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。  

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。  

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。  

基于集成学习的室性早博识别方法

本文提出了一种集成学习方法以提升室性早搏的识别性能.MIT-BIH两个通道的数据分别经过卷积神经网络进行室性早搏心拍分类,然后按照融合规则对分类结果进行融合决策,其准确率、灵敏度和特异性分别为99.91％、98.76％、99.97％,优于已有算法的室性早搏心拍分类结果.此外,面向临床应用,本文还利用卷积神经网络和诊断规则相结合的方法实现了病人间室性早搏识别实验,在有14万多条记录的数据集上,取得的准确率、灵敏度及特异性分别为97.87％、87.94％、98.02％,验证了该算法的有效性.  

基于卷积神经网络和监督核哈希的图像检索方法

当前主流的图像检索方法采用的视觉特征,缺乏自主学习能力,导致其图像表达能力不强,此外,传统的特征索引方法检索效率较低,难以适用于大规模图像数据.针对这些问题,本文提出了一种基于卷积神经网络和监督核哈希的图像检索方法.首先,利用卷积神经网络的学习能力挖掘训练图像内容的内在隐含关系,提取图像深层特征,增强特征的视觉表达能力和区分性;然后,利用监督核哈希方法对高维图像深层特征进行监督学习,并将高维特征映射到低维汉明空间中,生成紧致的哈希码;最后,在低维汉明空间中完成对大规模图像数据的有效检索.在ImageNet-1000和Caltech-256数据集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力,提高图像检索效率,优于当前主流方法.  

基于最优非线性扩散的快速相干斑抑制算法研究

合成孔径雷达(Synthetic Aperture Radar,SAR)图像相干斑去噪一直以来都是SAR图像处理的一项关键技术.本文提出一种基于最优非线性扩散的快速相干斑抑制算法,该算法使用最近提出的基于可训练非线性扩散的图像复原框架,并针对合成孔径雷达强度图像,结合相干斑噪声的统计特性,训练非线性扩散过程中的滤波器参数和响应函数参数.实验结果表明,该算法性能与PPBit、SAR-BM3D等主流相干斑去噪算法性能相当甚至更优;同时与这些算法相比,该算法计算效率能够提高75％以上,并且适于并行运算实现.  

基于移动小车的行人监控系统

行人监控属于监控系统中比较重要的一个方面.传统的行人监控手段存在监控区域受限的问题,即监控设备一旦安装后,只能监控固定的区域,目前仍然需要人工判别监控画面中是否有行人.针对这个问题,设计了基于计算机视觉的移动行人监控系统.通过操控搭载了监控摄像头的移动小车,实现监控区域的自由切换.另外,配合成熟的深度卷积神经网络算法和相关滤波器,实现了监控画面中行人的自主识别、定位.最后对该系统进行了实地测试,验证了行人监控系统的可行性.