基于深度自编码网络的运动目标检测

针对从动态背景中提取前景效果较差的问题,提出了一种基于深度自编码网络的运动目标检测方法。首先,用一个三层的深度自编码网络从视频图像中提取不包含运动目标的背景图像,将背景图像作为变量构造了深度自编码网络的代价函数;然后,构造了一个分离函数得到了输入图像的背景图像,再用另一个三层的深度自编码网络学习提取出的背景图像;为了使深度自编码网络的学习能够在线地提取运动目标,还提出了一种在线学习算法,通过寻找对代价函数敏感度较低的权重进行合并,从而能够对更多的视频图像进行处理。实验结果表明,所提方法在从动态背景中提取出前景运动目标上相比Lu等的前景检测的工作(LU C, SHI J, JIA J. Online robust dictionary learning. Proceeding of the 2013 IEEE Conference on Computer Vision and Pattern Recognition, Piscataway: IEEE Press, 2013:415-422)检测的准确率提高了6%,并且误报率降低了4.5%。在实际的应用中,能够获得更好的前景背景分离效果,为视频分析等方面的研究奠定更好的基础。     

基于深度自编码多维特征融合的慢动目标检测

针对强杂波环境下慢动目标检测存在的多普勒频移低、杂波干扰强、特征提取困难等问题,提出一种多维特征融合的检测算法。利用时频变换和脉冲压缩解析回波信息,提取目标回波时频域和距离像的特征,将特征串联输入到深度自编码网络中进行融合。深度自编码网络通过自主学习提取目标不同维度的特征,增强多维特征联合检测性能。仿真结果表明,与直接利用单域特征的深度自编码以及利用SVM进行目标检测的算法相比,该算法能有效融合时频域与距离像特征,实现特征互补,提高目标检测的鲁棒性与识别精度。     

基于深度卷积自编码网络的图像融合

针对现有融合方法所用的多尺度变换模型均使用的通过手工设计的固定框架具有很强的人为先验性,提出了一种基于深度卷积自编码网络的图像融合方法。首先,通过构建一种深度卷积自编码网络来学习图像的有效分解与表示;然后,在该网络框架下通过设计基于红外图像显著性的融合规则进行图像融合。仿真实验表明,提出的算法在主观和客观评价上均具有明显优势。     

基于深度自编码网络的异质人脸识别

针对异质人脸识别中对不同模态数据间关系建模的问题,提出一种基于深度自编码网络的异质人脸特征提取和识别方法。首先用一个深度降噪自编码网络从两类异质人脸图像中提取人脸的高阶特征,并通过类别监督信号产生的目标函数来对网络进行微调,最后利用最近邻分类器对已提取特征分类,完成异质图像间的匹配。在CUHK、AR、CASIA HFB、SVHN与MNIST数据集上的实验结果表明,与目前基于子空间学习的异质人脸识别方法相比,该方法取得了更高的识别率,并且在基于异质图像的数字识别上表现出一定优势。     

深度卷积自编码图像聚类算法

针对现有深度卷积嵌入聚类算法(deep convolutional embedded clustering,DCEC)的网络特征损失过大,对复杂图像没有提取有效特征的问题,提出一个具有17层网络结构的无监督深度聚类框架,并在编码层加入下采样层,减少参数和防止过拟合;在解码层加入上采样层还原下采样造成的细节损失。分别结合DEC(deep embedded clustering)算法的损失函数和IDEC(improved deep embedded clustering)算法的采用局部结构保留优势的损失函数,得到两种基于卷积自编码的深度学习图像聚类算法DEC_DCNN(deep embedded clustering based on deep convolutional neural network)和IDEC_DCNN(improved deep embedded clustering based on deep convolutional neural network),并使用自适应矩估计(adaptive moment estimation,Adam)和小批量随机梯度下降(mini-batch stochastic gradient decent,mini-batch SGD)两种优化方法调整模型参数。3个经典图像数据集的实验结果显示,提出的17层网络结构对图像特征具有很好的鲁棒性和通用性,基于该网络结构的深度聚类算法取得了远优于现有深度聚类算法的结果,其聚类准确率均优于对比算法;对深度聚类算法DEC_DCNN和IDEC_DCNN的聚类结果准确率、指标值AMI(adjusted mutual information)和ARI(adjusted rand index)进行比较,IDEC_DCNN比DEC_DCNN的聚类性能更好,说明IDEC_DCNN算法的性能更优越。     

基于深度自编码网络的软件缺陷预测方法

软件缺陷预测是提升软件质量的有效方法,而软件缺陷预测方法的预测效果与数据集自身的特点有着密切的相关性。针对软件缺陷预测中数据集特征信息冗余、维度过大的问题,结合深度学习对数据特征强大的学习能力,提出了一种基于深度自编码网络的软件缺陷预测方法。该方法首先使用一种基于无监督学习的采样方法对6个开源项目数据集进行采样,解决了数据集中类不平衡问题;然后训练出一个深度自编码网络模型。该模型能对数据集进行特征降维,模型的最后使用了三种分类器进行连接,该模型使用降维后的训练集训练分类器,最后用测试集进行预测。实验结果表明,该方法在维数较大、特征信息冗余的数据集上的预测性能要优于基准的软件缺陷预测模型和基于现有的特征提取方法的软件缺陷预测模型,并且适用于不同分类算法。     

基于深度自编码网络的慢速移动目标检测

强杂波背景下的慢速目标检测存在低多普勒频移、杂波干扰严重、鲁棒性不足、特征提取困难与信息利用不充分等问题。为此,提出一种基于深度自编码网络的宽带信号目标检测方法。利用时频变换解析回波信息,通过深度自编码网络算法,在时频域提取针对目标的深度抽象信息进行目标检测,以准确感知环境变化。仿真结果表明,与支持向量机、超限学习机和后向传播神经网络等传统机器学习相比,该方法可以有效感知环境变化,具有较高的鲁棒性和检测性能。     

一种基于改进深度自编码网络的水声目标识别方法

特征提取是实现目标识别的关键,而在海洋环境中,复杂的环境噪声使得海洋目标的特征提取异常困难。针对复杂海洋噪声下特征提取难的问题,提出一种基于改进深度自编码网络的特征提取方法对目标辐射噪声进行特征提取和识别。该方法通过深度自编码模型逐层学习提取数据中的抽象特征,但是针对海洋数据的样本数量少,呈现一定的随机性,随着模型网络层数加深,会出现梯度消失问题,为了解决该问题,在最后一层隐藏层的输入值中加入第一层的特征值,使得对整个网络的优化过程在两条通道中同时进行,有效地避免了单一通道中由于连乘导致的梯度消失问题。实验结果表明,与传统方法相比,所提算法能够有效地对舰船辐射噪声进行特征提取和分类,并具有良好的鲁棒性。     

应用深度自编码网络的网络安全态势评估

针对BP神经网络类方法对标签数据的依赖性缺陷;提出了一种基于深度自动编码网络的态势评估方法。模型应用深度自动编码器作为基本单元构建深度自编码网络;结合专家经验和层次化评估的方法训练深度自编码网络。利用无标签数据采用无监督逐层算法对网络进行预训练;确定网络各层参数及权值的范围空间。在此基础上;采用有监督算法使用有标签样本对网络进行微调;对各层参数及权值进行优化;最终形成具有对输入态势数据进行准确评估能力的模型。多种样本数量条件下的对比实验表明;相对于BP神经网络类方法;基于深度自动编码网络模型受标签的影响较小;明显减少了对专家经验的依赖;并且具有整体上较高的评估精度。     

基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5sim4Hz)、theta波(5sim8Hz)、alpha波(7sim14Hz)和beta波(14sim30Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.     

针对毫米波雷达人员目标稀疏点云的聚类算法

毫米波雷达室内人员目标检测存在点云稀疏且有零散噪声点的问题,传统基于密度聚类算法受参数影响不能适应多变的目标点云数据,无法实现精准聚类。对此进行研究提出了一种针对人员目标稀疏点云的聚类算法。建立平均局部密度信息熵和邻域半径（Eps）的关系;利用DBSCAN算法识别零散噪声点并去除;利用每个点的局部密度和相对距离的乘积得到聚类中心权值,并画出降序图;在降序图中引入自适应指数衰减函数曲线,从而自动获得聚类中心,并完成聚类。通过实验验证,并与CFSFDP算法和DBSCAN算法进行对比,结果表明,提出的算法具有较高的ARI、AMI、NMI、FMI值,获得较好的聚类效果,适用于毫米波雷达室内检测场景。     

基于深度学习的大规模三维点云处理综述

随着三维视觉的快速发展, 基于深度学习的大规模三维点云实时处理成为研究热点. 以三维空间分布无序的大规模三维点云为背景, 综合分析介绍并对比深度学习实时处理三维视觉问题的最新进展, 对点云分割、形状分类、目标检测等方面算法优势与不足进行详细分析, 给出详细的性能分析与优劣对比, 并对点云常用数据集进行简要介绍, 并给出不同数据集的算法性能对比. 最后, 指出未来在基于深度学习方法处理三维点云问题上的研究方向.     

基于直方图聚类的网络流量异常检测技术研究

基于流量特征的异常检测技术主要是通过网络流量特征属性分布规律映射网络异常行为。为提高检测准确率,降低误报率,文章提出了基于流量特征直方图聚类的异常检测和分类的技术。通过直方图的方法详细描述网段流量特征的时空信息,然后聚类分析各种属性特征的正常模型,最后根据待测流量特征属性与正常模型之间的距离所组成的向量来衡量异常。基于DARPA99数据集的实验表明,该算法具有较高的异常检测和分类准确性。     

应用遗传模糊聚类实现点云数据区域分割

为了准确地实现点云数据的区域分割,将基于遗传算法的模糊聚类算法应用于逆向工程中的点云数据区域分割中。首先估算出法矢量、高斯曲率和平均曲率,并与坐标一起组成八维特征向量,用加权距离代替欧氏距离,然后通过遗传算法获得全局最优解的近似解;最后将近似解作为模糊聚类的初始解进行迭代,实现点云数据的区域分割,从而避免传统FCM算法的局部性和对初始解的敏感性,减少了迭代次数。以汽车钣金件为例,证明了应用遗传模糊聚类实现点云数据区域分割的有效性,并验证了该方法能快速、准确地实现点云数据的区域分割。     

点云模型的谱聚类分割

为了实现点云模型的有意义分割,提出一种基于谱聚类的分割算法.首先用图G表示点云模型,将分割问题转化为图切割问题;然后根据归一化的非对称Laplacian矩阵构造谱聚类空间;最后通过移除掉多余的特征向量,在一个更低维的空间中找到了分割问题的松弛解.文中还给出了该算法相关定理的证明,并通过实验验证了算法的正确性和有效性.     

基于无人机的道路点云数据分割提取算法

针对机载LiDAR获得道路的数据信息精确度低问题,提出基于无人机的低空扫描三维点云数据,动态拟合提取分割道路信息的算法.首先使用主成分分析法获得道路点数据的法向量,之后将高程信息和法向量信息结合,利用聚类算法获得道路的高程和法向量的范围,提取道路点云数据;其次利用多项式拟合对道路数据进行数学建模;然后通过动态多项式拟合提取出所有路面数据和路面上的资产以及行人车辆数据;最后使用区域生长算法对路面上的资产以及行人车辆数据进行分割.实验表明算法对道路上的遮挡物有很强的抗干扰能力,可以将路面提取出来并将路面上的数据分割进行分割,将本文算法与区域生长算法进行对比,本文算法对路面数据更加敏感.     

基于多空间多层次谱聚类的非监督SAR图像分割算法

提出了一种基于多层区域谱聚类的非监督SAR图像分割算法（multi-space and multi-hierarchical region based spectral clustering, MSMHSC）。该算法首先在特征与几何空间求距离, 快速获得初始过分割区域, 然后在过分割区域的谱空间上进行聚类, 最终实现非监督的SAR图像分割。该方法计算复杂度小, 无须训练样本, 使用层次化思想使其能更充分地利用SAR图像各类先验与似然信息。在MSTAR真实SAR数据集上的实验验证了该算法的快速性和有效性。     

SSA-PointNet++: 空间自注意力机制下的3D点云语义分割网络

为增强捕捉细粒度局部特征能力以进一步提高复杂场景点云语义分割精度,将自注意力机制引入PointNet++构建点云语义分割网络SSA-PointNet++.首先将采样点邻域的自注意力明确分为中心自注意力和邻域自注意力两部分,综合两者并结合不同空间编码方式增强网络模型对采样点邻域拓扑结构的学习;然后构建注意力池化模块以强化重要信息在网络的有效传递,并通过差异性池化函数整合注意力池化、最大池化提取的多个全局特征以提高点云语义分割结果的鲁棒性.对公开数据集S3DIS,Semantic3D的场景语义分割实验表明,所提网络模型数据集分割精度mIoU较基准模型提升效果显著,在室内数据集S3DIS上的mIoU较PointNet++提升达6.6%,在室外数据集Semantic3D上的mIoU高出MSDeepVoxNet约3%;与公开数据集上其他网络模型的分割结果相比,所提模型性能均有不同程度的提升,具有更强的泛化性能和良好的应用价值.     

融合可变形核和自注意力的点云分类分割边卷积网络

点云数据具有无序性和离散分布的特点, 传统动态图卷积方法在处理点云数据时仍充满挑战, 无法准确地表示三维点间的特征对应关系。为此, 提出一种融合可变形核和自注意力的点云分类分割边卷积网络DKSA-Net, 该网络由DKConv (Deformable Kernels Edge Convolution)模块和SAConv (Self-Attention Edge Convolution)模块组成。通过融合可变形核与边卷积构建DKConv模块, 能够动态学习点的特征, 生成可变形核, 不会忽略不同特征之间的对应关系, 从而更好地处理不同特征之间的对应关系。引入自注意力机制, 并与边卷积结合构建SAConv模块, 能够对特征进行更细粒度的特征提取, 充分捕捉点云的重要特征, 增强模型的判别能力。实验结果表明, DKSA-Net在ModelNet40和ShapeNet数据集上取得出色性能, 分别达到93.4%的总体精度(OA)、90.7%的平均精度(mAcc)和86.1%的平均并交比(mIoU), 且有着较低模型复杂度和较好鲁棒性, 具有优秀的点云数据处理能力。