一种新的多尺度深度学习图像语义理解方法研究

如何在深度学习中融合 图像的多尺度信息,是基于深度学习的视觉算法需要解决的一个关键问题。本文提出一种基 于多尺度交替 迭代训练的深度学习方法,并应用于图像的语义理解。算法采用卷积神经网络(CNN)从原始 图像中提取稠密性特征 来编码以每个像素为中心的矩形区域,将多个尺度图像交替迭代训练,能够捕获不同尺度下 的纹理、颜色和 边缘等重要信息。在深度学习提取特征分类结果的基础上,提出了一种结合超像素分割的方 法,统计超像 素块的主导类别,来校正分类错误的像素类别,同时描绘出目标区域边界轮廓,完成最终的 语义理解。在Stanford Background Dataset 8类数据集上验证了本文方法的有效性,准确 率达到77.4%。  

一种基于卷积神经网络的性别识别方法

采用人工智能进行性别识别时,人脸图像在获取的时候容易受到光照、遮挡等影响,这些因素给人脸性别识别带来了困难。采用卷积神经网络用于性别识别,并通过扩展网络结构,进一步增强卷积神经网络的分类能力。并且对识别效果进行置信度分析,通过设置卷积神经网络的拒识区域来解决拒绝区间的问题。在实际测试中,通过拒绝7.46%的测试样本,达到98.67%的正确识别率。  

基于量子遗传算法的多通道通信信号盲反卷积算法研究

本文在分析多输入多输出盲反卷积的网络结构和算法模型的基础上，提出了一种基于输出信号上下文信息的盲反卷积算法，并提出一种采用量子遗传算法的新的优化求解方法，对仿真的通信信号分离的结果表明算法的有效性。  

增强层次CNN模型在目标识别应用中的研究

受生物视觉信息处理机制启发的目标识别是当前计算机视觉领域研究的热点之一,其主要思想是对大脑视觉皮层中视觉信息的层次性处理过程进行模拟,构建数学模型来实现目标识别。然而传统的层次化计算模型通常以前馈信息传递为基础,层与层之间采用被动的硬连接方式,强调对视觉信息的多层分解,却较少涉及视觉神经系统的主动感知和学习过程。因此选择以同时具备稀疏连接思想和自我学习机制、并且具备良好网络拓扑结构的卷积神经网络为框架,基于经典卷积神经网络模型,融入分层和仿生的思想,提出新的基于视觉神经增强层次CNN模型——IH-CNN。实验结果表明,IH-CNN模型可以较好的解决大规模图像中的目标识别问题,目标识别准确率高达84%。  

音频取证中基于压缩算法对录音设备的识别研究

为解决音频取证中私录音频由何种录音设备所录的问题,针对不同设备所采用的压缩算法不同,录音信号会有区别于其他录音设备的个性特征,提出了一种基于压缩算法对录音设备的识别方法。首先得到不同录音格式的音频,判决出无声段,分别提取改进MFCC倒谱参数,接着构建卷积神经网络识别模型,并将特征参数输入其中训练测试,最后识别并统计识别结果,为了验证本分类方法的有效性,将之与其他神经网络进行对比。实验结果表明,该方法能够较好地区分不同压缩算法下的音频特性。  

基于递进卷积神经网络的台标识别及其并行化

针对台标的视觉特征,提出一种基于递进卷积神经网络的台标识别算法。该网络不仅有对图像特征进行隐性提取的卷积层和采样层,还包括识别常规台标的泛化模块和识别偏差台标的特异模块。针对串行卷积神经网络训练耗时长的缺点,提出基于Spark的并行递进卷积神经网络算法,采用数据共享及批处理方式对算法模型进行并行化处理。实验证明,递进卷积神经网络算法对台标进行识别能达到98 %的正确率,多节点并行化卷积神经网络相比于单节点模型能有效缩短80%以上训练所需的时间。  

深度学习及其在医学图像分析中的应用研究

深度学习(Deep Learning)被引入机器学习领域与大数据的完美结合加快了人工智能实现的步伐,近年来备受学术界和工业界的广泛关注。本文从深度学习的三种经典模型出发,主要做了五个方面的工作,第一,针对深度信念网络,从网络结构(隐含层数、RBM结构、DBN级联),学习算法(基本算法、优化算法、与其它方法结合),硬件系统(GPU,FPGA)三个方面进行总结；第二,针对卷积神经网络,从网络结构(输入层、隐含层、CNN个数),学习算法,硬件系统三个方面进行归纳；第三,针对堆栈自编码器,以时间为轴对其发展进行梳理,并对相应自编码器的方法改进进行总结；第四,对于深度学习在医学图像分析领域中的应用,主要从医学图像分割、识别和计算机辅助诊断三个方面详细探讨；最后从大数据浪潮、模型构建、特征学习、应用拓展四个方面对深度学习的发展进行展望。  

基于多分支卷积神经网络的车辆图像比对方法

为了更有针对性地从车辆图像的不同区域提取出独特的图像特征,提出基于多分支卷积神经网络的车辆图像比对方法。首先,根据车牌定位结果获取比对车辆的车脸图像,并根据车脸图像的纹理丰富度将车脸图像划分为多个图像块；其次,使用多分支卷积神经网络分别提取各车脸图像块的深度特征；最后,通过计算车脸图像深度特征的相似度判定比对的车辆图像是否属于同种车型。实验表明,文章提出的方法能够提取有效的车辆图像各区域的深度特征,获得良好的车辆比对准确率,可用于套牌车辆识别。  

基于Gist特征与CNN的场景分类方法

针对大多数场景分类方法只能学习浅层特征,忽略图像之间的相关结构信息的问题,提出一种基于Gist特征与卷积神经网络结合的场景图像分类方法。其中Gist特征用于提取场景图像的全局特征,并将其作为深度学习模型的输入,通过逐层训练卷积神经网络,提取更高层次的特征,并用训练好的卷积神经网络对所选数据集进行分类。实验在O T室外场景图像数据集和MNIST手写体数据集上考察了batchsize、卷积核对分类结果的影响,并与DBN、NN、SVM作为分类器的分类结果进行比较,充分说明了本文方法的有效性。  

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s；而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。