基于迁移学习的鱼类识别方法研究

近些年水下图像资源已经引起海洋生态学家对鱼类种群研究的关注,鱼品种的识别既是海洋鱼类资源探测的第一步,也是有效开发利用海洋资源的重要基础,而自动化的鱼品种的分类识别也将提高在该领域的研究效率.利用迁移学习的强大能力和巨大优势,不需要手动计算图像特征,神经网络使用原始图像作为输入,将其运用到鱼类图像的识别方面.该文提出了...     

基于深度学习的轴承故障智能诊断方法研究

针对一些轴承传统故障诊断算法模型简易造成的诊断结果精度不高且稳定度不高的问题,进一步提高故障诊断的精度和稳定度,文章提出了基于深度学习的轴承故障智能诊断方法。首先采用小波对数据进行去噪处理;然后使用深度卷积神经网络训练数据自动学习特征,并加入Dropout正则化技术避免模型的过拟合;最后使用机器学习SKlearn库下的SVC模块搭建SVM分类器并使用Adam算法进行模型的搭建和优化。实验结果表明,文章提出的故障诊断方法平均故障诊断率达到99.7%,对工业生产中的设备故障诊断具有较大意义。     

基于DCNN特征与集成学习的车型分类算法

针对传统人工设计特征描述不充分及单分类器泛化能力弱等问题,提出一种基于深度卷积神经网络(DCNN)特征与集成学习相结合的车型分类算法。微调VGG16深度卷积神经网络模型,将全连接层Fc7输出的4096维矢量采用PCA方法降至100维,作为图像的特征表示;采用拉格朗日支持向量机(LSVM)作为基分类器,以Adaboost方法自动学习各样本及基分类器的权重实现分类器集成。基于BIT和MIO-TCD数据集的对比实验结果表明,平均分类精度分别达到84.5%与83%,优于其它传统特征与单分类器方法。     

基于深度学习的人脸妆容迁移算法

人脸妆容迁移是指将参考妆容迁移到素颜人脸上,在保持面部特征不变的同时尽可能展现参考妆容的风格的一种任务。为了进一步实现人脸妆容自动迁移技术,避免现有妆容迁移方法没有充分考虑人与人之间的五官差异而导致提取的人脸信息不足等问题,提出了一种基于深度卷积神经网络的人脸妆容迁移算法。该算法首先自动定位素颜人脸和参考妆容的五官,提取重要部位的特征信息。然后通过妆容传递网络和损失函数,经过深度卷积神经网络自主训练,最终实现了参考妆容向素颜人脸的自动迁移。仿真实验结果表明,与目前的主流算法进行对比,该算法耗时更短、运算性能更具优势,同时在不改变原图五官细节的基础上,妆容迁移效果更为自然。     

基于SVC 和SVR 约束组合的迁移学习分类算法

根据迁移学习思想,针对分类问题,以支持向量机(SVM)模型为基础提出一种新的迁移学习分类算法CCTSVM.该方法以邻域间的分类超平面为纽带实现源域对目标域的迁移学习.具体地,以支持向量分类的约束条件完成对目标域数据的学习,获取分类超平面参数,再以支持向量回归的约束条件有效利用源域数据矫正目标域超平面参数,并在上述组合约束的共同作用下实现邻域间迁移,提高分类器性能.在人工和真实数据集上的实验表明,所提出算法具有良好的迁移能力和优越的分类性能.     

基于CNN、迁移学习和SVM的水下光源识别算法

水下光源作为AUV((Autonomous Underwater Vehicle)近距离视觉定位的目标物体,其识别质量将直接影响到AUV水下近距离对接时的定位精度,为了精准地对水下检测到的光源进行识别,论文提出了一种基于卷积神经网络(Convo-lutional Neural Network,CNN)、支持向量机(Support Vector Machine,SVM)和迁移学习的定位目标光源识别方法.该方法首先将ImageNet上的数据集带入CNN进行训练得到初始的CNN模型,然后基于迁移学习的思想,将采集到的水下光源图像带入模型对参数进行调整,最后去掉模型的Softmax函数,取出处于CNN模型全连接层输出的4096维特征组成特征向量,带入SVM对目标图像进行分类,从而提取出真目标光源,剔除掉伪光源和其他水下目标.结果表明,采用该方法对于水下光源的识别具有较强的鲁棒性和缩放、平移、旋转变换不变性.     

基于深度学习算法的烈性犬检测提醒系统

近些年来烈性犬伤人事件屡有发生,通过犬类识别对烈性犬伤人事件进行提前预警成为了当下人工智能的一个研究方向。犬类识别属于深度学习细粒度图像分类的一个典型任务,相比通常的猫狗种类识别等粗颗粒图像识别存在识别率低等技术难题,本文通过人工神经网络扩充训练集、尝试多种卷积神经网络等方式提升了犬类的识别率,并采用其中一种算法成功识别出烈性犬,从而将针对烈性犬伤人事件从“事后追责”变成“提前预警”。本文中的扩充数据集采用普通卷积神经网时有效率为8.299%,采用迁移学习VCG16[1]准确率提升至81.3423%,采用ResNet准确率提升至89.6542%。     

基于深度学习的人体行为识别算法综述

人体行为识别和深度学习理论是智能视频分析领域的研究热点, 近年来得到了学术界及工程界的广泛重视, 是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础. 近年来, 被广泛关注的深度学习算法已经被成功运用于语音识别、图形识别等各个领域.深度学习理论在静态图像特征提取上取得了卓著成就, 并逐步推广至具有时间序列的视频行为识别研究中. 本文在回顾了基于时空兴趣点等传统行为识别方法的基础上, 对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析; 包括卷积神经网络(Convolution neural network, CNN)、独立子空间分析(Independent subspace analysis, ISA)、限制玻尔兹曼机(Restricted Boltzmann machine, RBM)以及递归神经网络(Recurrent neural network, RNN)及其在行为识别中的模型建立, 对模型性能、成果进展及各类方法的优缺点进行了分析和总结.     

基于深度学习的乳腺癌病理图像自动分类

乳腺癌病理图像的自动分类具有重要的临床应用价值。基于人工提取特征的分类算法,存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。为此,采用一种改进的深度卷积神经网络模型,实现了乳腺癌病理图像的自动分类;同时,利用数据增强和迁移学习方法,有效避免了深度学习模型受样本量限制时易出现的过拟合问题。实验结果表明,该方法的识别率可达到91%,且具有较好的鲁棒性和泛化性。     

基于深度学习的临床心电图分类算法

心电图反映了人体心脏健康状况,是临床诊断心血管类疾病的重要依据.随着心电图数量的快速增长,计算机辅助心电图分析的需求愈加迫切,心电图自动分类作为实现计算机辅助心电图分析不可或缺的技术手段,具有重要的医学价值.由于心电信号非常微弱、抗干扰性差,传统心电图分类算法存在测试集上效果好,实际临床应用效果欠佳的问题.为此,本文研...     

基于改进流形学习的数据分类算法

针对高维数据分类问题的特点,提出一种基于改进型局部线性嵌入LLE(Locally Linear Embedding)算法的数据降维算法,结合支持向量机SVM(Support Vector Machine)算法实现数据分类。首先,通过LLE算法降维后的数据集,按照数据集内的离差最小化,数据集间的离差最大化的原则,计算得到最优化邻近点个数;其次,将最优邻近点个数所得的降维数据作为最优结果,按一定比例选取训练集,输入SVM算法建立数据分类器;最后,将测试集输入训练完成的分类器中,实现最优化数据分类。选取Iris flower,Yale等多类数据集与传统算法进行对比实验,验证算法的可行性。实验结果表明:所提出的算法可以有效地完成数据分类,针对低维数据和高维数据分类问题具有较好的适用性和优越性,在人脸检测中也取得较好的结果。     

基于集成的非均衡数据分类主动学习算法

当前,处理类别非均衡数据采用的主要方法之一就是预处理,将数据均衡化之后采取传统的方法加以训练.预处理的方法主要有过取样和欠取样,然而过取样和欠取样都有自己的不足,提出拆分提升主动学习算法SBAL( Split-Boost Active Learning),该算法将大类样本集根据非均衡比例分成多个子集,子集与小类样本集合并,对其采用AdaBoost算法训练子分类器,然后集成一个总分类器,并基于QBC( Query-by-committee)主动学习算法主动选取有效样本进行训练,基本避免了由于增加样本或者减少样本所带来的不足.实验表明,提出的算法对于非均衡数据具有更高的分类精度.     

基于人工鱼群优化的直推式支持向量机分类算法

提出基于人工鱼群优化的直推式支持向量机分类算法。该算法使直推式学习思想的优势得到充分的展现,在部分UCI标准数据集和20-Newgroups文本实验数据集上的对比实验表明,该算法较经典支持向量机算法和基于蚁群算法的直推式支持向量机算法具有更高的分类性能。     

基于拉普拉斯回归主动学习的大数据流分类算法

实时数据流中标记样本所占比例较小,并且存在大量的噪声数据和冗余数据,导致数据流的实时分类准确率较低。针对这种情况,提出基于拉普拉斯回归主动学习的大数据流分类算法。为分类器设计相对支持度差异函数作为分类的决策方法,通过阈值判断当前数据流的标记样本量。设计基于约束规则的半监督主动学习算法,从无标记样本集选择信息量最丰富的样本。采用拉普拉斯正则最小二乘回归模型作为半监督学习的回归模型,迭代地扩展数据流的标记样本量。仿真结果表明,该算法有效地提高了数据流的分类准确率,并且满足实时性的需求。     

基于自适应分类的学习搜索算法

本文给出一放弃可采纳性的分类式学习搜索算法ＳＡＬＳ，它在系统初建时就能快速地获取经验知识，该算法的空间复杂度和平均时间复杂度皆为所获解路径耗费值的线性函数。将反复加深技术运用于ＳＡＬＳ而得到的搜索算法ＩＤ－ＳＡＬＳ，在保持良好的时间和空间复杂度的同时，又能保证找到的解为次优解。文中最后给出了ＩＤ－ＳＡＬＳ的两点改进。     

局部线性重构分类算法研究

局部线性重构(LLR)是局部线性嵌入算法(LLE)的一个基本步骤,其目的是用线性重构的方法来表达向量数据之间的局部邻域关系。提出一种快速的监督分类算法,它采用训练集中的向量数据重构测试数据,能够最好地重构给定测试数据的类别被判定为待求标签。与相关算法的实验比较表明,该算法在分类准确性和计算时间上均有明显的优势。     

流形学习算法在中文问题分类中的应用研究

针对中文问题分类方法中特征向量维数过高导致处理速度过慢的问题,提出一种基于局部鉴别索引和支持向量聚类的中文问题分类方法。首先利用局部鉴别索引算法对原始高维问句数据集进行降维,将其映射到一个低维空间中,然后通过支持向量聚类算法对问句进行分类。在哈工大社会计算与信息检索研究中心的中文问题集上进行实验,实验结果证明了该方法的有效性,大类准确率87.6%,小类准确率72.5%,取得了较好的效果。     

一种基于Bayesian的图像分类算法

提出了一种基于Bayesian的图像分类算法,该算法首先从原始数字图像出发,通过分析图像的特征分布特点,对图像的局部区域扫描分析,然后抽取目标图像的特征元素,得到其颜色、纹理、形状等特征,最后利用Bayesian分类器来实现图像的快速自动分类.实验结果表明,该算法能够有效提取图像的局部特征,从而快速、准确地实现图像分类.     

一种基于独立分类特征的指纹多级分类算法

为了提高基于大容量指纹库的自动指纹识别系统的检索效率,提出一种基于独立分类特征的指纹多级分类算法。依据评测指标对输入指纹图像进行质量评估,若指纹质量不合格,则提醒用户重新输入;若指纹质量合格,则分别利用指纹图像的纹型类别、奇异点间脊线数、中心区域脊线平均频率3个相互独立的分类特征实现多级分类,从而逐级减小检索空间。实验结果表明,该分类算法检索效率高、鲁棒性强,为大容量指纹库提供了一种快速有效的索引机制,具有很强的实用性。     

基于Rough集的规则学习研究

Rough Sets方法是一种处理不确定或模糊知识的重要工具,本文在对Rough Sets理论进行深入研究的基础上,提出了一种基于Rough Sets的自增量学习算法,该算法利用简化的差异矩阵和置信度,能较好地进行确定性规则和非确定性规则的学习。