基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测

针对癫痫脑电信号的检测问题,提出一种基于可调Q因子小波变换和迁移学习的癫痫脑电信号检测方法。首先,对EEG信号进行可调Q因子小波变换,并选择能量差异较大的子带进行部分重构,重排重构信号,将其表示为二维彩色图像数据;其次,通过对现有的癫痫发作自动检测算法和深度可分离卷积网络Xception模型的分析,使用ImageNet数据集分类的预训练模型参数进行网络参数初始化,得到深度可分离卷积网络Xception的预训练模型;最后,利用迁移学习方法将Xception模型的预训练结果迁移至癫痫发作自动检测任务。所提方法在BONN癫痫数据集上的准确度达到99.37%,敏感度达到100%,特异度达到98.48%,证明了该模型在癫痫发作自动检测任务上具有良好的泛化能力。与传统检测方法和其他深度学习方法相比,所提自动检测方法达到了较高的准确率,避免了人工设计和提取特征的过程,具有较好的应用价值。     

基于DCGAN的手写汉字图像生成研究

使用计算机生成图像是当前计算机视觉中图像识别研究常用的一种数据增强方法。设计一种基于深度卷积生成对抗网络（DCGAN）的手写汉字图像生成模型。通过消除传统网络中的全连接层,使用批量归一化和反卷积运算来创建深度卷积和反卷积网络结构,并将它们作为生成对抗网络中的判别模型和生成模型来实现对手写汉字图像的生成。实验表明,本设计具有较好的手写体汉字图像的生成效果。     

基于DCGAN的图像生产平台的设计与实现

在人工智能领域中,常采用带标签的判别式模型,即人工识别的方式创造数据集。但是,自制数据集往往存在图像数据不均衡等问题。数据增强能制作优量的数据集,是很好的解决办法。传统的数据增强通过对原始图像裁剪、放大、缩小、旋转等操作实现,会导致样本特征缺乏多样性。而深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)的出现为数据增强提供了新的方向。因此,文章基于DCGAN设计了一个图像生成平台,只需用户提供少量的图像样本,就可以获得优量的数据样本。     

基于残差模块和自注意力机制GAN的脑电信号增广方法

针对脑电信号（EEG）数据量过少的问题,提出一种基于残差模块（ResBlock）和自注意力（Self-Attention）机制的生成对抗网络（GAN）,记为RBSAGAN。该模型首先对ResBlock进行改进,设计了Up ResBlock和Down ResBlock网络用于提取信号中不同尺度感受野的特征并对数据维度进行扩大和缩小;然后根据Self-Attention机制设计1D Self-Attention网络挖掘EEG中各离散时刻之间的时间相关性;最后通过生成器和判别器的对抗训练生成逼真的信号。该模型在公开的BCI Competition IV dataset 2a数据集进行了大量实验,结果表明,RBSAGAN具有生成接近于真实脑电信号样本的能力,并且将分类器1D卷积网络（CNN）的平均识别率提升至96.04%,可以为EEG数据增广任务提供参考。     

数据不平衡下基于DCGAN和AMCNN的滑动轴承故障诊断方法

目前,针对轴承的故障诊断领域研究中,传统的诊断方法往往过度依赖于信号处理的方式,并且模型的泛化能力较差,而深度学习的方法又面临数据不平衡等问题。因此,提出了一种基于深度卷积生成式对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）和注意力机制卷积神经网络（Attention Module Convolutional Neural Network,AMCNN）的轴承诊断方法。首先对信号进行连续小波变换转换为时频图,然后将数据集输入进DCGAN进行对抗训练,生成于原数据分布类似的新样本,解决数据不平衡问题。最后将新数据集输入AMCNN进行学习和分类诊断。实验结果表明,基于该方法的诊断模型较其他算法模型更优,且拥有较快的收敛速度和泛化能力。     

基于协方差信息和1D CNN的脑电癫痫检测研究

癫痫是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。临床上主要由专业的神经科医生通过对患者的脑电图(Electroencephalogram,EEG)信号的人工分析来检测癫痫疾病,这种方法耗时长、效率低,且对神经科医生专业技术水平要求极高。及时并准确地检测癫痫对于使用抗癫痫药物治疗起到至关重要的作用,因此设计癫痫自动检测方法的意义重大。提出了一种结合协方差信息和深度学习的方法：计算EEG的协方差矩阵,并将结果展开成向量,保留EEG信号的可分信息,再使用1维卷积神经网络(1D Convolutional Neural Networks,1D CNN）检测癫痫发作。使用CHB-MIT数据集进行两种实验,即癫痫发作间期vs癫痫发作前期和癫痫发作间期vs癫痫发作前期vs癫痫发作期,以验证该方法的可行性。其中,癫痫发作间期vs癫痫发作前期实验的准确率、灵敏度、精密度、特异度和F1-分数的平均值分别为99.36%、98.81%、99.59%、99.16%和99.19%;癫痫发作间期vs癫痫发作前期vs癫痫发作期实验的平均准确率可以达到98.98%。因此证明该方法可以应用于癫痫检测...     

基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。     

结合DCGAN与LSTM的阿兹海默症分类算法

针对传统的阿兹海默症（AD）分类3D模型参数过多以及2D模型缺乏连续性特征的问题,提出了一种结合2D卷积神经网络与长短时记忆网络的脑部核磁共振成像（MRI）图像分类算法。利用深度卷积生成对抗网络（DCGAN）,卷积层能够在无标签的情况下自动提取到图像特征。首先以无监督的方式训练卷积神经网络;然后将MRI图像序列转换为特征序列,再输入到长短时记忆网络进行训练;最后结合特征序列与LSTM的隐藏状态进行分类。实验结果显示,相比3D模型,该算法有着更少的参数,对于NC与AD的分类达到了93.93%的准确率,对于NC与MCI的分类达到了86.27%的准确率。     

基于同步压缩小波变换的检测锚杆参数方法

时频的聚集性是评判信号分析方法效果的主要因素,传统的分析方法已经不能满足时频聚集性要求,因而提出一种高分辨率的分析方法-同步压缩小波变换(Synchrosqueezing Wavelet Transform, SWT)。该方法在频率方向上把小波系数重新挤压和排列,不仅提升时频的分辨率,而且还能实现信号重构。将此方法应用于分析锚杆质量检测数据,与传统的EEMD方法对比表明,SWT能够较为准确地描述信号的频率构成且重构的信号有较好的降噪效果。     

基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。     

对抗型半监督光伏面板故障检测

目的 传统的光伏面板故障检测主要依靠人工巡检,效率低下且误检率很高,而流行的基于机器视觉的智能检测方法又面临缺少大量负样例造成故障检测模型准确性偏低的问题。针对上述问题,本文提出一种基于对抗训练的半监督异常检测模型,通过应用梯度中心化（gradient centralization,GC）和Smooth L1损失函数,使模型具有更好的准确性和鲁棒性。方法 通过构建半监督异常检测模型并定义目标函数,将正常的光伏面板图像作为正样例原图输入半监督异常检测模型进行模型训练。然后将待测光伏面板图像输入到训练好的半监督异常检测模型,生成该待测图像对应的重建图像。最后通过计算待测原图像与其重建图像隐空间向量之间的误差来判断该待测光伏面板是否存在异常。结果 本文以浙江某光伏电站采集的光伏面板为实验对象,将本文方法与Pre-trained VGG16（Visual Geometry Group 16-layer network）、AnoGAN （anomaly generative adversarial network）、GANomaly等方法进行比较,AUC （area under curve）分别提高了0.12、0.052和0.033。结论 实验结果证明,本文提出的基于生成对抗网络的半监督异常检测模型大幅提高了光伏面板故障检测的准确率。     

深度学习在图像隐写术与隐写分析领域中的研究进展

隐写术与隐写分析是信息安全领域的热门研究方向,近年来得到了广泛的研究与快速的发展。随着深度学习新技术的兴起,深度学习也被引入到隐写术与隐写分析领域,并在方法和性能上取得了一系列突破性的研究成果。为推进基于深度学习的隐写术与隐写分析的研究,本文对目前的主要方法和代表性工作进行了归纳与探讨。对于图像隐写术与隐写分析这两个领域,本文分别各自比较了传统方法和与相关深度学习方法的异同,详细介绍了目前主要的基于深度学习的图像隐写术与隐写分析的基本原理和方法,最后讨论了基于深度学习的图像隐写术与隐写分析仍需要解决的问题及未来的研究趋势。     

用于轴承故障诊断的两步迁移学习法

由于轴承故障数据存在数据量少和分布不均衡的问题,将迁移学习引入故障诊断领域,同时由于轴承故障数据的分布与源数据集分布差异巨大,直接采用迁移学习的方法会产生负迁移效应,即由于源数据集与目标数据集间分布差异过大而导致无法学习到源数据集的知识,提出一种对迁移学习进行改进的诊断新方法:即两步迁移学习法,使用DCGAN来制作辅助...     

图像超分辨率深度学习研究及应用进展

图像超分辨率重建是用低分辨率图像重建出对应的高分辨率图像的过程。目前,图像超分辨率技术已经成功应用于计算机视觉和图像处理领域。近年来,由于深度学习具有能够从大量数据中自动学习特征的能力,因此被广泛应用于图像超分辨率领域中。介绍了图像超分辨重建的背景,详细总结了用于图像超分辨率的深度学习模型,阐述了图像超分辨率技术在卫星遥感图像、医学影像、视频监控、工业检测任务方面的应用。总结了图像超分辨算法的当前研究现状以及未来发展方向。     

基于对抗生成网络的中国山水画自动生成模型

中国山水画是以山川自然景观为主要描写对象的画,它是中国画的重要画科。当前深度学习模型在图像分类、对象识别、图像风格转换和图像生成等领域都取得了巨大的成功。提出一个基于深度对抗生成网络的中国山水画自动生成模型,以网络上公开的中国山水画图像为训练集,设计适当深度的网络和损失函数,通过生成器和判别器的对抗训练,得到图像生成器。通过与真实的山水画进行比较,本模型能够生成具有接近中国山水画风格的图像。     

深度学习的单幅图像超分辨率重建方法综述

图像超分辨率重建即使用特定算法将同一场景中的低分辨率模糊图像恢复成高分辨率图像.近年来,随着深度学习的蓬勃发展,该技术在很多领域都得到了广泛的应用,在图像超分辨率重建领域中基于深度学习的方法被研究的越来越多.为了掌握当前基于深度学习的图像超分辨率重建算法的发展状况和研究趋势,对目前图像超分辨率的流行算法进行综述.主要从...     

基于深度学习的面部修复技术综述

传统图像修复算法在修复区域涉及复杂非重复结构(如面部)时,不能准确捕捉到高级语义。近三年来基于深度学习的方法被应用于图像修复中,其修复结果的结构相似性较传统方法提高了10%以上。首先阐述了面部修复技术的研究发展历程,主要介绍了基于深度学习的面部修复算法,将其分为无监督和有监督两大类方法,在每一类中重点对近年来涌现的各种面部修复算法进行分析和总结;然后归纳了当前主流的六类图像数据集,以及算法性能评价指标;最后讨论了面部修复技术的未来研究方向。     

深度学习图像修复方法综述

目的 图像修复是计算机视觉领域研究的一项重要内容,其目的是根据图像中已知内容来自动地恢复丢失的内容,在图像编辑、影视特技制作、虚拟现实及数字文化遗产保护等领域都具有广泛的应用价值。而近年来,随着深度学习在学术界和工业界的广泛研究,其在图像语义提取、特征表示、图像生成等方面的应用优势日益突出,使得基于深度学习的图像修复方法的研究成为了国内外一个研究热点,得到了越来越多的关注。为了使更多研究者对基于深度学习的图像修复理论及其发展进行探索,本文对该领域研究现状进行综述。方法 首先对基于深度学习图像修复方法提出的理论依据进行分析;然后对其中涉及的关键技术进行研究;总结了近年来基于深度学习的主要图像修复方法,并依据修复网络的结构对现有方法进行了分类,即分为基于卷积自编码网络结构的图像修复方法、基于生成式对抗网络结构的图像修复方法和基于循环神经网络结构的图像修复方法。结果 在基于深度学习的图像修复方法中,深度学习网络的设计和训练过程中的损失函数的选择是其重要的内容,各类方法各有优缺点和其适用范围,如何提高修复结果语义的合理性、结构及细节的正确性,一直是研究者们努力的方向,基于此目的,本文通过实验分析总结了各类方法的主要特点、存在的问题、对训练样本的要求、主要应用领域及参考代码。结论 基于深度学习图像修复领域的研究已经取得了一些显著进展,但目前深度学习在图像修复中的应用仍处于起步阶段,主要研究的内容也仅仅是利用待修复图像本身的图像内容信息,因此基于深度学习的图像修复仍是一个极具挑战的课题。如何设计具有普适性的修复网络,提高修复结果的准确性,还需要更加深入的研究。     

多判别器协同框架:高品质图像的谱归一生成对抗网络

通过生成对抗网络的对抗学习生成仿真图像,已成为人工智能领域的一个研究热点.为了进一步提高生成图像的质量,本文提出了多判别器协同合作的网络框架——采用多个判别器为唯一生成器提供联合损失量,并通过不同的学习率保持各个判别器的差异性.同时,为了满足判别器的Lipschitz连续条件,本文所有的判别器网络一律进行谱归一化操作.实验表明,本文提出的基于多判别器合作框架的生成对抗网络表现较优.