SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法

基于深度学习的高光谱遥感图像地物分类是目前研究的热点.但由于其参数规模大以及结构复杂，深度网络通常需要大量训练样本和较长训练时间，如何在小规模样本下建立深度学习监督分类模型是需要解决的关键问题.本文提出了一种小规模样本下高光谱图像分类的空-谱卷积稠密网络算法，称为SSCDenseNet，其包含三种新颖的架构策略：（1）空-谱分离卷积，即采取光谱维一维卷积和空间维二维卷积的分离卷积结构构成隐层单元，并通过多个隐层单元堆叠构造深度网络；（2）隐层单元中使用批归一化，减少数据协方差漂移及加速网络训练；（3）隐层单元间构建稠密连接，缓解梯度消失问题并实现特征复用.通过Indian Pines、Pavia University与Salinas数据集进行综合测评，表明该方法优于若干最新深度学习方法，特别在小规模样本下具有优异的分类性能.     

LSCN:一种用于动作识别的长短时序关注网络

相较于图像分析，如何分析时序信息是动作识别中的一个主要问题.大多数先前的方法，如3D卷积网络、双流卷积网络，仅使用包含全局时域信息的特征作为视频的表征，忽略了局部时序特征的重要性.考虑到这样的问题，本文提出一种基于时序交互感知模块的长短时序关注网络——Long and Short Sequence Concerned Networks（LSCN），融合不同的时序信息，利用不同卷积层时序特征的交互加强对不同时序长度的动作实例的表示，兼顾长短动作实例对时序信息的需求.实验结果表明，基于3D ResNext101的LSCN在两个公共数据集（UCF101和HMDB51）上，相较于基础的网络分别有0.4%和2.9%的准确率提升.     

基于深度学习的配电网无线通信入侵检测系统

在采用无线通信接入的配电网中，入侵检测系统（IDS）通过分析通信网中传输数据来判断入侵事件.为提高检测的准确性，本文将深度学习理论应用于IDS，提出了一种面向配电网无线通信网络新型入侵检测系统，由带有门控循环单元、多层感知器和Softmax的循环神经网络组成.攻击测试基准实验结果表明IDS防御的有效性，在KDD99测试数据集上，其误报率为0.06%，总检出率为96.43%；在NSL-KDD测试数据集上，其误报率低至0.86%，总检出率则为99.33%.     

基于深度学习的miRNA与疾病相关性预测算法

大量研究表明，microRNA（miRNA）在人类复杂疾病研究中发挥着重要作用.识别miRNA与疾病之间的关系对于提高复杂疾病的治疗水平具有重要意义.然而，传统实验方式常受限于小规模和高成本，因此迫切需要计算模拟的方式快速有效地预测miRNA-疾病间的潜在关系.本文通过结合深度学习的堆叠自动编码器算法与旋转森林分类器对miRNA-疾病间关系进行预测.该方法能够有效抽取出融合了疾病语义相似性、miRNA功能相似性和miRNA序列信息的高级特征并对其进行准确分类.在交叉验证实验中，该方法在HMDD v3.0数据集上取得90.30%的预测准确率.此外，我们还在人类复杂疾病乳腺肿瘤上做了案例研究.结果，模型预测得分最高的前30个疾病关联miRNA中28个得到了证实.这些优异的结果表明，该算法是一种有效预测miRNA-疾病关系的工具，能够为生物实验提供高可靠的疾病关联miRNA候选物.     

基于深度强化学习的维吾尔语人称代词指代消解

针对深度神经网络模型仅学习当前指代链语义信息忽略了单个指代链识别结果的长期影响问题，提出一种结合深度强化学习（deep reinforcement learning）的维吾尔语人称代词指代消解方法.该方法将指代消解任务定义为强化学习环境下顺序决策过程，有效利用之前状态中先行语信息判定当前指代链指代关系.同时，采用基于整体奖励信号优化策略，相比于使用损失函数启发式优化特定的单个决策，该方法直接优化整体评估指标更加高效.最后在维吾尔语数据集进行实验，实验结果显示，该方法在维吾尔语人称代词指代消解任务中的F值为85.80%.实验结果表明，深度强化学习模型能显著提升维吾尔语人称代词指代消解性能.     

高速移动环境下基于深度学习的信道估计方法

针对高速移动环境下信道快时变、非平稳特性导致下行链路信道估计性能受限的问题，本文提出一种基于深度学习的信道估计网络，即ChanEstNet.ChanEstNet使用卷积神经网络（Convolutional Neural Network，CNN）提取信道响应特征矢量和循环神经网络（Recurrent Neural Network，RNN）进行信道估计.我们利用标准的高速信道数据对学习网络进行离线训练，充分挖掘训练样本中的信道信息，使其学习到高速移动环境下信道快时变和非平稳的特点，更好的跟踪高速环境下信道的变化特征.仿真结果表明，在高速移动环境下，与传统方法相比，所提信道估计方法计算复杂度低，性能提升明显.     

基于霾层学习的单幅图像去雾算法

针对传统去雾算法出现色彩失真、去雾不完全、出现光晕等现象，本文提出了一种基于霾层学习的卷积神经网络的单幅图像去雾算法.首先，依据大气散射物理模型进行理论推导，本文设计了一种能够直接学习和估计有雾图像和霾层图像之间的映射关系的网络模型.采用有雾图像作为输入，并输出有雾图像与无雾图像之间的残差图像，随后直接从有雾图像中去除此霾层图像，即可恢复出无雾图像.残差学习的引入，使得网络来直接估计初始霾层，利用相对大的学习率，减少计算量，加快收敛过程.再利用引导滤波进行细化，使得恢复出的无雾图像更接近真实场景.本文对不同雾浓度的有雾图片的去雾效果进行测试，并与当前主流深度学习去雾算法及其他经典算法进行对比.实验结果显示，本文设计的卷积神经网络模型在图像去雾的应用，不论在主观效果还是客观指标上，都有优势.     

Design of the programmable neural network processor based on the transport triggered architecture

The convolutional neural networks have the problems of structure diversity and large amounts of data exchange and computation. A transport triggered architecture based convolutional neural network processor is presented in this paper. The data transport network is constructed with multi-channel direct memory access channels, the multi-port memory and the specialized pooling data path, which solves the inefficient data exchange problem. Experimental results show that, although the proposed architecture is 11% slower than the streamline structure, it can adapt to a variety of convolutional neural networks and save 46.5% multipliers. Compared with the schemes presented in other papers except pipeline implementation, our design improves the data throughput rate by 40% at least. Besides, this system has advantages of parallel efficiency, programmable flexibility, online architecture reconfiguration, high processing speed, etc.     

Cascade residual learning method for infrared image nonuniformity correction

Traditional scene adaptive nonuniformity correction methods generally suffer from the over smooth and residual nonuniformity in the corrected results. In view of this, a cascade residual learning based nonuniformity correction method is presented. This method uses the multiscale feature extraction unit to fuse the extracted features and employs the residual learning strategy to deal with the overfitting problem. Experimental results validate that the proposed method yields nearly 5dB improvement in the average peak signal-to-noise ratio (PSNR) as compared to the traditional scene adaptive correction methods. Moreover, its visual effects are clearer and sharper.     

计算机视觉技术的车型识别应用研究

针对目前立体停车库主要采用传统的传感器入库检测系统来识别车辆信息,存在施工周期长、器件损坏率较高,维护成本较高的问题,提出了一种应用计算机视觉技术的车型识别解决方案.应用卷积神经网络框架Caffe,基于Caf-feNet模型,通过fine-tuning模型优化以及参数优化,最终得到了一个性能较优异的识别模型.实验结果表明,该模型可克服输入图片背景复杂多变,目标被遮挡的情况,对轿车车型识别这一问题鲁棒性好,具有一定的可行性及应用价值.