融合知识图谱的医疗领域命名实体识别

为了改善通用预训练模型不适应医疗领域的命名实体识别任务这一不足,提出了一种融合医疗领域知识图谱的神经网络架构,该架构利用弹性位置和遮盖矩阵使预训练模型计算自注意力时避免语义混淆和语义干扰,在微调时使用多任务学习的思想,利用回忆学习的优化算法使预训练模型均衡通用语义表达和目标任务的学习,最终得到更为高效的向量表示并进行标签预测。实验结果表明：本文提出的命名实体识别架构在医疗领域上取得了优于主流预训练模型的效果,在通用领域也有较为良好的效果。该架构避免了重新训练针对某个领域的预训练模型和引入额外的编码结构从而精简了计算代价和模型大小。此外,通过消融实验对比,医疗领域对于知识图谱的依赖程度较通用领域依赖程度更大,这说明在医疗领域中融合知识图谱方法的有效性。通过参数分析,证明本文使用回忆学习的优化算法可以有效控制模型参数的更新,使模型可以保留更多的通用语义信息并得到更符合语义的向量表达。本文也通过实验分析说明了所提方法在实体数量少的种类上具有更优的表现。     

基于CNN集成的面部表情识别

针对面部表情识别在许多领域的重要应用,本文提出了一种基于卷积神经网络(convolutional neural network,CNN)集成的面部表情识别(facial expression recognition,FER)方法。采用3种网络结构不同的卷积神经网络进行训练,利用这些深层模型,使用基于验证准确性的多数投票、简单平均和加权平均的集合方法,在CK+数据集和FER-2013数据集上分别测试单一网络模型和集合网络模型。测试结果表明,单一模型的最佳识别率分别为98.99%和66.45%,集合网络的最佳识别率分别达到99.33%和67.98%,说明使用集合方法的模型比单一模型表现更佳,其中加权平均的集合方法优于简单平均和多数投票,说明本文所提出的方法能够满足面部表情识别的要求。该研究具有一定的实际应用价值。     

基于多任务学习的结构损伤识别

利用信号特征自动学习和提取的特性,深度神经网络已被成功应用于基于振动的结构损伤定位或程度诊断。单一的损伤位置或损伤程度诊断网络虽分别能实现一定的诊断功能,但不同任务之间的相关信息没有得到充分利用;因此,将损伤定位任务和损伤程度诊断任务相结合,基于一维空洞卷积神经网络,提出了一个具有信号特征共享与反馈特性的多任务联合学习模型。框架结构的数值模拟和实验模型研究表明,与单任务模型相比,多任务模型能有效降低定位错误和损伤程度估计误差,且具有更好的泛化性。     

基于知识表示学习的知识图谱补全研究综述

知识图谱补全能够将知识图谱补充完整,是知识图谱领域的一个研究热点。基于知识表示学习的知识图谱补全学习知识的向量表示,利用向量的计算挖掘知识图谱中的隐藏关联,具备更高的计算效率和更强的泛化能力,是知识图谱补全最好的方案之一。首先,介绍知识图谱补全和知识表示学习的概念;其次,按照实体和关系是否固定分别介绍静态知识图谱补全和动态知识图谱补全,对两个不同场景下各类算法的思路及改进过程进行详细说明;最后,总结知识图谱补全研究现状并展望未来研究方向。     

基于多任务和卷积神经网络的业务识别算法

针对以低识别率对业务进行较高精度分类问题,提出了一种结合多任务学习和卷积神经网络(Multi-Task Learning and Convolutional Neural network,MTL-CNN)的网络业务识别算法,将业务分类重新构建为多任务学习框架,令业务类别作为主任务,带宽需求和持续时间作为辅助任务,3个任...     

基于3D运动历史图像和多任务学习的动作识别

针对使用深度传感器采集的深度图像序列,在3D运动历史图像的基础上提出一种基于Gabor特征提取和多任务学习的人体动作识别方法。为了解决基于轮廓特征对运动历史图像不能充分表达的问题,引入Gabor滤波器组对3D运动历史图像进行特征提取;为了刻画在不同时间维度上人体动作的变化过程,引入时域金字塔对动作视频进行划分;最后,为了挖掘动作识别任务间的相关性,采用多任务学习训练动作分类模型。实验结果表明,该方法可有效提高动作识别的准确率。     

基于改进YOLOv5的学生面部表情识别

学生课堂面部表情在一定程度上反映了当时的学习状态,面部表情识别可以辅助教师判断学生学习掌握情况。针对学生课堂面部表情被遮挡、视频监控中面部表情目标偏小而导致的错检、漏检等问题,提出了一种改进的YOLOv5网络模型。改进的YOLOv5用Soft NMS替代基本NMS;将注意力机制CA模块引入到YOLOv5网络的Backbone;采用EIOU作为边界框回归损失函数。对比实验表明,优化后模型在Fer2013数据集上检测精度P达到了74.5%,比优化前提升了2.5%,mAP_0.5达到了77.6%,比优化前提升了1.6%;在自构建数据集上检测精度P达到了88.3%,比优化前提升了5.2%,mAP_0.5达到了87.4%,比优化前提升了1.7%。结果表明,改进的YOLOv5模型能有效提高学生课堂面部表情识别的检测精度。     

人脸表情识别综述

人类面部表情在安全驾驶、智能监护、人机交互领域都有着广泛应用。随着机器学习的兴起和发展,表情识别也逐渐从传统方法向深度学习过渡。简要地概述了表情识别的研究意义、技术、常见的表情数据库、研究方法,提出了表情识别目前存在的不足并对未来研究方向作出了展望。     

基于动态图像序列的表情识别

为提高表情表述能力, 提出建立组合单帧表情空域特征的表情序列联合特征.在分析Gabor小波的不同方向和尺度组合对表情图像表征能力基础上, 确定采用3个方向和2个尺度的Gabor滤波器组提取单帧表情图像特征, 描述表情动作的空域特征.在此基础上, 组合连续表情图像序列的特征, 建立包含表情动作变化过程的联合特征, 解决了利用表情相关的局部空域和时序变化信息建立表情表述模型问题.利用支持向量机 (SVM) 作为分类器分别在JAFFE静态表情数据库和Binghamton动态表情数据库上进行测试, 结果验证了静态图像采用Gabor+PCA特征比PCA特征更具有效性, 表明利用动态表情序列建立表情特征比用静态表情图像具有更高的表情识别正确率.     

基于Semi-Supervised LLE的人脸表情识别方法

目的 为提取有效的鉴别特征和降低鉴别向量的维数来识别人脸表情图像.方法 将流行学习(Manifold leaming,ML)和半监督学习(Semi-Supervised leaming,SSL)结合起来,利用人脸表情图像数据本身的非线性流形结构信息和部分标签信息来调整点与点之间的距离形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸表情识别.结果 该方法 能充分利用数据的结构信息和有限的标签信息,使具有标签信息的同类样本之间的距离最小化,不同类数据之间的距离最大化,进而可以有效地提取数据的低维鉴别子流形,使得分类性能要优于非监督的雏数约简方法 .结论 笔者提出的半监督局部线性嵌入算法能有效地提高人脸表情识别的性能.     

基于三维特征点模型的人脸表情识别算法

提出了一种基于三维特征点模型匹配的人脸表情识别算法.首先,以混合树结构建模不同姿态脸部特征组合,实现特征点定位,并建立脸部三维几何特征模型;然后,基于广义普鲁克分析原理对特征点模型进行归一化计算,并建立具有鲁棒性的匹配特征;最后,采用支持向量机实现表情的训练和识别.通过对BU-3DFE数据库中6种脸部表情的测试,表明该算法能够达到很好的识别效果.     

基于改进LBP的人脸表情识别

局部二元模式即LBP(local binary patterns),是一种有效的纹理描述算子,能够很好地提取人脸表情特征信息.针对原始LBP算子仅考虑中心像素点与邻域像素点的灰度差异的问题,对其进行了改进,提出了多重中心化二值模式MLBP(multiple local binary patterns),并将改进后的MLBP算子进行人脸表情识别,通过改进前后在JAFFE人脸库的实验比较,该方法在识别率上取得了较好的效果.     

基于Log-Gabor变换和ADABOOST的人脸表情识别

介绍了为提高因受不同程度光照和形变影响的二维人脸表情图像的识别效率,采用了Log-Gabor小波变换方法对输入二维人脸表情图像进行滤波处理。并采用级联Adaboost方法对二维人脸表情进行识别处理。特别是对于二维人脸表情在受到一定程度形变和光照影响下对其正确识别率依然达到较好的效果,在计算速度上也有所提高。     

基于Mutual Boost和支持向量机的表情识别

主要研究自动人脸表情识别（FER）,首先使用Gabor算法提取人脸图像的特征,再针对Gabor特征维数高、冗余大及利用传统的AdaBoost算法进行特征选择时特征间仍存在较大冗余的特点,引入了基于互信息的AdaBoost算法（MutualBoost）进行特征选择,降低特征维数和减少特征间的冗余信息量。然后再以SVM分类器进行分类。本算法在JAFFE表情库上进行测试,结果验证了算法的有效性。     

基于改进的Gabor和ADABOOST的人脸表情识别

介绍了受到不同程度形变和光照影响的人脸,如何提高表情图像识别效率和识别准确率的方法。采用Log_Gabor小波变换方法对输入图像进行滤波处理,并采用AdaBoost方法对人脸表情进行识别处理的方法。实验表明人脸表情在形变和光照影响的情况下,对人脸表情识别准确率依然达到良好的效果,且提高了计算速度。     

基于LGRP和多特征融合的人脸表情识别

针对复杂的Gabor滤波器直接抽取人脸特征数据存在一些冗余信息以及提取的表情特征较为单一的缺点,提出了基于LGRP和多特征融合人脸表情的识别方法。首先,提取人脸表情图像的Gabor多方向和多尺度特征,进一步编码得到局部Gabor排序模式(LGRP),以增强鲁棒性以及区分能力;其次,引入Haar小波和Otsu阈值分割法分别提取表情特征,通过级联融合3种不同的特征,可以全面地表达图像的局部特征和全局特征;最后,采用支持向量机(SVM)对人脸表情进行多分类。在CK+表情库上进行仿真实验,平均识别率达到94. 36%。与其他方法的比较结果表明,该方法取得了很好的识别率和鲁棒性。     

基于自适应权值稀疏典型相关分析的人脸表情识别算法

为解决当变量个数较多时,典型相关分析方法不能给出一个稳定模型的问题,提出了一种基于自适应权值的稀疏典型相关分析的人脸表情识别方法.稀疏典型相关分析通过附加一个系数收敛的约束,使基向量中的某些系数收敛为0,因此,就能去掉一些对表情识别没有用处的变量.同时,由于通常的稀疏典型相关分析求解中,稀疏权值的选择是固定值,会产生一些误差,故利用自适应权值的方法来降低在求解稀疏典型向量时产生的误差.在Jaffe和Cohn-Kanade人脸表情数据库上的实验结果,进一步验证了该方法的正确性和有效性.     

鲁棒局部保持投影的表情识别

针对局部保持投影的流形学习算法对于噪声与异常值的敏感性，提出了一种鲁棒的局部保持投影算法. 其基本出发点是首先对所有数据点进行评估，以获得它们可能成为异常值的信息，然后再将这种信息用于邻域选择与低维嵌套中. 采用鲁棒局部保持投影进行人脸的表示方法，对JAFFE表情数据库进行了实验，结果表明，该方法有效.