设计主观性强、区分度不高的问题,依据深度学习理论,建立了基于卷积神经网络的特征自动学习模型。该模型首先利用卷积神经网络自动学习深度特征,然后与人工特征共同用于交通模式识别。模型基于微软GeoLife数据,针对不同特征组合与分类方法设计实验,实验结果表明模型能学习到高区分度深度特征、有效提高交通模式识别准确率。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

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.     

大气低频声信号识别深度学习方法研究

针对全面禁核试低频声监测中需要对大气低频声信号进行有效识别的问题,对深度神经网络中的卷积神经网络进行了研究,提出了一种将低频声信号转换为图像,然后采用卷积神经网络进行识别,并对学习过程进行改进的方法。将该方法与基于人工设计特征的支持向量机方法进行了对比实验,实验结果表明,在训练数据集不大的情况下,通过改进学习过程的卷积神经网络可以挖掘出信号的潜在特征,具有和支持向量机同等的识别能力。     

一种基于深度学习与排列熵的交通轨迹模式分类方法

针对交通模式识别的问题,本文提出一种基于交通轨迹速度与角度变化有序程度的排列熵特征,利用新增排列熵特征属性进行轨迹交通模式分类.通过对GeoLIfe数据的预处理与特征提取,在获得轨迹基本属性的基础上提取出轨迹速度与角度的排列熵,通过深度神经网络进行训练、分类.实验表明该方法分类准确率有一定提高,说明排列熵属性对识别交通轨迹类别是有效的,可提高轨迹模式识别的准确性.     

基于单模型集成的年龄估计框架

随着模式识别和计算机视觉的发展,根据人脸图像自动进行年龄估计在人机交互、安全监控和娱乐等领域已经成为一个非常热门的话题。针对特征冗余及对所提取特征不能充分利用的问题,构建一种基于单模型集成的神经网络框架(Age Estimation Framework Based on Single-Model Integration,AEF-SMI)。首先使用5×5、3×3和2×2的级联卷积核提取丰富的空间结构信息,连接不同卷积核组成不同通道,通过集成不同通道获取不同深度卷积激活特征,使网络框架获取高层的语义信息的同时也获取低层边缘纹理信息,最后利用提取到的特征对图片进行年龄估计。实验结果表明,在IMDB-WIKI与Group数据库上,与主流的年龄分类算法相比,AEF-SMI框架得到的准确率更高。     

基于深度卷积自编码网络的小样本光伏热斑识别与定位

针对传统卷积神经网络训练需要大量数据、而热斑效应图像样本量较少的现状,构建一种深度卷积自编码网络模型用于小样本光伏热斑识别与定位。首先对原始光伏红外图像做预处理得到小样本数据集,然后构建一种以卷积神经网络为基础、结合自编码器的深度卷积自编码网络模型。该模型能自动学习并提取小样本图像中的有效特征,提高识别准确率。实验结果表明,针对小样本光伏热斑图像数据集,深度卷积自编码网络模型比传统卷积神经网络在测试集上的识别准确率高出了7.98%,且具有更强的泛化能力和鲁棒性。     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于深度学习的出行模式识别方法

居民出行信息可体现居民活动规律、反映城市交通问题,是制定交通规划与管理的重要依据.利用GPS获取的轨迹数据虽具有大量时空信息但不能直接表达出行模式,需要数据处理和挖掘算法提取隐藏知识来识别出行模式.由于居民出行模式具有高度的非线性和复杂性,识别具有很大挑战.本文利用深度学习方法的特征学习表征优势,解决特征提取的繁琐计算或漏提特征等弊端,通过对轨迹进行去野和划分等预处理后,计算轨迹片段的运动学特征构成输入数据,提出基于卷积神经网络与门控循环单元相结合的识别出行模式方法,利用卷积神经网络的深层特征表征优势和门控循环单元的时序特性挖掘能力,提高对非线性分类问题的学习能力和识别出行模式的准确性.为验证所提出方法的有效性,还设计单独的卷积神经网络和门控循环单元等模型,在Geolife数据集上进行测试和对比.实验结果表明,本文方法虽仅计算4个特征量仍具有较好的识别效果,并且优于单独采用卷积神经网络等分类方法的识别性能.     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型. 该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别. 在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型. 基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.     

基于深度学习的自动驾驶车辆运动规划研究

针对交通状况的复杂性和边缘情况的不确定性,很难设计一个通用的自动驾驶车辆运动规划系统,采用深度学习的方法,提出了一个时空LSTM(长短期记忆网络)的运动规划模型,它能够根据提取的时空信息产生实时处理。该模型有三个主要结构,依次完成,基于Conv-LSTM(卷积长短期记忆网络)提取连续图像数据的隐藏特征。然后,基于3D-CNN(3D卷积神经网络)提取多帧特征信息中的时空信息以及FCNN(全连接神经网络)构建车辆自动转向角的控制模型。最后,对提出的LSTM时空网络模型方法和经典方法在数据集上进行性能评估。实验结果表明,该方法能够为自动驾驶车辆生成实时鲁棒准确的视觉运动规划,可以达到99%的准确率。     

一种基于深度卷积网络的鲁棒头部姿态估计方法

针对头部姿态估计方法受特征提取限制导致姿态估计效果不佳的问题,提出使用深度卷积网络自动学习有效特征并进行分类的头部姿态估计方法。首先,利用DCNN非线性映射和自动提取图像结构信息的能力,设计一个深度卷积网络实现对姿态鲁棒特征的提取;然后再将提取的特征用于分类器训练并最终实现头部姿态估计。在Pointing’04和FacePix数据库上的测试结果表明,本文设计的深度卷积网络能有效的进行特征学习,避免了人工设计特征的不足,与现有的基于人工设计特征方法相比,本文方法在两个数据库上达到的预测平均绝对误差分别为4.05〫和2.04〫,充分证实了本文算法的稳定性和可靠性。     

大数据环境下基于深度学习的行人再识别

针对卷积神经网络在行人识别过程中错误率较高的问题,提出了一种基于深度胶囊模型的行人再识别方法.首先利用标准卷积层学习区分度较高的特征;然后将不同卷积层中的若干特征划分为一组,生成一个具有丰富语义特征的主胶囊.在此基础上,引入了动态路由算法,通过迭代路由过程来确定主胶囊和数字胶囊之间的归属关系,进而得到一组数字胶囊,其中,每个数字胶囊可以学习识别目标行人的存在.在具有挑战性的数据集上进行实验的结果表明,所提算法在性能上优于已有算法.     

基于深度卷积神经网络的图像自编码算法

针对目前图像编码的研究工作更加重视信息无损性,而没有体现出社交网络图像区分度的问题,本研究提出一种新颖的基于深度卷积神经网络的社交网络图像自编码算法,将深度卷积神经网络提取特征的能力与社交网络中图像的特点相结合,得到性能良好的图像自编码。结合社交网络图片的特性与聚类算法,先将图片进行聚类得到距离信息,再利用深度卷积神经网络学习图片的距离信息,提取深度卷积神经网络中的全连接层作为编码,重复以上步骤,并得到最终的图像编码。试验结果表明,本研究提出的算法在图像搜索中的效果好于其他算法,更利于在社交网络图像搜索中使用。     

基于卷积神经网络的图像精度深度优化

传统的图像精度深度优化方法优化后的图像精度仍然较差,为此设计一种基于卷积神经网络的图像精度深度优化方法。采用目标监测方法提取图像目标区域特征,对图像的原始特征提取,利用深度学习框架生成多个特征图表示图像信息,并对图像像素集分割,固定待提高精度的图像,利用卷积神经网络修复图像,以实现图像增强,完成基于卷积神经网络的图像精度深度优化。实验对比结果表明,此次设计的基于卷积神经网络的图像精度深度优化方法比传统的优化方法优化后的图像精度高,具有较强的实用价值。     

玉米籽粒完整性识别的深度学习方法

为满足正确识别玉米籽粒完整性的需要,提出一种基于深度卷积神经网络的智能识别方法。本网络结合池化和降采样操作,基于卷积原理进行构建。通过对直接输入的灰度图像进行卷积操作,逐层挖掘图像的深层特征,实现对单玉米籽粒图像的特征抽象和特征降维,再通过一个全连接网络,智能识别单玉米籽粒完整性特征。采用反向传播网络对相同的样本进行对照实验。实验结果表明,深度卷积神经网络能对籽粒图像进行有效地特征降维,使深度学习网络达到较高的识别准确率,满足准确识别玉米籽粒完整性特征的需要。     

基于卷积神经网络的水下目标声呐图像识别方法

水下目标识别是水下无人探测的一项核心技术,为提高水下自动目标识别准确率,提出基于卷积神经网络的目标声呐图像识别方法,针对声呐图像特点,设计了融合图像显著区域分割和金字塔池化的水下目标识别模型。基于流形排序显著性检测方法分割和裁剪图像,减小输入数据维度并减少图像背景对目标特征提取过程的干扰;通过堆叠卷积层和池化层,从原始声呐图像中自动学习目标的高层语义信息,避免人工提取图像特征对有效信息的破坏;提出采用空间金字塔池化方法提取特征图中的多尺度信息,弥补声呐图像细节信息少的缺陷,同时解决输入图像尺寸不一致的问题。结果表明,设计的卷积神经网络模型在实测声呐图像数据集上能够比常规卷积神经网络更准确、更快速地识别水下目标。     

基于深度学习的哮喘患者CT影像黏液栓自动识别

针对肺部计算机断层扫描（CT）影像中人工识别黏液栓效率较低、识别效果不佳等问题,提出一种基于深度神经网络的黏液栓自动识别模型。针对黏液栓不规则的特点,在骨干网络中引入可变形卷积来提取特征,并在检测网络中引入可变形感兴趣区域池化进行特征尺度归一化。针对黏液栓的中小目标特性,提出采用加权特征金字塔网络进行多尺度特征融合。实验结果表明,与传统的更快区域卷积神经网络相比,所提模型的平均精度提升了4%,可为辅助诊断哮喘的严重程度提供参考。