基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用,以及深度学习算法的快速发展,基于深度学习的行为识别算法层出不穷.相较于传统方法,基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此,本文对近年来提出的基于深度学习的行为识别算法进行了梳理,并对由双流卷积网络和...     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于深度学习的中文命名实体识别综述

命名实体识别作为信息抽取的核心任务,能够从文本中识别出各类命名实体。近年来,深度学习技术在字词表示、特征提取等方面上的应用,使中文命名实体识别任务取得了较为丰富的研究成果。目前,基于深度学习的中文命名实体识别技术,在特征提取的深度和模型的精确度上已逐渐超过了传统的基于规则的方法、基于特征工程的有监督方法和基于无监督的方法。围绕深度学习的识别框架,将现有基于深度学习的中文命名实体识别方法分嵌入层、编码层和标签解码层三部分进行介绍,并对未来可能的研究方向进行探讨和展望。     

基于自注意力深度学习的微博实体识别研究

命名实体识别是自然语言处理的重要基础,随着神经网络的快速发展,深度学习的各种方法被应用于文本处理的各个方向。引入自注意力机制,结合深度学习方法,提出一种基于自注意力的双向长短期记忆条件随机场(SelfAtt-BiLSTM-CRF)方法来识别微博中的实体,利用自注意力机制,获取词与词之间的依赖关系,进一步提高模型的识别能力。实验表明,所提出的方法取得了较好的识别效果。     

一种基于DSmT推理的物品融合识别算法

针对目前提升深度模型分类表现方法存在的硬件性能不足、结构创新不易、训练样本有限等问题,提出一种基于DSmT(Dezert-Smarandache)推理的物品融合识别算法。对于待识别目标,应用数据融合思想将来自不同深度学习模型提供的识别信息进行融合处理。利用已有的预训练深度学习模型,根据分类识别任务进行特定的微调;针对DSmT理论中构造信度赋值困难的问题,使用深度学习网络对图像的判别输出进行证据源信度赋值;在决策级层运用DSmT组合理论对信度赋值融合处理,进而实现物品的准确识别。在不改变网络模型结构与同一数据集的情况下,将提出的方法与单一网络模型和平均值处理方法进行对比测试试验。试验结果表明,该方法可以有效地提高物品图像的识别率。     

基于深度学习的信号调制自动识别

深度学习(DL)在很多领域都显示出强大的生命力,但它很少涉及无线通信。本文提出了一种基于深度卷积神经网络的信号调制自动识别方法,以解决无线通信中的常见问题。该算法通过深度学习的深度卷积神经网络自动提取图像的各种特征细节,以在各种信噪比条件下实现信号调制类型准确识别。该方法使用图像处理GPU构建VGGNet,在深度学习架构Tensorflow下自动识别MPSK和MQAM中的10种调制信号。仿真结果表明,当信噪比为5dB时,各种信号的最小识别精度为96.7%。与其他方法相比,该方法更好。     

基于深度学习的多差分神经网络区分器及其应用

随着深度学习的发展,尤其是随着多层神经网络(MLP)、深度神经网络(DNN)、卷积神经网络(CNN)等网络的出现,其在多个领域得到广泛应用,如视觉识别、语音识别、自然语言处理等领域.在2019年的美密会上提出利用单差分深度残差网络区分器进行密钥恢复攻击的方法,将深度学习的应用扩展到密码算法分析领域.利用多差分残差网络区...     

基于深度残差网络的皮肤癌黑色素瘤识别

作为皮肤癌黑色素瘤主要检查手段的皮肤镜图像存在显著性低、类内差异大和样本数据量少等问题,难以采用传统算法实现高准确的识别。深度学习算法引入皮肤癌症检测,提出了一种基于深度残差网络的黑色素瘤识别算法。该算法通过构建深度残差网络提取皮肤镜图像的高维特征,使用残差学习防止网络梯度退化、降低网络训练的难度,实现了黑色素瘤的有效识别。相关仿真实验结果表明:所提出的基于深度残差网络的黑色素瘤识别算法性能明显优于基于卷积神经网络传统的算法,具有更高的准确性、敏感性、特异性和鲁棒性。     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

具有深度阈值噪声消除的多尺度分析调制识别网络（英文）

为了提高多变环境下调制信号识别的准确性、减少先验知识不足等因素对识别结果的影响,研究人员逐渐采用深度学习技术来替代传统的调制信号处理技术。为了解决低信噪比下调制信号识别精度低的问题,我们设计了一种具有深度阈值噪声消除的多尺度分析调制识别网络,在标签平滑的对称交叉熵函数作用下识别实际采集的调制信号。该网络由一个具有深度自适应阈值学习的消噪编码器和一个具有多尺度特征融合的解码器组成。将两个模块进行跳跃连接,共同作用以提高整体网络的鲁棒性。实验结果表明,该方法在低信噪比下比以前的方法具有更好的识别效果。该网络展示了对噪声阈值的灵活自学习能力以及所设计的特征融合模块对各种调制类型的多尺度特征获取的有效性。     

基于自动聚类和有监督学习算法的加热炉状态识别器设计

提出了一种加热炉状态识别器的设计方法，用自动聚类的方法对数据样本进行分类，并以聚类结果为学习样本，建立状态识别神经网络。利用该状态识别器对实际数据进行分类，结果表明识别正确率很高。     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

基于相关向量机的含噪声人脸图像识别

提出一种采用相关向量机的人脸识别方法,利用机器学习对小波分解和PCA变换后的人脸数据库样本进行训练,得到的相关向量构成"超平面"作为差异样本的分类面,并利用"一对一"方法实现多类别模式识别。对加噪声的识别对象进行了大量的仿真实验,结果表明:与传统方法相比,本文方法对图像噪声不敏感,具有更高的识别率和很强的鲁棒性。     

基于SVM的手写体阿拉伯数字识别

支持向量机（SVM）是近年来在统计学习理论的基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中,表现出许多特有的优势.介绍了在提取穿越次数特征、粗网格特征以及密度特征提取的基础上,应用SVM进行手写体阿拉伯数字识别的方法.     

基于机器学习的手写汉字特征选择

根据机器学习理论，提出了手写汉字识别中，特征提取与识别同时进行的方法，并将决策 树归纳学习算法ＩＤ３成功地应用于学习与识别过程，在识别过程中，依据决策树有选择地提取特征进行匹配，减少了特征提取的数量，大大地提高了识别速度。     

基于核极限学习机自编码器的转盘轴承寿命状态识别

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器（MFO-MLKELM-AE）的转盘轴承寿命状态识别方法. 该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集. 采用堆叠多层核极限学习机自编码器（MLKELM-AE）,从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机（KELM）模型进行寿命状态识别. 在MLKELM-AE学习训练中,采用新的飞蛾扑火算法（MFO）优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力. 转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器（MLELM-AE）、单层极限学习机（ELM）、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

判别分析字典在行为识别中的算法研究

近年来,字典学习已成功运用到模式识别领域中,但是作为字典学习里的重要分支,分析字典却极少能得到应用,主要原因是分析字典的判别力较弱。该文提出了一种新的具有鲁棒性和判别性的分析字典学习法,该字典学习法从带噪数据中寻求数据的低秩表达,并联合Fisher准则从恢复出的干净数据中学习分析字典,由于引入了监督学习的机制,因此增强了字典的判别特性。最后将该算法应用于人体行为识别任务中,通过实验验证得出,相比于其他经典的字典学习方法,该方法在行为识别数据集上取得了较好的分类精度。     

基于人工免疫原理的中文姓名识别方法

为提高姓名识别的准确性并加快识别的速度,受生物免疫系统自学习、免疫记忆等特征启发,基于人工免疫原理,提出了一种新的中文姓名识别模型。给出了自体/非自体、抗体/抗原的定义,建立了免疫学习、免疫识别和免疫记忆机制。对模型进行了仿真,并完成了验证实验。实验结果表明该方法较传统的基于统计、基于语料库和结合决策树的姓名识别方法更有效,为文本挖掘提供了一种较好的解决方案。     

基于大规模数据的支撑矢量机的训练和分类

支撑矢量机是一种基于统计学习理论的、新颖且有强的泛化性能的学习方法，可看作是一种训练多项式神经网络或径向基函数分类器的新方法。支撑矢量机可用于模式识别、回归估计、求解线性算子方程等。介绍了支撑矢量机的分类机理，并针对大规模数据讨论其训练和分类中存在的问题及典型的解决方法。