基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于深度学习的电力设备红外图像识别

电力设备的安全运行是保证电力系统长期稳定工作的重要基础,因此需要对电力设备的运行状态进行实时监测。实现对电力设备实时监测的关键是对电力设备进行准确的识别和定位。传统的图像检测算法受环境和复杂背景的影响,无法对电力设备进行准确的定位和识别。基于深度学习的目标检测在电力设备运行状态实时监测中具有更广阔的发展前景。针对电力设备红外图像的识别提出了基于Faster R-CNN识别方法。实验结果表明,该方法准确率高,能够准确定位和识别红外图像中的电力设备。     

深度学习在细粒度图像识别中的应用综述

深度学习技术在多种视觉任务中表现出优异的性能,特别是深度学习技术的发展大大促进了细粒度图像识别任务的进步.细粒度图像识别的目的在于正确识别子对象类别,例如鸟类中的不同子类别.由于细粒度图像数据通常需要具有专家知识才能够进行有效识别与标注,获取难度比较高,同时,由于细粒度类别直接具有小的类间差异性和大的类内差异性特点,需要模型能够捕捉到细微的有区分性的局部特征,这两方面原因导致这项任务极具挑战性.首先,介绍了深度学习技术的重要发展历程、细粒度图像识别任务的特点和挑战.随后,介绍了基于深度学习的细粒度识别方法的3种类型,包括基于定位-分类子网络的方法、基于端到端的特征编码方法和利用外部辅助信息的细粒度图像识别方法,并选择有代表性的工作给予了详细的介绍.最后,在常用数据集上比较了相关工作的性能,对细粒度图像识别任务进行了总结和展望.     

基于双向特征金字塔和深度学习的图像识别方法

图像物体识别与检测(图像识别)是计算机视觉领域的一个基础性任务.近年来,深度神经网络等推进了图像物体识别的发展.多尺度问题是图像识别的难点问题之一.引入特征金字塔是解决图像多尺度物体识别的有效途径之一.然而,现有基于特征金字塔的方法大多采用自上而下的语义特征信息融合方式,无法提升大尺度物体识别的精确率.为解决该问题,提...     

深度细粒度图像识别研究综述

细粒度图像分类是计算机视觉中一项基础且重要的工作,其目的在于区分难以辨别的对象类别(例如不同子类的鸟类、花或动物).不同于传统的图像分类任务可以雇佣大量普通人标注,细粒度数据集通常需要专家级知识进行标注.除了视觉分类中常见的姿态、光照和视角变化因素之外,细粒度数据集具有更大的类间相似性和类内差异性,因此要求模型能够捕捉到细微的类间差异信息和类内公有信息.除此之外,不同类别的样本存在不同程度的获取难度,因此细粒度数据集通常在数据分布中表现出长尾的特性.综上所述,细粒度数据分布具有小型、非均匀和不易察觉的类间差异等特点,对强大的深度学习算法也提出了巨大的挑战.本文首先介绍了细粒度图像分类任务的特点与挑战,随后以局部特征与全局特征两个主要视角整理了目前的主流工作,并讨论了它们的优缺点.最后在常用数据集上比较了相关工作的性能表现,并进行了总结与展望.     

面向混合量化CNNs的可重构处理器设计

为了解决已有卷积神经网络(convolution neural networks, CNNs)加速器,因无法适应混合量化CNN模型的计算模式和访存特性而引起加速器效率低的问题,设计了可适应混合量化模型的可重构计算单元、弹性片上缓存单元和宏数据流指令集。其中,采用了可根据CNN模型结构的重构多核结构以提高计算资源利用率,采用弹性存储结构以及基于Tile的动态缓存划分策略以提高片上数据复用率,采用可有效表达混合精度CNN模型计算和可重构处理器特性的宏数据流指令集以降低映射策略的复杂度。在Ultra96-V2平台上实现VGG-16和ResNet-50的计算性能达到216.6和214 GOPS,计算效率达到0.63和0.64 GOPS/DSP。同时,在ZCU102平台上实现ResNet-50的计算性能可达931.8 GOPS,计算效率可达0.40 GOPS/DSP,相较于其他类似CNN加速器,计算性能和计算效率分别提高了55.4%和100%。     

面向智能通信的深度强化学习方法

在如今信息爆炸的时代,无线通信终端的激增导致无线通信网络规模剧增。同时,人们日益提高的通信需求使无线通信网络必须通过精准的按需服务来充分利用有限的资源。这二者使得传统人工建模并优化求解的网络管理方法在未来将会遇到瓶颈。幸运的是,人工智能和机器学习的出现为解决这一问题提供了新的途径。作为一种数据驱动的机器学习方法,深度强化学习能够直接学习动态环境规律并得到最优决策。因此,深度强化学习能赋予网络依据自身环境进行自我优化管理的能力,令智能通信将成为可能。本文从资源管理、接入控制以及网络维护三方面介绍了深度强化学习在无线通信上的应用,以此说明深度强化学习是实现智能通信的有效途径。     

基于深度卷积神经网络的羽绒图像识别

由于图像中羽绒形态及其多样性,传统的图像识别方法难以正确识别羽绒分拣图像中的羽绒类型,其识别精度也难以达到实际生产的要求.为解决上述问题,构造了一种用于羽绒类型识别的深度卷积神经网络,并对其权值初始化方法进行了改进.首先利用视觉显著性模型提取羽绒图像的显著部分,然后将图像的显著部分输入到稀疏自动编码器中进行训练,得到一组符合数据集统计特性的卷积核集合.最后采用Inception及其变种模块实现深度卷积神经网络的构造,通过增加网络深度来提高网络的识别精度.试验结果表明,用所构造的深度卷积神经网络对羽绒图像识别的精度较传统卷积神经网络的提高了2.7%,且改进的权值初始化方法使网络的收敛速度提高了25.5%.     

基于深度学习的语音门禁系统设计

基于深度可分离卷积神经网络(Depthwise Separable Convolutional Neural Network,DS-CNN)设计一个嵌入式离线语音门禁系统.系统首先利用深度学习库TensorFlow搭建DS-CNN声学模型并完成模型训练,然后将训练好的模型移植到嵌入式平台实现离线式语音识别,最后根据识别结果控制继电器执行相应动作.为避免人工设计的滤波器在特征提取时造成信息损失,系统采用语音信号的语谱图作为声学模型输入,通过多层卷积单元自动提取说话人语音特征进行分类判断,并引入语音唤醒机制,保证系统的安全性和低能耗.系统测试结果表明,该门禁系统1次识别成功率达95%以上,平均响应时间满足设计要求,具有较好的实用性.     

基于迁移学习的天气图像识别

为提高天气图像识别的准确率,达到良好的天气图像分类效果,提出一种基于迁移学习的天气图像识别算法.该算法使用Xception图像分类算法实现网络架构,再基于迁移学习理论将模型和参数应用到天气图像识别中,并在同一数据集上与其他模型进行性能对比.实验结果表明,基于迁移学习的改进Xception模型有效解决了训练样本不足、准确...     

面向动态场景复合深度学习与并行计算的DG-SLAM算法

针对现有的同时定位与建图(SLAM)算法实时性不高和在动态环境中定位精度会大幅降低的缺点,提出了一种复合深度学习与并行计算的DG-SLAM算法。采用基于深度学习的目标检测算法检测出行驶环境中的动态物体,在ORB-SLAM2图像帧间匹配前剔除动态物体特征点,降低动态物体对SLAM定位精度的影响;在ORB-SLAM2跟踪局部地图中采用三维空间下内部点的判别方法区分内点和外点,建立GPU并行计算模型以高效搜索局部地图点;利用Saturated核函数作用于重投影误差项的二范数平方和,确保局部地图优化位姿时重投影误差的并行计算。在KITII数据集上进行了算法验证,结果表明,DG-SLAM具有较高跟踪精度,且平均计算效率相同情况下对比ORB-SLAM2高3.4倍以上,超过85帧/s,可实现自动驾驶车辆在动态环境下SLAM系统的稳定运行。     

一种耦合深度信念网络的图像识别方法

针对网络层数增加带来的梯度消失问题,提出了一种耦合深度信念网络的图像识别方法．该方法将“跨层”连接引入到深度信念网络中并应用于图像识别．给出了耦合深度信念网络的结构示意图及其参数更新方法,并在相同数据集和网络层数情况下比较了具有最佳参数的深度信念网络与最佳参数的耦合深度信念网络的识别性能,分析了“跨层”连接中主、次线耦合比例对网络性能的影响,且与几种经典的深度学习方法进行了对比．实验结果显示,耦合深度信念网络在收敛速度与识别精度上均优于深度信念网络．同时,相比于经典的深度网络,文中所提方法获得了良好的识别性能．这说明采用“跨层”耦合方式可有效缓解深度信念网络训练过程中出现的梯度消失问题,提高网络的识别性能．     

深度学习视域下的混合式教学设计

信息技术与教育的深度融合带来了教学模式的变化,混合式教学模式应运而生,并将成为未来教育的新常态。然而,当前混合式教学下的学习还停留在浅层学习层面。深度学习要求混合式教学模式能够促进学习者认知结构的重构与完善、知识的迁移与应用、高阶能力的提升与发展、价值和情感的内化与升华,要求混合式教学评价的多元化与形成性。     

基于VLIW体系结构的DSP寄存器堆的设计

在研究了基于VLIW体系结构DSP的特点基础上,通过对寄存器堆的组织结构、组成单元、功能实现等方面的分析,提出了该结构寄存器堆的设计方案。该方案实现了多组数据的正确并行读写操作,满足了VLIW体系结构的CPU对多数据流处理的要求。该方案针对VLIW体系结构采用流水线操作、条件执行的特点,通过对写入数据分别采用写控制信号的方法,实现流水线阻塞和指令的条件执行。由于VLIW体系结构具有很多共性,该方案可以根据具体的硬件进行修改,具有很好的可移植性。     

基于局部学习的车辆图像识别方法

随着机动车交通违法行为的增多,民众利用智能手机拍照举报式的监督模式应运而生.针对由手机拍照举报的静态图像的车辆识别问题,提出一种基于局部学习的车辆识别方法.与在整个样本空间里训练一个全局模型的传统方法不同,该方法以局部学习中心选取策略和巴氏距离大小为基础,将样本划分若干子集并在每个子集上训练一个局部分类器.仿真结果表明:与已有形状模型法、超像素级别等图像目标识别方法相比,该方法在静态车辆图像识别的问题上拥有更好的识别率和识别效果.     

面向阵列处理器的分布式共享存储结构设计

为了缓解随处理器核数增多而被激化的“存储墙”问题,提出了局部高速交叉互连、全局片上网络互连的两级混合互连网络结构,设计了支持统一编址方式的数据传送机制.在现场可编程门阵列上实现了2种规模的存储结构,对面积、时序和功耗进行统计.基于SystemC开发了混合仿真平台,仿真结果表明,所提结构具有较高的存储访问带宽和较低的局部数据访问延迟.     

基于图像识别的寻迹智能车设计

为了实现智能车按照不同的路径类型自动寻迹的功能,研制了一种基于汽车模型的寻迹智能车。在寻迹智能车的设计中,图像处理直接影响着智能车的性能,因此采用直接采集、直接边缘检测算法和改进边缘检测算法对COMS摄像头捕获的道路信息进行分析对比。大量实验数据表明,在光线强度不同的情况下,通过边缘检测算法可获取更准确的图像,有效地解决了系统的快速性与稳态误差之间的矛盾,实现了智能车沿引导线稳定、快速的行驶。     

基于深度学习的水面漂浮物识别算法设计

针对小型水域漂浮物识别困难问题,提出一种基于深度学习的目标识别方法,采用改进的YOLOv5s目标识别算法识别水面漂浮物．首先,根据水面漂浮物形状的特点,采用改进K-means算法,对先验框重新聚类,其次加入SE注意力机制模块,然后将α-IOU应用于YOLOv5s网络上．实验结果表明,对比标准的YOLOv5s算法,改进的YOLOv5s算法在查准率和平均精度均值方面分别提升了2%和4%,验证了算法的有效性,该方法能克服水面环境的影响,有效识别水面的漂浮物．     

面向异构多核处理器的分块交叉数据传输

由于异构多核处理器中加速设备内存有限,在进行加速计算时往往需要把主存中的数据分块传输到设备内存。Open ACC现有的数据拷贝子句不支持数据的分块传输,为此对Open ACC的数据拷贝子句进行扩展,引入分块规则数组区域表示方式,用于实现数据的分块交叉传输。分块交叉传输能够使加速器所需数据精确地拷贝到其设备内存,提高了设备内存的利用率和减少了不必要的数据传输。并在基于Open64的"源-源"自动并行化系统autoACC中,实现了扩展数据拷贝子句的自动生成。测试结果表明,在异构多核处理器上,扩展的数据拷贝子句及提出的扩展数据拷贝子句生成方法是有效的,能够对程序进行有效加速。