基于自适应深度稀疏网络的在线跟踪算法

视觉跟踪中,高效鲁棒的特征表达是解决复杂环境下跟踪漂移问题的关键。该文针对深层网络预训练复杂费时及单网络跟踪易漂移的问题,在粒子滤波框架下,提出一种基于自适应深度稀疏网络的在线跟踪算法。该算法利用ReLU激活函数,针对不同类型目标构建了一种具有自适应选择性的深度稀疏网络结构,仅通过有限标签样本的在线训练,就可得到鲁棒的跟踪网络。实验数据表明：与当前主流的跟踪算法相比,该算法的平均跟踪成功率和精度均为最好,且与同样基于深度学习的DLT算法相比分别提高了20.64%和17.72%。在光照变化、相似背景等复杂环境下,该算法表现出了良好的鲁棒性,能够有效地解决跟踪漂移问题。     

基于深度学习的隐蔽性有害信息特征研究

针对互联网上的有害信息不断通过各种方式将核心内容隐蔽,从而逃避识别和检索的问题,文章以研究隐蔽性有害信息的特征为目的,以多家互联网公司的原始数据为基础,基于深度学习的经典BERT算法模型设计了一种方案,分三个阶段实现海量隐蔽性有害信息的智能文本分类,得到隐蔽性有害信息的三类特征的定量表征,为研究隐蔽性有害信息提供参考。     

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。     

基于平移不变性稀疏编码的滚动轴承故障诊断

滚动轴承在工业领域中扮演着重要的角色,为了预防故障发生,文章引入了平移不变性稀疏编码作为一种特征提取技术用于滚动轴承故障诊断,利用平移不变性稀疏编码对振动信号进行分析,采用分类器用于测试所提取的稀疏特征。实验表明,该方案达到了较高的分类精度,是针对滚动轴承故障诊断的一种有效的特征提取方法。     

基于深度学习和压缩感知的图像重构算法研究

利用深度展开的方法来设计深度神经网络在如今成为了一种经典的优化方法。文章提出了一种新的基于深度学习和压缩感知的重构算法用于序列信号重构。该模型设计理念是通过用近端梯度下降方法来对模型做迭代展开。在MNIST数据集上的实验表明,该模型表现要优于一些先进的基于压缩感知的模型以及其他基于循环神经网络的模型。     

基于脉间特征深度学习的雷达辐射源识别

多功能雷达在复杂程序调度下,发射信号参数呈现取值范围宽、捷变速度快、变化随机性强等特点,非合作接收方难以对其建立有效的信号模型,给电子侦察系统的雷达辐射源识别带来严峻挑战。本文提出一种基于深度学习的复杂体制雷达辐射源识别方法,利用大样本全脉冲数据形成脉间参数变化的图像特征表示,从宏观上揭示雷达辐射源隐含的波形设计机理,并设计了基于AlexNet网络的图像特征深度学习网络开展辐射源识别,实测数据实验表明了本文的方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能,为多功能雷达辐射源智能个体识别提供了新的解决思路。     

一种基于显著性深度特征的视觉场景识别方法

视觉场景识别是自主导航平台和定位模块中一项基本且极具挑战性的任务。现有的视觉场景识别方法通常对视觉外观变化表现敏感且计算开销大,文章提出了一种无需训练的基于显著性深度特征的视觉场景识别框架。首先,基于预训练的CNN模型对图像提取特征,然后运用聚类等无监督方法和特征剪枝筛选筛选出显著性区域,显著性区域的选取可以显著降低计...     

基于深度玻尔兹曼机的文本特征提取研究

鉴于深度学习模型在进行知识推理相关研究时提取抽象概念的优势,在目前对文本特征提取性能较好的浅层结构RSM的基础上构建以RSM为特征抽取器的深度玻尔兹曼机模型.通过新模型的能量函数和网络连接关系,对模型组成单元的后验概率进行推导,并结合新的交叉熵稀疏惩罚因子,给出模型的详细学习算法.经20-newgroups文档集上测试证明,经过交叉熵稀疏惩罚因子影响后的新模型提取出的特征在对文本表征上性能较好,相比于浅层模型RSM,其分类准确度更高,概念更加抽象,在处理大规模文本分析上具有良好的可行性.     

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.     

基于深度学习的海上舰船目标多源特征融合识别

针对海上舰船雷达辐射源特征和高分辨率距离像独立使用难以有效进行目标识别的问题,提出多种基于深度学习的多源特征融合目标识别方法.通过构造深度序贯融合模型、深度分支融合模型、深度卷积融合模型和深度循环融合模型四种框架,实现舰船目标的多辐射源特征与高分辨率距离像深度特征的自动提取与融合识别,完成目标分类.利用不同长度、不同类...     

YUV空间中基于稀疏自动编码器的无监督特征学习

现有无监督特征学习算法通常在RGB色彩空间进行特征提取,而图像和视频压缩编码标准则广泛采用YUV色彩空间。为了利用人类视觉特性和避免色彩空间转换所消耗的计算量,该文提出一种基于稀疏自动编码器在YUV色彩空间进行无监督特征学习的方法。首先在YUV空间随机采集图像子块并进行白化处理,然后利用稀疏自动编码器进行无监督局部特征学习。在预处理阶段,针对YUV空间亮度和色度通道相互独立的特性,提出一种将亮度和色度进行分离的白化措施。最后用学习到的局部特征在大尺寸图像上进行卷积操作从而获得全局特征,并送入图像分类系统进行性能测试。实验结果表明：只要对亮度分量进行适当的白化处理,在YUV空间中的无监督特征学习就能够获得相当于甚至优于RGB空间的彩色图像分类性能。     

基于深度学习的机械臂视觉抓取系统

针对机械臂视觉抓取过程中目标识别错误率高、识别实时性差、抓取成功率低的问题,对机械臂手眼标定以及基于深度学习的目标检测与位姿估计算法展开了研究,采用Kinect V2深度相机作为机械臂视觉感知工具、UR 5e机械臂作为实验主体,采用PVN3D为主要深度学习算法对物体进行目标检测和位姿估计的总体方案完成机械臂抓取.通过对...     

基于深度学习模式的刀具切削状态监测研究

随着制造业的不断发展,刀具在切削加工中发挥着越来越重要的作用,刀具监控技术的应用也越来越受关注。文中回顾和总结了国内外刀具监控技术的研究现状,并展望了其未来的发展方向。文中分别介绍了刀具监控技术的背景和意义,在深度学习下的研究现状、研究内容和其实现的可能,并指出了基于深度学习模式的刀具切削状态监测技术将是未来重要的发展方向之一。最后,文中分析了研究结果及存在的不足,同时展望了刀具监控技术的应用前景。     

基于深度学习的监控图像信息目标检测系统设计

由于传统的监控图像目标检测系统的监测通用性受限,导致其监控较高较差,文章基于深度学习设计新的监控图像信息目标检测系统。该系统硬件部分包括数字信号处理器、CDD图像采集器和TMSDM642储存器,软件部分首先采集监控图像目标检测信息,其次基于深度学习构建了监控图像训练框架,最后设计系统的功能模块,实现了监控图像信息目标检测。通过系统测试表明,文章设计的监控图像信息目标检测系统的检测速度较快,证明该系统的性能良好,有一定的应用价值。     

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。