Optimization of optical convolution kernel of optoelectronic hybrid convolution neural network

To enhance the optical computation''s utilization efficiency, we develop an optimization method for optical convolution kernel in the optoelectronic hybrid convolution neural network (OHCNN). To comply with the actual calculation process, the convolution kernel is expanded from single-channel to two-channel, containing positive and negative weights. The Fashion-MNIST dataset is used to test the network architecture''s accuracy, and the accuracy is improved by 7.5% with the optimized optical convolution kernel. The energy efficiency ratio (EER) of two-channel network is 46.7% higher than that of the single-channel network, and it is 2.53 times of that of traditional electronic products.     

Deep face liveness detection based on nonlinear diffusion using convolution neural network

A face-spoofing attack occurs when an imposter manipulates a face recognition and verification system to gain access as a legitimate user by presenting a 2D printed image or recorded video to the face sensor. This paper presents an efficient and non-intrusive method to counter face-spoofing attacks that uses a single image to detect spoofing attacks. We apply a nonlinear diffusion based on an additive operator splitting scheme. Additionally, we propose a specialized deep convolution neural network that can extract the discriminative and high-level features of the input diffused image to differentiate between a fake face and a real face. Our proposed method is both efficient and convenient compared with the previously implemented state-of-the-art methods described in the literature review. We achieved the highest reported accuracy of 99% on the widely used NUAA dataset. In addition, we tested our method on the Replay Attack dataset which consists of 1200 short videos of both real access and spoofing attacks. An extensive experimental analysis was conducted that demonstrated better results when compared to previous static algorithms results. However, this result can be improved by applying a sparse autoencoder learning algorithm to obtain a more distinguishable diffused image.     

基于卷积神经网络的响应自适应跟踪

针对目标跟踪中的遮挡、旋转、快速运动、形变等问题,本文提出基于卷积神经网络的响应自适应跟踪算法。首先,通过卷积神经网络提取目标的多层卷积特征,利用粒子滤波算法获取目标的多模板响应图,自适应学习目标的期望响应;然后通过构造目标函数的对偶形式解决多模板联合优化问题,计算多模板情况下每层卷积特征的最优滤波参数;最后通过相关滤波算法计算多层滤波响应,通过响应加权融合的方式计算最终响应图,以此估计目标位置。本文利用OTB-2013数据集中的方法测试我们提出的算法,实验表明该算法的整体成功率和精确度为0.884和0.915。本文算法在距离准确度、成功率和平均跟踪误差方面均优于传统的相关滤波跟踪算法,有一定研究价值。     

Brain tumor segmentation using DE embedded OTSU method and neural network

Multidimensional Systems and Signal Processing - In the past few decades, medical imaging and soft computing have shown a symbolic growth in brain tumor segmentation. Research in medical imaging is...     

基于神经网络学习的网络防火墙拦截效能评估

为了提高对网络防火墙拦截效能智能评估能力,提出一种基于网络攻击特征大数据采样和卷积神经网络学习的网络防火墙拦截效能智能评估方法。采用攻击强度评估方法进行防火墙的拦截能力评估,结合卷积神经网络学习方法进行攻击大数据特征提取,以入侵信息拦截的概率为评价对象,结合定量递归分析方法进行网络防火墙拦截效能自适应动态评估。仿真测试结果表明,该模型能有效评估网络防火墙的拦截效能,提高对入侵信息的拦截检测能力。     

基于正则化卷积神经网络的目标跟踪算法

为了提高目标物体的跟踪鲁棒性和稳定性,文中将L2正则化最小二乘法和卷积神经网络(CNN)相互结合,提出了一种基于正则化卷积神经网络的目标跟踪算法。通过L2跟踪器来评估目标无题被遮挡的程度,利用两层CNN对目标进行目标表示,去除了大部分无关样本,降低了算法的复杂度。实验结果表明,当目标物体发生姿态变化或旋转等剧烈的外观变化时,所提算法具有较强的鲁棒性和稳定性,并且比其他经典的跟踪算法具有更高的精度。     

Modulation recognition method based on multi-inputs convolution neural network

In order to identify the main modulation modes adopted in current satellite communication systems,a signal modulation recognition algorithm based on multi-inputs convolution neural network was proposed.With the prior information of the signals and knowledge of the network topological structure,the time-domain signal waveforms were converted into eye diagrams and vector diagrams to represent the shallow features of the signals.Meanwhile,the modulation recognition model based on multi-inputs convolution neural network was designed.Through the training of the network,the shallow features were deeply extracted and mapped.Finally,the signal modulation recognition task was completed.The simulation results show that compared with the traditional algorithms and deep learning algorithms,the proposed method has a better anti-noise performance,and the overall recognition rate of this algorithm can reach 95% when the signal-to-noise ratio is 5 dB.     

基于卷积神经网络的空中红外飞机检测

在传统的空中目标检测算法中,需要进行人工设计特征来满足不同天空背景下的目标检测需求,对未来防空作战体系要求的自动化和智能化提出了挑战。为此本文在防空武器成像系统应用背景下,参照PASCAL VOC2007数据集格式建立了空中红外飞机数据集,将基于卷积神经网络的Faster R-CNN算法与R-FCN算法应用到空中红外飞机检测问题中,其次在Caffe框架平台下利用Faster R-CNN+VGG16/ResNet-101模型、R-FCN+ResNet-101模型,分别对自建数据集中测试集进行了检测。实验结果表明,在应对远距离弱小目标、云层遮挡、对比度低、目标截断等较难检测情况时,Faster R-CNN和R-FCN算法均能够有效地检测出空中红外飞机。本文良好的检测效果为解决空中红外飞机检测问题提供了更加简洁的思路。     

应用深层卷积神经网络的交通标志识别

在实际交通环境中,由于运动模糊、背景干扰、天气条件以及拍摄视角等因素,所采集的交通标志的图像质量往往不高,这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况,提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型,直接将采集的交通标志图像经二值化后作为输入,通过卷积和池采样的多层处理,来模拟人脑感知视觉信号的层次结构,自动地提取交通标志图像的特征,最后再利用一个全连接的网络实现交通标志的识别。实验结果表明,该方法利用卷积神经网络的深度学习能力,自动地提取交通标志的特征,避免了传统的人工特征提取,有效地提高了交通标志识别的效率,具有良好的泛化能力和适应范围。     

基于GA-BP神经网络的柴油机噪声品质评价方法

在柴油机运转中存在有比汽油机更大的噪声与振动,当其强度达到一定程度时,会给环境造成严重的危害.基于对柴油机噪声品质预测的目的,采用(GA-BP)算法建立了一种预测模型.其中的BP算法是一种基于梯度下降原理在局部中寻优的算法,由于人对柴油机噪声的主观评价是个非线性的过程,BP算法可以解决非线性可分问题,所以可以在柴油机噪声品质主观评价中应用.但是BP算法的过程收敛速度慢,很有可能陷入局部极小值.而遗传算法(GA)具有全局寻优的优点.文中通过将二者结合起来.由GA寻找最优的BP神经网络权值与相应节点的阀值,可以有效防止搜索过程收敛于局部最优解.通过仿真结果得出:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,并且预测精度高,为柴油机噪声主观评价提供了一种新思路.     

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究

为了更好地治疗宫颈癌,准确确定患者的宫颈类型是至关重要的。因此,用于检测和划分宫颈类型的自动化方法在该领域中具有重要的医学应用。虽然深度卷积神经网络和传统的机器学习方法在宫颈病变图像分类方面已经取得了良好的效果,但它们无法充分利用图像和图像标签的某些关键特征之间的长期依赖关系。为了解决这个问题,文章引入了胶囊网络(CapsNet),将CNN和CapsNet结合起来,以提出CNN-CapsNet框架,该框架可以加深对图像内容的理解,学习图像的结构化特征,并开展医学图像分析中大数据的端到端训练。特别是,文章应用迁移学习方法将在ImageNet数据集上预先训练的权重参数传输到CNN部分,并采用自定义损失函数,以便网络能够更快地训练和收敛,并具有更准确的权重参数。实验结果表明,与ResNet和InceptionV3等其他CNN模型相比,文章提出的网络模型在宫颈病变图像分类方面更加准确、有效。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

基于多尺度卷积神经网络模型的手势图像识别

为了解决目前利用CNN算法进行手势识别的精度不高的问题,提出一种新的算法。首先对识别的手势图片进行二值化处理,滤除手势的背景,凸显手势在图像中的权重,背景对手势识别影响降低。其次,在经典卷积神经网络模型AlexNet的基础上,提出一种多尺度卷积核的改进卷积神经网络模型。改进卷积神经网络模型采取两种卷积核进行手势特征提取,利用多尺度卷积核和双通道进行特征融合,然后利用在不同角度,不同旋转下拍摄的手势图像数据集对改进模型进行实验验证。研究结果表明,提出的算法模型在不同的角度和不同的旋转情况下对手势图像具有较高的识别率,算法的鲁棒性、识别率方面有了明显的提高。     

基于深度时空卷积神经网络的点目标检测

由于点目标可用信息少,点目标检测技术是红外搜索与跟踪系统(IRST)中的挑战性难点.基于人工提取特征的传统目标检测,智能化水平低,对点目标检测的难度大.针对此问题,提出一种新的基于深度时空卷积神经网络的点目标检测方法.该方法采用全卷积架构,输入输出尺度相同,可用于处理任意尺度图像.为了提高实时性,卷积分解技术被引入3D...     

Classification of multifrequency polarimetric SAR imagery using adynamic learning neural network

A practical method for extracting microwave backscatter for terrain-cover classification is presented. The test data are multifrequency (P, L, C bands) polarimetric SAR data acquired by JPL over an agricultural area called “Flevoland”. The terrain covers include forest, water, bare soil, grass, and eight other types of crops. The radar response of crop types to frequency and polarization states were analyzed for classification based on three configurations: 1) multifrequency and single-polarization images; 2) single-frequency and multipolarization images; and 3) multifrequency and multipolarization images. A recently developed dynamic learning neural network was adopted as the classifier. Results show that using partial information, P-band multipolarization images and multiband hh polarization images have better classification accuracy, while with a full configuration, namely, multiband and multipolarization, gives the best discrimination capability. The overall accuracy using the proposed method can be as high as 95% with a total of thirteen cover types classified. Further reduction of the data volume by means of correlation analysis was conducted to single out the minimum data channels required. It was found that this method efficiently reduces the data volume while retaining highly acceptable classification accuracy     

基于深度卷积神经网络的极化雷达目标识别

针对宽带多极化雷达,提出将高分辨一维距离像(high resolution range profile,HRRP)与极化信息相结合的算法,获得目标在4种极化组态下的一维距离像并将其组成极化距离矩阵.该算法对目标进行全方位的特征抽取与建模,以适应不同的姿态,有助于减少高分辨一维距离像方位敏感性带来的影响.然后提出了直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,并将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习.该方法不仅结合了不同的特征提取方式以对极化距离矩阵进行更全面的特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了深层学习,仿真结果验证了该方法的有效性.     

基于人工神经网络的图书馆服务质量评价研究

以环境、馆藏资源、服务方式和硬件设备等9个影响图书馆服务质量的参数作为评价指标,采用BP神经网络的相关理论方法,以问卷调查结果作为分析数据的基础,对江西省内的20所图书馆的服务质量进行了评价研究。仿真结果表明,采用构建的神经网络可以快速而准确地对图书馆服务质量进行评价。     

证据理论和神经网络的教学质量评估模型

为了获得更优的教学质量评估结果,提高教学效果,利用证据理论处理不确定性问题的优点,提出证据理论和神经网络的教学质量评估模型。利用非线性拟合能力的神经网络对教学质量进行评估,构建证据体,通过证据理论对教学质量最终评估结果进行决策,采用Matlab仿真工具箱进行有效性测试。测试结果表明,该模型克服了传统模型评估结果的不确定性,提高了教学质量的评估精度,评估结果对提高教学质量具有一定的实际意义。     

改进神经网络的大学物理实验教学质量评价

针对当前大学物理实验教学质量评价模型存在的局限性,提出改进神经网络大学物理实验教学质量评价模型。对当前大学物理实验教学质量评价研究现状进行分析和探讨,并根据相关研究建立大学物理实验教学质量评价指标体系;采用BP神经网络建立大学物理实验教学质量评价模型,并针对BP神经网络参数优化问题进行改进;最后通过大学物理实验教学质量评价实验对模型的可行性进行测试。结果表明,改进神经网络提高了大学物理实验教学质量的评价精度,评价结果更加科学、可靠,具有广泛的应用前景。