基于多层卷积神经网络特征和双向长短时记忆单元的行为识别

鲁棒的视频行为识别由于其复杂性成为了一项极具挑战的任务. 如何有效提取鲁棒的时空特征成为解决问题的关键. 在本文中, 提出使用双向长短时记忆单元(Bi--LSTM)作为主要框架去捕获视频序列的双向时空特征. 首先, 为了增强特征表达, 使用多层的卷积神经网络特征代替传统的手工特征. 多层卷积特征融合了低层形状信息和高层语义信息, 能够捕获丰富的空间信息. 然后, 将提取到的卷积特征输入Bi--LSTM, Bi--LSTM包含两个不同方向的LSTM层. 前向层从前向后捕获视频演变, 后向层反方向建模视频演变. 最后两个方向的演变表达融合到Softmax中, 得到最后的分类结果. 在UCF101和HMDB51数据集上的实验结果显示本文的方法在行为识别上可以取得较好的性能.     

一种改进的GRU-InFCN人体行为识别模型

为了克服传统机器学习方法在采用传感器数据进行人体行为识别领域上识别效果对人工特征选取依赖严重、识别准确率不高等问题,提出一种改进的全卷积神经网络和多层循环神经网络并联的深度学习模型(GRU-InFCN),并对传感器数据特征进行自动提取,实现人体动作的识别。该模型通过多尺度卷积神经网络和双层GRU网络(Gated Recurrent Unit,GRU)分别对传感器数据进行特征提取,将特征矩阵在矩阵维度上进行特征拼接再通过Softmax完成特征分类。实验结果表明,在开源人体行为识别(HAR)数据集上采用该方法进行人体行为识别,准确率达到了97.76%。该模型在取得高准确率的同时,避免了复杂的信号预处理和特征工程。     

移动端非显式用户身份信息的隐私问题研究

智能设备给人们带来方便的同时也记录了大量使用者的使用习惯、位置、访问内容等隐私信息.文章综合考虑用户行为数据的采集方式,数据处理方式以及存储方式,自主设计用户行为数据的采集系统,并在智能终端设备上采集用户的大量非显式身份信息数据,包括网络流量信息、屏幕状态信息等,通过对这些数据进行处理和分析,发现利用这些非显式的用户身份信息可以有效对用户身份进行识别,并能推测出部分用户间的社会关系.实验表明,基于非显式身份信息数据的研究对保护用户隐私有重要的现实意义和很大的应用价值.     

面向智能监控的行为识别

目的 为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO（you only look once：unified,real-time object detection）并结合LSTM（long short-term memory）和CNN（convolutional neural network）的人体行为识别算法LC-YOLO（LSTM and CNN based on YOLO）。方法 利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果 在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96.6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论 提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。     

2009年移动互联网用户行为调研数据分析

为了掌握移动互联网用户的属性特征和行为特征,更好地为产业链各方提供参考,艾瑞咨询于2009年6月7月联合新浪、搜狐、空中网、网易、动感网、凤凰网等15家主流手机网站共同发起中国移动互联网用户行为调研活动,并形成了《2009年中国移动互联网用户行为调研报告》。以下是部分调研结果展示：     

基于改进DenseNet的驾驶行为识别

为提高道路交通安全,解决司机分心驾驶问题,对基于卷积神经网络的驾驶员行为识别模型进行了改进。首先对基于DenseNet的驾驶行为识别模型进行研究,在其基础上引入注意力机制对其进行改进;将注意力机制模块化后设计了三种改进模型;最后将实验结果进行对比分析,确定性能较优的改进模型为SE-PRE模型。实验结果显示,提出的改进模型在相关数据集上达到了94.21%的准确率,上述模型能够准确且高效的识别驾驶行为,为后续的车辆智能化研究奠定了基础。     

结合Attention-ConvLSTM的双流卷积行为识别

针对传统方法在通过视频数据进行人体行为识别的过程中,无法准确分析长时间范围的运动信息,不能很好地利用运动信息中的局部特征和其空间关系.提出将基于注意力机制的卷积长短时记忆神经网络(Attention-ConvLSTM)与传统的双流卷积进行结合,实现了对视频数据中运动信息的非线性特征更好的学习,对局部显著特征及其空间关系...     

基于优化卷积神经网络结构的人体行为识别

为了提高卷积神经网络对非线性特征以及复杂图像隐含的抽象特征提取能力,提出优化卷积神经网络结构的人体行为识别方法.通过优化卷积神经网络模型,构建嵌套Maxout多层感知器层的网络结构,增强卷积神经网络的卷积层对前景目标特征提取能力.通过嵌套Maxout多层感知器层网络结构可以线性地组合特征图并选择最有效特征信息,获取的特...     

人体运动视频关键帧优化及行为识别

在行为识别过程中,提取视频关键帧可以有效减少视频索引的数据量,从而提高 动作识别的准确性和实时性。为提高关键帧的代表性,提出一种关键帧序列优化方法,并在此 基础上进行行为识别。首先根据3D 人体骨架特征利用K-均值聚类算法提取人体运动视频序列 中的关键帧,然后根据关键帧所在序列中的位置进行二次优化以提取最优关键帧,解决了传统 方法中关键帧序列冗余等问题。最后根据最优关键帧利用卷积神经网络(CNN)分类器对行为视 频进行识别。在Florence3D-Action 数据库上的实验结果表明,该方法具有较高的识别率,并且 与传统方法相比大幅度缩短了识别时间。     

移动计算容错行为研究

移动计算作为新兴技术正在迅速发展。与有线固定环境相比,移动环境中的无线网络连接更加脆弱,移动主机可靠性差,由此在移动计算环境中引入实现错误恢复的机制显得尤为重要。文章详细分析了移动计算的环境及其特点,介绍基于检查点和日志的容错技术,基于移动Agent的容错技术,并作了相关的比较。     

移动互联网创新研究

移动互联网的创新具有三重属性:移动互联网是互联网逐步发展中的技术创新,其更接近于真正意义上的互联网;移动互联网是一种基础的创新工具或手段,为现有的社会生产和生活方式提供应用创新;移动互联网是一种新的社会网络,可以积极地改善社会知识结构,从而促进社会创新。从未来角度看,第三重属性是移动互联网最重要的创新所在,应该得到更多的研究关注和政策支持。     

移动用户行为分析的数据预处理算法应用研究

通过重点分析自动子空间聚类算法（CLIQUE）及其改进算法,文章提出基于一维改进的CLIQUE算法的移动用户通话行为分析的数据预处理模型,并结合具体案例,进行了实证研究。     

基于压缩感知的移动用户行为识别方法

为了提高移动用户行为识别的准确率,提出一种基于压缩感知的行为识别方法,其可对原始加速度数据或压缩后的加速度数据进行行为识别。依据压缩感知理论中可以由冗余字典重构数据的原理,将原始三轴加速度数据作为训练样本构造冗余字典,基于该字典求解最小l1范数得到待识别样本的稀疏系数,根据稀疏系数计算并选取最小残差值对应的行为作为识别结果。实验结果表明,该方法识别移动用户行为的准确率可达82.64%,高于传统方法的识别准确率,且对随机投影压缩后的行为数据也具有良好的识别效果。     

移动互联环境下基于改进Markov融合模型的用户行为预测算法

在移动互联环境下,依据用户行为规律对业务兴趣相似用户进行分群,可为业务准确推荐和资源有效配置提供有力支撑。因此,提出一种基于改进模糊聚类理论的用户分群算法。首先,分别定义业务兴趣相似度和业务顺序相似度,进而建立用户综合相似度指标。其次,构建基于用户综合相似度的模糊聚类模型,进而采用网格划分方法确定初始群组中心并依据平均用户隶属度调整用户群组个数,从而实现快速准确的用户分群。仿真结果验证了该算法的有效性。     

基于多重几何特征和CNN的脱机手写算式识别

针对中小学数学课堂中具有复杂二维空间结构的手写算式, 提出了一种基于多重几何特征和卷积神经网络(CNN)的脱机手写算式识别的解决方案. 首先, 基于CNN分类算法, 对图像预处理后的单个手写字符进行识别; 然后, 利用几何特征, 如宽高比、质心坐标、质心偏移角度、中心偏移量、水平重叠区间比等, 识别具有复杂空间结构的小数、分数、指数、根式等常见手写算式, 并采用分治算法完成由以上算式组合嵌套的复合算式识别; 最后, 设计并实现脱机手写算式识别系统. 实验结果表明: 在满足一定光照条件下, 该方案对不同分辨率、含噪声图像的手写算式识别率可达90.43%, 具有一定的应用价值.     

基于可信计算的移动终端用户认证方案

摘要针对移动终端（ME）的特性,提出了结合USIM（Universal Subscriber Identity Module）和TPM（可信平台模块）的可信移动平台（TMP）,并以智能手机主流处理器为基础,讨论了TMP的设计案例以及TPM在ME中的三种构建方法．在提出的TMP框架内,利用RSA-KEM（密钥封装）机制和Hash函数,设计了口令、指纹和USIM相结合的用户域认证方案,实现了用户和ME、用户和USIM间的相互认证,强化了用户域的安全,并可满足TMP标准草案中安全等级3对用户认证的要求．该方案在不要求使用者与ME预先协商信任关系的前提下,既可区分攻击者和合法用户,又可辨别ME的主人和普通使用者,并能在认证过程中及早发现攻击行为,避免不必要的计算花销．定量及定性分析表明,该方案的离线和在线两种工作模式在三种不同的TPM架构下的安全性、通用性和执行效率均优于TMP标准中引用的方案,且获得了比Lee等众方法更高的安全性和通用性．     

增强可分离卷积通道特征的表情识别研究

针对目前人脸表情识别准确率不高、网络模型参数复杂等问题,提出一种增强可分离卷积通道特征的人脸表情识别研究方法。设计了一种轻量型卷积神经网络结构提取表情特征,在卷积层中采用深度可分离卷积减少网络参数;引入了压缩激发模块,对不同通道的特征进行权重分配,在不同的卷积层采用不同的压缩率来增强网络对人脸表情的特征提取能力;将提取到的特征送入分类器实现人脸表情分类,在CK+和FER2013数据集上进行实验并分析。实验结果表明：与现有方法相比,提出的网络结构在CK+和FER2013数据集上,识别率分别提高了0.15个百分点和3.29个百分点,且网络模型参数量降低了75%。所提方法在降低网络参数的同时,提高了表情识别准确率。     

基于DCNN的证件照人脸验证及应用研究

在不同证件审核场景中,由于存在年龄跨度、装扮及样本缺乏等因素的影响,使得现有方法难以适应不同证件照下的人脸识别,无法满足实际应用要求。为解决上述问题,提出一种基于深度卷积神经网络的不同证件照识别方法。该方法对VGG网络做出适应于不同证件照识别的改进,实现端到端的自主学习人脸特征,消除年龄跨度、装扮等因素的影响,并且可将训练参数减少为原网络结构的〖SX(〗1〖〗6〖SX)〗,使得在保证识别精度的同时,模型训练时间大幅减小。实验结果表明,该方法在高校毕业审核场景下的自建数据集和CAS-PEAL-R1公开数据集上训练后,验证准确率和召回率较原始方法分别提高了6.29个百分点和7个百分点,能够满足多种应用场景下的不同证件审核需求。