双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。     

基于卷积神经网络的人脸图像特征提取

为了提高对人脸的自动识别和检测能力,提出了一种基于卷积神经网络的人脸特征提取技术。采用连续模板匹配技术进行人脸边缘轮廓的检测,采用Harris角点检测方法进行人脸的关键特征点定位,在人脸的分块区域内进行人脸的肤色特征分析和外包矩形轮廓区域特征提取,结合肤色特征对图像中人脸特征点进行图像重构和精确定位,对提取的人脸特征点采用卷积神经网络进行分类,实现对人脸图像特征的优化提取。仿真结果表明,采用该方法进行人脸特征提取的准确性较高,具有较好的特征匹配能力。     

一种识别表情序列的卷积神经网络

传统的人脸表情识别方法需要人为指定特征训练方向,卷积神经网络方法虽然可以自动训练分类特征,但是存在无法识别表情序列的弊端．针对此问题,运用一种多网络融合技术,使构建的网络能够对表情序列进行识别．网络构建方法为:首先构建多个卷积神经网络,使每个网络处理一帧图片;然后将处理结果在融合层进行融合;最后通过一个分类器输出识别结果．在CK+人脸表情数据库上,分别对3帧、4帧和5帧表情序列进行实验,均获得了较高的识别率．     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.     

人脸表情识别综述

人类面部表情在安全驾驶、智能监护、人机交互领域都有着广泛应用。随着机器学习的兴起和发展,表情识别也逐渐从传统方法向深度学习过渡。简要地概述了表情识别的研究意义、技术、常见的表情数据库、研究方法,提出了表情识别目前存在的不足并对未来研究方向作出了展望。     

基于CNN卷积神经网络的煤矸石自动分选研究

采用山西省的焦煤和肥煤作为研究对象,针对目前利用煤矸石灰度信息作为判断二者依据的局限性问题,提出了一种基于CNN卷积神经网络的煤矸石自动分选系统.该系统利用构建的卷积神经网络通过对煤块和矸石图像纹理特征的多层次提取进行结果分类输出.测试结果表明,该方法不受样本数据色差的影响,可以成功的识别检测出煤块和矸石,准确率达到92%.     

基于小波卷积神经网络的活体人脸检测算法

人脸识别技术已日趋商业化,但易于被伪造人脸攻击,现有人脸活体检测算法存在泛化性能不高、网络模型结构复杂、预测结果依赖于数据的规模等问题。因此,提出一种基于小波卷积神经网络的活体人脸检测算法。算法网络结构整体简单,在NUAA和CASIA-FASD数据集上均取得了较好的分类精度,HTER分别达到了2.1%和8.3%的效果。     

基于深度卷积神经网络的跨年龄人脸识别

提出了一种应用于跨年龄人脸识别的联合学习方法,该方法由深度卷积神经网络构建而成,能在特征学习的同时学习到最优的测度函数,从而避免不合适的固定阈值所带来的匹配错误.针对有限的内存、过拟合和计算复杂性高的问题,在模型训练过程中采用了多种新颖和有效的训练策略.实验证实了该联合学习方法的有效性,在公开数据库MORPH-II上的识别正确率达到了93.6％.     

基于扩展卷积神经网络与度量学习的指静脉识别

针对在传统卷积神经网络(Convolutional neural networks,ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法.该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(T...     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.     

基于代数特征和几何特征的快速指纹识别

对仅基于指纹几何特征的匹配方法进行取长补短,提出新的基于指纹代数特征和几何特征的分阶段匹配方法.实验证明该方法在保证较高识别率的同时,匹配时间缩短了47.5%.该算法有望发展成为一种实用、有效的指纹识别技术.     

基于几何特征信息融合的SAR图像目标识别

几何特征是进行合成孔径雷达图像目标识别的重要依据,根据检测后的高分辨率合成孔径雷达目标图像,分析并且提取其典型几何特征,然后依据所得到的结果进行特征级的融合识别。首先运用二次距离法构造分量识别器,然后采用绝对多数投票法进行集成,最后结合专家系统分析得到基于目标典型几何特征的识别结果。经数据实验验证,该方法具有良好的可靠性和准确性。     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

基于稀疏滤波神经网络的智能调制识别

针对传统调制识别中特征提取依赖人工经验的问题,该文提出了一种基于抗噪预处理及稀疏滤波卷积神经网络的智能通信调制识别算法。该算法将调制信号的循环谱作为卷积神经网络的输入图像,并引入低秩表示算法去除循环谱图中的噪声及干扰。在有监督训练卷积神经网络之前,该文设计了一种新型的稀疏滤波准则对网络进行无监督的逐层预训练,从而提升了泛化性能。仿真表明算法在信噪比为0 dB时仍可达94.2%的识别准确率,优于传统方法及相关深度学习方法。     

基于循环神经网络的目标转弯机动类型识别

对战斗机等空中目标机动类型进行识别是掌握其战术意图的重要依据。为了更好地识别对方战机的机动类型,提升作战能力,本文主要研究空中高速运动目标（如战斗机）的机动类型识别,针对传统的机动类型识别算法的识别准确率不高的问题,将循环神经网络运用在机动类型的识别上,利用Bi-LSTM、LSTM、RNN和GRU循环神经网络识别转弯机动类型。实验结果表明,循环神经网络能够高效识别目标的转弯机动类型,Bi-LSTM的识别准确率达到了98.85%。     

基于神经网络的汉语孤立词语音识别

研究了基于神经网络的中文孤立词语音识别技术;将时间规整算法与神经网络相结合,组成一个混合级联神经网络语音识别系统. 在这个模型中,第一级是时间规整神经网络. 其作用是完成时间规整功能,从输入不等长的语音信号特征矢量序列中提取固定长度的特征矢量;然后将这组特征矢量馈入后一级BP网络完成语音识别. 利用该方法对小词表汉语孤立词进行语音识别实验,获得了98.25%的正确识别率. 实验结果表明,该系统不仅利用神经网络解决了语音识别中的时间规整难题,而且识别性能明显得到改善,识别率和训练速度均优于采用线性时间规整的神经网络语音识别方法.     

基于BP神经网络的船舶焊缝缺陷图像识别

提出了一种基于BP神经网络的船舶焊缝缺陷图像识别的方法,通过对船舶焊缝图像进行预处理,提取出有用的目标缺陷,再进行缺陷特征参数计算,将特征参数和焊缝缺陷类型分别作为输入层和输出层,利用BP算法设计3层结构的神经网络,对样本进行训练和识别。实验结果表明,BP神经网络能较准确地识别出船舶焊缝缺陷。     

基于多视图循环神经网络的三维物体识别

对于三维物体的识别任务,基于多视图卷积神经网络的方法(MVCNN)在准确性和训练速度等方面都优于基于三维数据表示的方法。但MVCNN依赖于三维模型,且采用了固定视角的视图,不符合实际的应用场景;此外,其视图特征融合采用了最大值池化操作,会损失部分原始特征信息。针对这一问题,该文提出了一种基于多视图循环神经网络(MVRNN)的三维物体识别方法,从3个方面对MVCNN进行改进。首先,在交叉熵损失函数中引入特征辨识度指标,以提高不同物体特征之间的辨识度;其次,使用循环神经网络代替MVCNN的最大值池化操作来融合多个自由视觉视图特征,得到一个更加紧凑且物体外观信息完备的融合特征;最后,利用二分类网络对自由视角单视图特征和融合特征进行匹配,实现三维物体的细粒度识别。为了验证MVRNN的性能,分别在公开数据集ModelNet和自建数据集MV3D上进行对比实验。实验结果表明,与MVCNN相比,MVRNN提取的多视图特征具有更高的辨识度,在两个数据集上的识别准确率均较有明显提升。     

基于CNN的车牌数字字符识别算法

针对传统车牌识别算法识别率低、鲁棒性差等问题,提出一种基于卷积神经网络结构车牌数字字符识别算法.在卷积神经网络的基础上用ReLU激活函数代替传统的Sigmoid激活函数,引入卷积步长等操作,不仅加速网络的收敛,而且降低了网络参数的数量.实验结果表明:与传统特征提取算法相比,该算法识别率最高,达到95.2%,识别率波动范围小,鲁棒性强.