基于深度学习和度量学习的行人再识别

跨摄像机行人因光照、视角、姿态的差异,会使其外观变化显著,给行人再识别的研究带来严峻挑战。文中提出基于深度学习和度量学习的行人再识别方法。首先采用手工特征和深度特征融合网络FFN提取行人图像特征,然后将核矩阵应用于KISSME距离度量学习中,获取更优的距离度量模型。在具有挑战的VIPeR和PRID450S两个公开数据集上进行仿真实验,实验结果表明所提出的行人再识别算法的有效性。     

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。     

基于VGG-NET的行人重识别

首先采用卷积神经网络中的ALEX-NET和VGG-NET网络在Market-1501数据集上对行人特征进行提取,然后将提取出的行人特征进行相似性度量,通过计算行人准确率mAP值来实现最优匹配。实验证明,VGGNET模型较ALEX-NET模型的特征提取效果好,行人重识别的准确率高。     

基于注意力机制和深度学习模型的外来海洋生物命名实体识别

为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题,提出基于融合注意力机制的卷积神经网络(CNN)-双向门控循环单元网络(BiGRU)-条件随机场(CRF)网络模型进行外来海洋生物命名实体识别,并构造词向量、词性特征向量等特征作为网络模型的联合输入,以提升网络模型识别效果。结果表明:使用融合多特征向量的CNN-BiGRU-CRF网络模型对外来海洋生物名称实体、时间实体、地名实体3类实体上的命名实体识别结果平均准确率达到了90.62%,平均召回率达到了89.50%,平均F1值达到了90.05%,较传统命名实体识别方法均有较大提高。研究表明,本研究中提出的网络模型可以充分提取文本特征,解决了文本的长距离依赖问题,对外来海洋生物领域的命名实体识别具有较好的识别效果。     

基于卷积神经网络的混凝土裂缝识别

针对基于图像处理和边缘检测的混凝土裂缝识别方法易受外部环境干扰,且在图像处理过程中会产生大量噪声,从而导致识别效果不佳的问题,提出一种基于卷积神经网络的裂缝识别方法。通过与当前主流卷积神经网络模型进行对比研究以及对真实的混凝土裂缝图像的识别验证,结果表明,文中所建立的CrackNet模型能够有效识别混凝土图像中的裂缝目标,具有高效性和强鲁棒性。     

基于残差网络的混凝土结构病害分类识别研究

针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分; 然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练; 最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果; 采用迁移学习技术可从开源数据中获取较好的特征提取效果; 改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果; 相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。     

基于模式识别的结构健康监测异常数据诊断

实际结构监测中不可避免出现异常数据，干扰结构的安全评估并引起误判。针对实际监测中多类型异常数据检测效率低和检测结果不准确的问题，提出一种基于特征提取和模式识别神经网络(PRNN)的多类型异常数据识别方法。针对不同类型异常数据的特点建立特征指标集合，通过特征提取将冗长原始样本转化为简短特征向量，显著提高了数据处理和异常检测的效率；进一步引入极坐标化AUCs曲线对多种异常的识别效果进行精确描述，提高了特征指标选取和网络参数调节的优化效率。建立武汉长江航运中心(335 m)健康监测系统，采用该超高层建筑的监测数据对所提方法的精度和效率予以验征。结果表明，基于特征提取和PRNN的多类型异常数据识别方法对6种数据异常的识别准确率达到99.7%,且运算时长仅为深度学习方法的数十分之一。     

基于深度卷积网络的糖尿病并发症分类

本文针对现有糖尿病并发症分类研究以统计为主,缺乏有效数学模型的问题,提出了基于深度卷积神经网络的糖尿病并发症分类模型。首先进行数据预处理,将糖尿病数据进行降维和向量化;其次采用深度卷积神经网络对并发症进行分类,并与SVM、决策树、BP神经网络等经典方法进行了对比。实验结果表明,本文提出的基于深度卷积网络的糖尿病并发症分类模型准确性高于其它模型,能够为糖尿病并发症提供有效地辅助诊断。     

基于视觉注意机制深度强化学习的行人检测方法

结合视觉注意机制,并用深度强化学习训练视点选择模型,模拟人类视觉搜索局部关键部位,提出了新的行人检测方法,通过视点选择模型生成聚焦图像,不断地叠加搜索关键区域,由检测网络对关键区域进行行人判别,并通过信息熵度量检测结果的可信度,作为奖赏通过深度强化学习优化视点选择模型。视点选择模型和检测网络协同迭代训练,使该方法具有很强的局部关键区域选择和判别能力,减少了形变和遮挡的影响。与经典的基于部位的行人检测方法在公开的行人检测数据集进行对比实验,结果表明,所提出的行人检测方法可以有效地提高行人检测精度。     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。