基于条件信息卷积生成对抗网络的图像识别

传统的图像识别方法需要大量有标签样本进行训练，且模型训练难以达到稳定。针对这些问题，结合条件生成网络和信息最大化生成网络的结构优势建立了条件信息卷积生成网络（C-Info-DCGAN）。模型增加图像的类别信息和潜在信息作为输入数据，然后利用Q网络去更好地发挥类别信息和潜在信息对训练的引导作用，并且利用深度卷积网络来加强对图像特征的提取能力。实验结果表明，该方法能够加快模型训练收敛速度，并有效提高图像识别的准确率。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别，在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计：降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力；通过增大特征图的尺度来改进多尺度特征融合；引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时，根据交通信号灯本身的特性，使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明，所提出的算法能够提升交通信号灯识别的精度和召回率，识别准确率可以达到90%左右。     

Convolutional neural network with adaptive inferential framework for skeleton-based action recognition

In the task of skeleton-based action recognition, CNN-based methods represent the skeleton data as a pseudo image for processing. However, it still remains as a critical issue of how to construct the pseudo image to model the spatial dependencies of the skeletal data. To address this issue, we propose a novel convolutional neural network with adaptive inferential framework (AIF-CNN) to exploit the dependencies among the skeleton joints. We particularly investigate several initialization strategies to make the AIF effective with each strategy introducing the different prior knowledge. Extensive experiments on the dataset of NTU RGB+D and Kinetics-Skeleton demonstrate that the performance is improved significantly by integrating the different prior information. The source code is available at: https://github.com/hhe-distance/AIF-CNN.     

Human action recognition toward massive-scale sport sceneries based on deep multi-model feature fusion

In sport sceneries, automatically recognizing human actions is a useful technique that can be popularly applied in may domains, such as human body tracking and athlete behavior analysis Most state-of-the-art deep architectures have achieved competitive performance in recognizing human action. However, it is still a challenging task due to the unavoidable occlusion, camera angle changes, and varied human posture. In this paper, we propose a novel deep multimodal feature fusion algorithm for human action recognition. The key technique is a multi-model feature fusion scheme. More specifically, we fuse visual feature, skeleton posture, probability maps and audio signal into a hybrid feature, which is utilized to represent human action. Then these feature channels are optimally combined using a deep model, wherein the weights of multiple feature channels can be predicted intelligently. Finally, the optimally fused feature are fed into a multi-class SVM for conducting human action recognition. Extensive comparative results and parameter analysis have shown the effectiveness of our proposed method.     

红色红曲菌组蛋白去乙酰化酶MrSir2的原核表达及活性分析

根据基因组序列信息,利用cDNA末端快速扩增技术(rapid-amplification of cDNA ends,RACE)得到了红色红曲菌中组蛋白去乙酰化酶mrsir2基因的完整cDNA序列,其编码序列(coding sequence,CDS)为1539 bp,编码512个氨基酸,含有一个SIR2蛋白保守结构域。根据大肠杆菌的密码子的偏好性对mrsir2序列进行优化,优化后的序列与p ET-28b载体连接后转入宿主菌E.coli BL21中进行IPTG诱导表达,并优化表达条件。实验结果表明:在16℃条件下用终浓度为0.25 mM的IPTG诱导培养16 h后,目的蛋白Mr Sir2可溶性表达效果良好。Ni2+柱亲和层析纯化后的Mr Sir2重组蛋白在SDS-PAGE上显示为一条约75 ku大小的条带,蛋白定量浓度达1.97 mg/mL,经Western blot鉴定为目的蛋白,测定酶活为78.5(OD/min/mg),780μM的二氢香豆素(dihydrocoumarin,DHC)对Mr Sir2蛋白的酶活抑制率为47%。Mr Sir2蛋白的可溶性表达为全面了解其酶学特征提供了材料,也为体外分析蛋白相互作用奠定了基础。     

基于卷积神经网络的葡萄叶片氮含量识别方法

为实现对葡萄叶片氮素含量快速、便捷的识别，在卷积神经网络VGG-16网络结构基础上，将数据增广后的图像按不同梯度划分进行模型训练，通过十折交叉验证法探究最佳的训练集与验证集分配比例，并构建4个不同深度的网络模型进行训练对比，采用全局平均池化代替全连接层约简网络参数量。训练结果表明，氮含量梯度设为0.70%、0.35%和0.175%时，室内简单背景识别准确率分别为85.9%、76.2%和71.1%；晴天室外复杂背景下识别准确率分别为44.6%、35.0%和30.4%。研究结果表明利用VGG-16建立的网络学习模型对葡萄叶片氮含量识别提供了一种新的便捷方法，对农业信息化和智能化技术应用具有一定促进作用。     

一种下肢运动意图识别算法性能实时测评系统* .txt

摘要：对腿部运动意图识别算法的实时性能进行综合可靠的评价是实现下肢假肢灵活稳定控制的前提。提出一种逐层分级的基于下肢运动意图识别算法的实时测评方法，对算法的可靠性、稳定性以及运动意图识别速度进行综合评价。利用开发的运动意图识别算法评测系统，对基于肌电信号源和机械信号源的两种运动意图识别算法进行了实时性能测试，发现肌电信号源的算法识别时间大于机械信号源算法，但是其算法稳定性优于机械信号源算法。进一步地，还利用该评测系统有效地区分出正常识别策略与异常识别策略，发现正常策略的动作识别稳定系数比异常策略高25%左右。因此，所提的基于下肢运动意图识别算法的实时测评方法，能够对不同信号源算法以及不同识别策略的实时性能进行有效评价，为智能下肢假肢控制系统开发提供可供参考的测试平台。 .txt     

基于机器视觉的运煤车车号识别技术研究

在铁路运煤装车过程中为了快速、准确地识别车号,提出一种基于机器视觉的运煤车车号识别技术。将连通区域提取与投影分割法结合,实现车号的粗定位、细分割,并对图像中的断裂字符进行二次分割,构建了基于BP神经网络的分类模型进行车号识别,提升了煤炭装车的效率和精度。     

命名实体识别技术综述

命名实体识别是自然语言处理中的热点研究方向之一,目的是识别文本中的命名实体并将其归纳到相应的实体类型中。首先阐述了命名实体识别任务的定义、目标和意义,分析提出了命名实体识别的主要难点在于领域命名实体识别局限性、命名实体表述多样性和歧义性、命名实体的复杂性和开放性;然后介绍了命名实体识别研究的发展进程,从最初的规则和字典方法到传统的统计学习方法再到现在的深度学习方法,不断地将新技术应用到命名实体识别研究中以提高性能;接着系统梳理了当下命名实体识别任务中的若干热门研究点,分别是匮乏资源下的命名实体识别、细粒度命名实体识别、嵌套命名实体识别以及命名实体链接;最后针对评判命名实体识别模型的好坏,总结了常用的若干数据集和实验测评指标,并给出了未来的研究建议。