基于传播意图特征的虚假新闻检测方法综述

虚假新闻的传播会对个人、社会和国家产生巨大的负面影响,因此虚假新闻的检测始终都是研究的热点问题。虚假新闻检测实质上是一种信息分类问题,旨在验证由文本,图像和视频等多媒体信息构成的新闻的真实性。本文对虚假新闻检测问题和当前的主流方法展开了比较系统的研究,并揭示了虚假新闻的一个本质,即与报道真实事件的真实新闻不同,假新闻通常是有意为之,有特定的传播意图如误导公众等。基于这一特性,本文首先将虚假新闻的传播意图大致分为三类,并根据对应的相关特征对当前的研究方法作了分析,旨在能让读者从一个全新的角度理解虚假新闻检测领域。本文还介绍了虚假新闻检测的问题定义、基本范式、常用数据集和指标,并给出了该领域的未来的一些发展方向。      

基于多模态深度学习的信号调制识别

信号调制识别技术在民用和军事领域都有重要应用。当前信息化战场中,由于各类雷达、通信、导航、电子战武器等信息辐射源的数量愈来愈多,调制形式也日益多样化,信号密度愈来愈大,战争电磁环境日趋复杂化,传统的信号调制识别技术已无法适应。因此,提出基于深度学习的AlexNet网络和复数神经网络,同时采用多模态特征融合和模型融合技术,融合信号统计图域和信号I/Q波形域的多模态信息,实现信号调制识别。仿真结果表明,所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。     

基于深度学习的多模态融合图像识别研究

基于深度学习的方法,利用多模态信息融合技术,将汽车等目标的声音、图像信息融合,用于对测试目标的判断.利用改进Inception网络对图像识别技术展开研究,分别比较了单纯图像信息情况的辨识、单纯声音信息情况的辨识,以及多模态融合情况下的辨识.通过试验分析和比较,证明该方法可以有效提高用户的图像识别能力,将特种车辆的平均识...     

基于多模态深度学习的流量分类识别方法

针对流量分类效果与实际情况存在偏差的问题,首先将多模态深度学习运用在流量分类中,通过利用多模态之间的互补性,剔除模态间的冗余,从而学习到更好的流量数据特征表示.然后,提出了一种基于多模态流量数据的检测和分类方法,对同一流量单位的不同模态输入分别采用卷积神经网络(Convolutional Neural Networks...     

基于深度强化学习的财务异常数据检测系统设计

针对医疗财务系统中数据规模庞大,而传统的数据检测手段难以发现其中细微异常数据的问题,设计了一套智能化的异常数据检测系统.该系统通过对异常数据的模式分析,并基于差异分析与全局分析的融合检测原理,实现了在海量数据中对细微异常数据的精确检测.在该检测系统的总体框架下,采用Wolpertinger架构,分别设计了作动网络、K近...     

基于深度学习的动车组击打变形智能检测方法

为了保证动车组的安全运行,需要在动车组运行时进行实时在线故障监测,以便及时、准确地对故障进行检修。目前采用的是当前图像和历史图像进行对比的方法,实现列车运行状况的检测及自动预警。由于设备在不同时间所采集的图像不完全一致,所以基于该方法在识别过程中会出现误报率较高的情况,并给人工看图徒增大量的时间。文章以击打变形类的故障作为研究对象,基于改进的RetinaNet算法进行故障检测。使用CondenseNet网络替换原主干网络ResNet,极大地减小了模型计算量,整体损失也有所下降。采用Swish函数作为特征的非线性激活,在准确率上有0.7%的提升。使用多尺度特征融合对不同大小目标进行检测,试验结果表明,算法改进后有效提升了网络性能,识别率可达94.3%。     

一种基于深度学习的异常检测方法

针对异常检测系统检测率低,特征提取困难等问题,提出了一种基于深度特征学习的异常检测方法。该方法通过构建具有多隐层的深度神经网络模型,学习数据的特征表达,充分刻画数据的丰富内在信息,从而提高异常检测的准确率。文章实验结果表明,采用该方法可以有效地学习到数据的本质特征,并显著提高异常检测方法的检测率。     

基于深度学习的单步目标检测器特征增强算法

针对基于深度学习的目标检测网络模型多采用级联的卷积网络结构进行特征提取,没有很好地利用多尺度特征融合的信息,以及卷积往往采用方形卷积核而没有提取出具备方向性的特征等问题,提出了一种特征提取模块,采用不同大小形状的卷积核结合异性卷积核并行提取特征,并进行融合。该类结构相比于级联网络更能提取并融合目标的多尺度特征,同时提取具有方向性的特征。提出的特征增强型单步目标检测器(Feature Enhanced Single Shot Detector,FESSD)网络基于单步目标检测器(Single Shot Detector,SSD),修改了网络结构、加入特征提取模块并采用多层特征融合,在VOC0712数据集上大大提高了检测准确率。     

基于深度学习的太阳能电池板缺陷检测模型设计

太阳能电池板是光伏发电的核心部件,表面质量关系着其使用寿命和发电效率。针对目前太阳能电池板缺陷检测方法存在着检测效率低、周期长、检测缺陷单一等问题,文章设计了一种基于深度学习的太阳能电池板缺陷检测模型SSNBDL,其基本思想是,在Segnet网络框架基础上,使用空洞卷积替代其中的池化层,使得在增大感受野的同时还保留了图像的边缘信息,基于该模型对太阳能电池板缺陷进行检测,明显提高了检测的准确率。     

基于深度学习的车道线激光精准检测方法研究

车道线检测是智能辅助驾驶的核心问题,研究基于深度学习的车道线激光精准检测方法,提高车道线检测精度。将激光雷达安装在待检车辆上,用来扫描物体返回脉冲,通过激光雷达的回波脉冲宽度提取车道线与路面区分度的特征,结合深度学习方法,构建新型多尺度全卷积神经网络的车道线检测模型,融合特征图对车道线分割,实现车道线精准检测。实验结果表明,在多场景条件下,本方法的漏检率、误检率均低于传统方法,平均检测合格率96%,交互比也远远高于传统方法,平均耗时低至51 ms,且变化态势平稳,说明本方法在不同场景中车道线图像分割处理效果较好,车道线的检测效率较高,车道线检测的精度较高。     

基于深度学习的场景文本检测算法研究

针对自然场景中任意形状文本图像因文本行难以区分导致的信息丢失问题,提出了 一种基于深度学习的场景文本检测算法。首先构建特征提取模块,使用Resnet50作为骨干 网络,在增加跨层连接的金字塔网络结构中引入并联的空洞卷积模块,以提取更多语义信息; 其次,对得到的特征图进行多尺度特征融合,学习不同尺度的特征;最后预测出不同内核大 小的文本实例,并通过尺度扩展逐渐扩大文本行区域,直到得到最终的检测结果。实验结果 表明,该方法在SCUT-CTW1500弯曲文本数据集上的准确率、召回率及F1值分别达到88.5%、 77.0%和81.3%,相比其他基于分割的算法,该算 法对弯曲文本的检测效果良好,具有一定的 应用价值。     

基于深度学习的危险驾驶状态检测预警系统设计

危险驾驶检测系统主要作用于驾驶员在长时间驾驶过程中,因驾驶疲劳或分心造成注意力不集中能及时作出警示。文章比对目前国内外危险驾驶的检测方法,介绍了危险驾驶状态检测预警系统的设计流程及功能模块,并对系统中判断危险驾驶行为涉及的方法及关键技术作出分析,通过深度学习中人脸检测等相关算法模型以及多技术配合研究,更快速、更准确地实现驾驶员危险驾驶状态的检测和预警,有效降低交通事故发生概率。     

基于二次决策的深度学习入侵检测模型

针对深度神经网络用于入侵检测方法时存在训练过程中由于数据不平衡和特征冗余两大问题而导致的低检测率和高误报率,提出一种基于二次决策的深度学习模型(TDDL).该模型由深度堆栈自动编码器(DSAE)和神经网络结合,包括二个阶段特征学习,其中第一阶段使用DSAE对特征压缩并加入区分异常数据的概率值特征,第二阶段使用神经网络(NN)接收第一阶段的特征并训练,从而降低特征冗余和平衡对正常数据的偏向,以提高检测效果.经KDDCUP99数据集进行实验测试,仿真实验结果表明,该模型能有效提升深度神经网络在入侵检测数据上特征学习的效果,使其具有更高的准确率的同时,还具有较低的误报率.     

基于深度学习的僵尸网络检测技术研究

入侵检测系统通过分析网络流量来学习正常和异常行为,并能够检测到未知的攻击。一个入侵检测系统的性能高度依赖于特征的设计,而针对不同入侵的特征设计则是一个很复杂的问题。因此,提出了一种基于深度学习检测僵尸网络的系统。该系统利用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)分别学习网络流量的空间特征和时序特征,而特征学习的整个过程由深度神经网络自动完成,不依赖于人工设计特征。实验结果表明,该系统在僵尸网络检测方面具有良好的表现。     

基于深度学习的船舶数据向量模型研究

近年来,航运信息化建设进程加速发展,然而由于各单位在船舶信息管理上的不统一,导致收集到的数据存在大量的相似重复数据。如果直接使用这部分数据进行数据分析,会对最终结果造成严重影响。为了解决对重复数据的检测问题,文章基于深度学习,融合FastText向量模型、BERT模型以及LDA模型,搭建多语义融合模型,对船舶数据进行向量构建,使得生成的向量包含信息更全面,提升重复检测准确率,提高船舶数据清洗效率。     

基于多模态数据的车辆行人检测

针对图像作为数据源在车辆行人检测任务中无法确定车辆行人空间位置、预测框不准确的问题,提出一种基于多模态数据的车辆行人检测方法.对点云预处理后获得的点云图像投影;通过卷积神经网络检测图像中的车辆行人;利用该方法提出的匹配公式和基于MLP的多模态联合评价方法,对点云和图像处理结果进行融合,实验结果表明,该方法可以获得准确的...     

基于深度学习的环境声音识别

作为一种感知周围环境十分有效的方法,环境声音识别(Environment Sound Recognition,ESR)被广泛地应用在机器人导航、移动机器人、音频检索、音频取证以及其它基于情景感知、可穿戴的应用中.目前,较为简单的分类器已经大规模应用在ESR问题中,但却不能很好地反映和识别环境声音,而深度神经网络作为一种高性能、多层的神经网络,为更好地描述原始数据特征和解决模式识别问题提供了更有效的途径.为此,本文将深度神经网络应用在环境声音识别问题中,并对音频特征进行特征融合,通过训练深度信念网络(Deep Belief Network,DBN)进行环境场景的识别.实验结果表明,基于特征融合的方法的识别性能相较于分别采用音频特征的方法识别在性能上有明显提升,且将深度学习应用在ESR问题中具有明显的优势.     

基于深度学习的酒标分割研究

红酒图像中的酒标区域含有重要的红酒品类信息,而对酒标区域的定位与分割可以有效去除背景区域对图像匹配算法的干扰。传统图像分割算法大多基于局部图像特征和人工设计规则,对噪声较为敏感,并且难以应对大规模数据的处理。针对传统算法的不足,本文首先构造了一个大规模酒标分割数据集,然后提出了一种基于深度学习的酒标分割方法。我们构造了一个基于残差网络的语义分割模型,并且在模型中加入跨层连接,实现低层特征和高层特征的有效融合,使得分割的边缘细节更加清晰和准确。另外,我们采用了带孔卷积金字塔池化结构整合多尺度信息,在增大模型感受野的同时使得模型适应不同尺度的酒标区域。在我们构造的酒标数据集上的实验结果表明,本文提出的酒标分割网络能够进行实时的酒标图像分割,并且达到了相当高的分割准确率。      

基于深度学习的松材线虫病检测方法

松材线虫病的检测是我国林业有害生物防治工作的重点,利用深度学习方法进行松材线虫病检测是目前最为高效和精确的一种病树检测方法.文章提出了一种基于目标检测算法的的病树检测方法,通过k-means算法聚类分析数据集,生成更为合适的anchor,并加入自适应阈值调整机制进一步提高识别精度.实验证明了提出的方法是可行、有效的.