浅谈深度学习

深度学习是机器学习研究中一个新的领域,它是机器学习中神经网络的发展。深度学习的主要目的在于模拟人脑进行分析与学习,希望计算机也能像人脑一样会学习。本文首先介绍深度学习产生的原因,然后分析深度学习产生的理论依据。之后简单介绍深度学习训练深层神经网络的基本过程,最后总结当前存在的问题以及发展的方向。     

基于深度学习的可视化仪表板生成技术研究

仪表板是支持制造企业开展数据可视化分析和经营决策的重要手段。为解决可视化仪表板设计与实现过程中用户对专业知识依赖性强及流程迭代繁杂的问题,提出了一种基于深度学习技术YOLOv5s算法的可视化仪表板自动识别与生成方法。首先,基于YOLOv5s算法对仪表板图像及手绘草图中包含的可视化图表组件进行检测,并针对在检测过程中出现的手绘草图中不规则线条对识别图表的干扰及误检等问题,引入CA注意力机制来增强模型对重要特征的关注及目标精确定位能力,从而提高模型的识别精度;其次,将图表检测模型部署在Web中,服务器根据模型检测结果调用封装好的可视化图表组件代码,生成多组件组合的初始仪表板;最后,基于此Web设计,开发了一款数据可视化仪表板构建平台,为用户提供可修改配置仪表板样式及数据的详细选项,以方便用户快速构建完整的仪表板。通过收集Tableau, Power BI等可视化工具产生的仪表板图像及企业应用过程中手绘仪表板草图形成数据集,基于该数据集进行实验验证,改进的模型识别精度比原YOLOv5s模型提升了2.1%,mAP为98.4%,并通过系统部署应用验证了图表识别方法及开发的平台可有效识别及生成相应...     

基于深度学习的海洋中尺度涡识别与可视化

中尺度涡是海洋中一种特殊的中尺度现象,对人类活动和海洋科学有着重要意义.海洋物理中对中尺度涡的检测通常依赖由专家预定义或调整的参数,无法保证准确度;或者对全部海洋数据逐点扫描判断,耗时较长.此外,中尺度涡的时空统计数据繁杂,整理和分析工作量巨大且无法较好展示相关信息.本文提出了一种基于深度学习目标检测的海洋中尺度涡检测算法,可达到较高的识别精确率和查全率,避免了阈值选取对中尺度涡检测的影响,大大提高了检测速度;并设计中尺度涡时空特征及海洋信息协同可视化系统,对中尺度涡进行交互式展示和分析,满足对涡旋的统计信息、特征分布和属性关联进行洞察、说明和相关性分析的需求.     

基于集成的流形学习可视化

流形学习有助于发现数据的内在分布和几何结构.目前已有的流形学习算法对噪音和算法参数都比较敏感,噪音使得输入参数更加难以选择,参数较小的变化会导致差异显著的学习结果.针对Isomap这一流形学习算法,提出了一种新方法,通过引入集成学习技术,扩大了可以产生有效可视化结果的输入参数范围,并且降低了对噪音的敏感性.     

混合式教学促进学生深度学习的可视化分析

为了了解混合式教学促进学生深度学习的研究现状,本文采用文献法、共词分析法和内容分析法对样本数据进行分析。运用CiteSpace可视化软件检索出符合条件的学术期刊论文,并对其进行高频关键词共现分析和高频关键词聚类分析。结果表明,国内以深度学习为目的结合混合式教学的研究相对较少,使用混合式教学模式的阶段主要集中在高校。未来的混合式教学促进学生的深度学习的研究趋势,可能将扩展到职业教育中。     

基于Faster R-CNN深度学习的变电站三维可视化方法

变电站视频三维可视化存在的识别准确率低、可移植性差的问题,对此提出一种基于Faster R-CNN深度学习的变电站三维可视化方法。对变电站摄像头采集的视频数据进行预处理,过滤与现场设备无关的数据,减少噪声数据对变电站现三维可视化带来的影响。采用SIFT算法在不同时空尺度上提取变电站设备特征,为变电站三维可视化提供数据基础。再次,通过Faster R-CNN深度学习算法,构建变电站三维可视化场景,并形成完整的变电站三维可视化场景。以某220 kV变电站为例,验证本算法三维可视化的自动生成性能和准确率,其结果验证了本方法的实用性和有效性。     

基于深度学习的布匹瑕疵数据可视化系统

在布匹瑕疵检测领域中,传统的瑕疵检测手段主要是采用人工检测的方式,其弊端很多,如检出率低等。为解决人工检测的各类问题,设计了基于深度学习的布匹瑕疵数据可视化系统,视觉算法部分采用改进后YOLOv5模型作为瑕疵检测模型对布匹的20种瑕疵进行检测,能够达到准确率95.7%,检测速度为33 ms,并且结合工业机械臂使用高清摄像头来进行图像以及视频的采集,在经过深度学习输出的相关数据经过后端并在前端平台上进行展示,从而实现自动化的检测及智能分析平台。     

基于深度学习的车牌图像识别数据可视化平台的设计与实现

随着汽车数量逐年上升,如何提高车辆管理水平成为难题,其中车牌识别成了智能交通领域中一项重要课题。设计了基于深度学习和图像识别技术开发车牌识别数据可视化系统,系统主要有图像识别、图像裁剪、记录查询和信息可视化等功能。先将上传的车辆图像进行识别从而得到车牌信息并将其输入系统,系统能有效地管理和查询所有输入的车牌数据,然后通过可视化界面直观展示系统中的车牌数据信息,经过测试,能有效识别车牌信息,提高车辆管理效率。     

基于神经网络的深度学习方法研究

深度学习作为时下热门的机器学习算法,能够在全局环境下得到较优的解,已经在各领域中获得了大量的应用.深度学习是在神经网络的基础上发展而成,它摒弃了神经网络过拟合和参数难调等问题,通过多层隐藏层对参数进行调优并逐层优化,智能机器人、文本挖掘、推荐系统等,诸多领域已经有着深度学习理论的应用.     

深度学习研究进展

深度学习(Deep Learning)是一个近几年备受关注的研究领域,在机器学习中起着重要的作用.如果说浅层学习是机器学习的一次浪潮,那么深度学习作为机器学习的一个新领域,将掀起机器学习的又一次浪潮.深度学习通过建立、模拟人脑的分层结构来实现对外部输入的数据进行从低级到高级的特征提取,从而能够解释外部数据.首先介绍了深度学习的由来,分析了浅层学习存在的弊端;其次列举了深度学习的经典方法,主要以监督学习和无监督学习来展开介绍;然后对深度学习的最新研究进展及其应用进行了综述;最后总结了深度学习发展所面临的问题.     

基于神经网络的深度学习方法研究

在机器学习算法中深度学习已成为现今最热门的一种算法,在全局环境下能够得出较优的解,这种算法的出现得到个社会各界的广泛关注,在不同领域中获得了大量的应用.深度学习是在神经网络的基础上应运而生,采用多层隐藏层对参数进行调优并进行逐层优化,而改变了原有的神经网络过拟合和参数难调等问题.现今,诸多领域,例如:文本挖掘、推荐系统一级智能机器人等,都开始应用深度学习的.     

基于知识图谱的深度学习研究现状及趋势计量可视化分析

基于中国知网数据库2005—2019年收录的以"深度学习"为关键词的CSSCI来源类别的405篇相关文献,笔者通过计量可视化分析软件,分别从发文量、关键词、期刊、作者、机构5个维度定量分析了国内深度学习的研究现状和发展趋势,希望为后续研究打下基础。     

深度学习常用优化算法研究

随着计算处理单元及图形处理单元计算能力的快速发展,以及人类收集数据规模的指数级跨越,深度学习技术蓬勃发展,在图像识别、自然语言理解以及语音识别等领域展现出强大的能力。而深度学习通常被建模为一个无约束优化问题,因此需要有具体的优化算法对其进行求解。通过对比分析的方法介绍了深度学习领域常用的基于随机梯度下降的启发式优化算法,对比各种优化算法的优缺点,并总结在实际问题中的使用技巧和注意事项。     

面向目标用户的深度学习模型可视化综述

深度学习模型在某些场景的实际应用中要求其具备一定的可解释性, 而视觉是人类认识周围世界的基本工具, 可视化技术能够将模型训练过程从不可见的黑盒状态转换为可交互分析的视觉过程, 从而有效提高模型的可信性和可解释度. 目前, 国内外相关领域缺少有关深度学习模型可视化工具的综述, 也缺乏对不同用户实际需求的研究和使用体验的评估. 因此, 本文通过调研近年来学术界模型可解释性和可视化相关文献, 总结可视化工具在不同领域的应用现状, 提出面向目标用户的可视化工具分类方法及依据, 对每一类工具从可视化内容、计算成本等方面进行介绍和对比, 以便不同用户选取与部署合适的工具. 最后在此基础上讨论可视化领域存在的问题并加以展望.     

机器学习和深度学习的并行训练方法

并行计算技术广泛用于对一些特定问题进行更进一步的优化,从而突破性地降低算法的时间消耗。近年来,随着大数据和人工智能的快速发展,在进行大规模深度学习模型的训练时,时间消耗成为一个重要的考虑因素。在模型的训练过程中,由于各个样本之间互不相关的性质,使得模型的训练过程可以利用并行技术来很好地优化。本文以最基础的线性回归作为模型的任务,测试了并行化方法在深度学习模型中的可行性,并对比了不同节点下的性能提升幅度。本文所提出的并行训练方法的时间复杂度为■,根据该时间复杂度,可以合理地根据待解决问题的规模来选择合适的并行化策略。     

基于信息修正的深度残差学习

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正。为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象。在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低。     

智能可视化与可视分析

可视化与可视分析已成为众多领域中结合人类智能与机器智能协同理解、分析数据的常见手段。人工智能可以通过对大数据的学习分析提高数据质量,捕捉关键信息,并选取最有效的视觉呈现方式,从而使用户更快、更准确、更全面地从可视化中理解数据。利用人工智能方法,交互式可视化系统也能更好地学习用户习惯及用户意图,推荐符合用户需求的可视化形式、交互操作和数据特征,从而降低用户探索的学习及时间成本,提高交互分析的效率。人工智能方法在可视化中的应用受到了极大关注,产生了大量学术成果。本文从最新工作出发,探讨人工智能在可视化流程的关键步骤中的作用。包括如何智能地表示和管理数据、如何辅助用户快速创建和定制可视化、如何通过人工智能扩展交互手段及提高交互效率、如何借助人工智能辅助数据的交互分析等。具体而言,本文详细梳理每个步骤中需要完成的任务及解决思路,介绍相应的人工智能方法（如深度网络结构）,并以图表数据为例介绍智能可视化与可视分析的应用,最后讨论智能可视化方法的发展趋势,展望未来的研究方向及应用场景。     

深度学习技术在火灾图像识别中的应用

火灾事故频发严重威胁着社会公共安全和人们的生命财产安全。火灾发生的不可预见性增加了火灾防控的难度。传统温感、烟感火灾探测设备对室内空间火灾探测效率较高;以人工选择特征为依据的火灾图像识别技术受限于实际火灾场景特征复杂多变,存在误报情况;深度学习技术通过海量火灾场景图片训练和网络参数优化,自动提取火灾图像深度抽象特征,以达到对火灾的精准识别和预警判断。本文就火灾图像识别及深度学习技术在该领域中的应用进行分析,对影响深度学习技术在火灾图像识别应用中的瓶颈问题进行探讨,并展望了该技术的未来发展。     

深度学习技术应用现状分析与发展趋势研究

针对深度学习技术迅速发展的基本状况,分析深度学习技术的主要研究现状,结合其基本原理和主要应用领域,对深度学习技术进行分类和总结,指出目前深度学习技术发展的瓶颈问题,归纳出未来深度学习技术发展的主流趋势。