基于离散随机技术的Madaline敏感性近似计算研究

本文系统地讨论了离散型前向神经网络Madaline的输出对网络参数扰动的敏感性计算.首先,根据神经元Adaline的离散特性,提出了一种离散随机技术方法,推导了Adaline敏感性近似计算公式.该方法从理论上解决了已有的连续随机技术方法无法处理的情况,取消了过强的限制条件,并使得从理论上对Adaline敏感性近似计算进...     

基于Power Extrapolation和Adaptive Method的网页评估新算法

Google的PageRank算法通过对超链接结构的分析,有效地提高了搜索结果的排序质量。PowerExtrapolation算法通过特征值直接求解马尔可夫超链接矩阵的主特征向量,但该算法的迭代次数与参数d的选择密切相关,而参数d的确定目前无明显规律可寻。另一方面,AdaptiveMethod通过将马尔可夫超链接矩阵稀疏化以达到节省迭代时间的目的。文章在PowerExtrapolation算法的基础上引入AdaptiveMethod,实验结果初步证明了新算法可以减少迭代运算的时间。     

视觉显著性纹理—色彩特征融合的图像目标分类

针对图像目标分类,提出了一种显著性纹理特征.考虑到显著目标图像在纹理特征表征上的优势,在目标显著性图像提取的基础上进一步提取视觉显著性纹理特征.进而将该视觉显著性纹理特征同HSV色彩特征进行融合,形成图像目标融合特征,输入至后端分类器中进行分类.多类别的交叉实验证明,基于该融合特征的目标分类方法能够较为准确的对图像目标进行分类,在SIMPLIcity图像数据集上平均分类正确率达到84.84％,在Corel图像集上平均分类正确率为85.05％,优于基于单一分类特征的图像分类方法.     

基于BSSRDF模型回归人脸皮肤实时渲染

基于三层材质模型,利用双向表面散射反射分布函数,模拟光线在皮肤表面的散射效果。提出一种采用径向基函数神经网络对次表面散射剖面进行拟合的方法,以实现人脸皮肤真实感实时渲染。使用离线渲染的方式进行预计算,获取训练数据,进行训练,代替传统的渲染方式。实验证明,本文方法能有效减少冗余数据,以较快的速度收敛,并且很好地拟合离线渲染的结果。     

基于EBGAN的图像风格化技术

为了解决传统图像风格化算法生成图像的多样性较差的问题,本文提出一种基于EBGAN(Energy-Based Generative Adversarial Net)的网络模型,即在鉴别器中引入能量函数思想,设计Autoencoder使其能分别针对真假输入产生不同重构结果,计算输入图像重构前后的误差值,以此误差值作为能量概念用来鉴别输入图像。在Autoencoder的编码阶段,对于编码后的向量引入正交控制,控制同一batch中的两两向量最大正交化,推动生成器生成朝着不同方向发展的图像。使用该模型在Facades和Cityscapes数据集上进行实验,实验结果表明本文的网络模型能有效完成图像风格化过程,较传统图像风格化网络模型能生成更加多样化的图像。     

极端低光情况下的图像增强方法

针对极端低光情况下的图像增强问题,提出一种基于编码解码网络和残差网络的 端到端的全卷积网络模型。设计一个包括编码解码网络和精细网络2 部分的端到端的全卷积网 络模型作为转换网络,直接处理短曝光图像的光传感器数据得到RGB 格式的输出图像。该网 络包含对抗思想、残差结构和感知损失,先通过对极低光图像编码解码重构图像的低频信息, 之后将重构的低频信息输入残差网络中进而重构出图像的高频信息。在SID 数据集上进行实验 验证,结果表明,该方法有效地提高了极端低光情况下拍摄得到的图像进行低光增强之后的视 觉效果,增加了细节表达,使得图像中物体的纹理更加清楚和边缘更加分明。     

基于生成对抗网络的破损老照片修复

提出一种基于生成对抗网络的破损老照片修复方法。生成器基于U-Net网络，采用局部卷积代替所有的卷积层，仅对有效像素进行操作，不仅避免传统常规卷积所造成的色彩不协调和模糊等问题，而且能够修复任意非中心不规则的破损区域。考虑对长距离特征信息的依赖，在生成网络解码阶段加入上下文注意力模块，以保持语义连贯性。此外，生成器的损失函数除了基础的对抗损失以外，还加入了感知损失、风格损失和重构损失，以增强网络稳定性。在CelebA-HQ数据集和真实破损老照片上进行实验，实验结果表明，该方法不受破损情况的限制，对破损老照片可以达到不错的修复效果。     

基于改进堆叠沙漏网络的交警姿态估计

针对交警动作中的姿态估计问题,提出一种改进的堆叠沙漏网络模型。该模型通过减少沙漏网络级联次数,来简化堆叠沙漏网络结构。利用多尺度下深浅层特征信息之间的聚合,得到丰富的上下文信息,增强姿态、遮挡、低分辨率图像的鲁棒性。将不同阶段产生的热图估计结果进行融合平均化处理,进一步提高局部位置坐标的精细定位以及整体估计结果的准确性。在MPII数据集以及中国交警数据集上进行实验,结果表明,改进后的网络模型提高了运行的效率,同时可以很好地对目标交警的姿态特征信息进行提取,对结果热图平均化处理后,提高了位置坐标整体估计的准确性。     

基于一种视觉注意力机制的图像描述方法

为了提高由图像生成文字描述的准确率,文中提出了一种基于传统的编码解码框架,分别在编码端和解码端融入视觉注意力机制的方法,即在编码端加入空间注意力机制和图像通道级注意力机制相结合的方法。在解码端运用自适应视觉注意力机制的方法,即在传统的解码端上加入一个额外的“视觉哨兵”模块。文中提出的方法在生成文字描述的过程中自动决定是依赖图像特征还是依赖语义特征,并传递给相应的注意力机制。实验证明,相比较单一的视觉注意力机制,文中方法取得了较高的图像描述语句的正确率,具有更好的图像描述性能。     

基于堆栈自动编码器的泵站机组故障分析

将堆栈自动编码器(Stack Auto-encoders)应用到泵站机组的故障分析中,构建了基于堆栈自动编码器的故障分析模型。构建的模型主要由输入层、3个中间隐层和输出层构成,以实现对泵站机组的监测数据和特征进行提取和降维处理。模型网络采用了非监督逐层贪婪方法训练,然后使用反向传播算法对网络参数予以优化,在此基础上,利用softmax分类器进行分类。实验结果表明,运用所构建的模型对机组故障以及不同工况的平均分类准确率可以达到79.88%。该成果可以为泵站机组故障分析提供一定的参考依据。