基于SURF特征的枪弹痕迹匹配方法

为实现枪弹痕迹的自动比对与识别,提出将特征识别加速鲁棒特征(SURF)算法引入到弹壳痕迹匹配研究中,利用该算法提取弹底窝痕三维表面形貌特征,并采用随机抽样一致性(RANSAC)算法实现匹配优化。重点讨论了SURF特征点检测中参数调整及匹配效果关系,并借助美国国家标准与技术研究院(NIST)提供的弹底窝痕测试样本实现了最佳参数及识别条件的认定。实验结果表明,SURF算法对弹底窝痕表面形貌特征的提取与描述优异,在测试样本上可达到90%以上的匹配率。     

基于多维特征提取的枪弹痕迹比对分析方法

首次给出了针对三维弹痕痕迹数据的比对分析方法,提出提取枪弹数据的多维特征,联合多维特征优势实现弹痕痕迹精确的比对分析技术.首先对数据做去噪等预处理后提取多维特征,然后进行由粗到细分级比对,实验结果证明了方法的有效性.     

基于深度学习SuperGlue算法的单目视觉里程计

基于特征点法的视觉里程计中,光照和视角变化会导致特征点提取不稳定,进而影响相机位姿估计精度,针对该问题,提出了一种基于深度学习SuperGlue匹配算法的单目视觉里程计建模方法。首先,通过SuperPoint检测器获取特征点,并对得到的特征点进行编码,得到包含特征点坐标和描述子的向量;然后,通过注意力GNN网络生成更具代表性的描述子,并创建M×N型得分分配矩阵,采用Sinkhorn算法求解最优得分分配矩阵,从而得到最优特征匹配;最后,根据最优特征匹配进行相机位姿恢复,采用最小化投影误差法进行相机位姿优化。实验结果表明,在无后端优化的条件下,该算法与基于ORB或SIFT算法的视觉里程计相比,不仅对视角和光线变化更鲁棒,而且其绝对轨迹误差和相对位姿误差的精度均有显著提升,进一步验证了基于深度学习的SuperGlue匹配算法在视觉SLAM中的可行性和优越性。     

一种枪弹痕迹自动比对算法

研究枪弹痕迹自动检测优化问题,为了能够准确有效地鉴定和分析枪弹痕迹,提出了一种枪弹痕迹的自动比对算法及实现方法.算法采用平滑滤波的方法去除弹痕数据中的噪声点,然后根据斜率的变化提取出弹头各个截面外表面轮廓上的特征点,最后采用相关性分析方法通过比对两个弹痕的特征点之间的相似度来判断两条弹痕的吻合程度,从而达到枪弹痕迹自动比对的目的.改进算法采用MATLAB编程实现,简单高效,误差较小,适合应用于大多数的枪弹痕迹的自动比对.     

基于深度学习的消防器材自动识别研究

在智慧消防城市救援平台项目中,消防维保需要定期巡检消防设施来防止消防设备遗失或者破损失效,为了使公司的消防救援平台更为科学精准的掌握消防救援设备的维保情况。针对维保中需要依靠人为识别消防器材的问题,提出了基于这种特定场景下改进的YOLOv5算法,即YOLOv5Fire。本文根据场景增加了一个便于识别小特征的输出框,改进了SPP小内核的参数以及输入端。并通过自建数据集FireBox验证方案提高了六种消防器材自动识别,达到较为准确识别消防器材的目的。     

基于深度学习的点云分割方法综述

点云分割是点云数据理解中的一个关键技术,但传统算法无法进行实时语义分割。近年来深度学习被应用在点云分割上并取得了重要进展。综述了近四年来基于深度学习的点云分割的最新工作,按基本思想分为基于视图和投影的方法、基于体素的方法、无序点云的方法、有序点云的方法以及无监督学习的方法,并简要评述;最后分析各类方法优劣并展望未来研究趋势。     

基于深度学习的小面积指纹匹配方法

针对传统的基于细节特征点的指纹匹配方法多适用于采集面积较大的指纹,在面向智能手机端的小采集面积指纹时准确率明显下降的问题,提出一种基于深度学习的小面积指纹匹配方法。首先,提取指纹图像的细节特征点信息;其次,搜索和标定感兴趣纹理区域（ROI）;然后,构建并改进基于残差结构的轻量级深度神经网络,通过采用二值化特征模式优化网络和Triplet Loss方式训练模型;最后,制定一种智能手机端注册-匹配策略实现小面积指纹匹配。实验结果表明,提出方法在公开库FVCDB1与自建数据库上的等错率（EER）分别仅为0.50%与0.58%,远低于传统的基于细节特征点的指纹匹配方法,能够有效提升小面积指纹匹配的性能,更好地满足智能手机端的应用需求。     

基于SIFT特征的弹底窝痕自动识别方法

为实现枪弹检材的快速准确匹配,提出了一种基于尺度不变特征转换(SIFT)算法的弹底窝痕配准方法及一种经验的匹配判定方法。对SIFT算法实现弹底窝痕配准进行了详细分析和分步验证,包括特征点提取、特征向量生成以及欧氏距离法初匹配,最后以随机抽样一致法(RANSAC)进行提纯,排除误匹配点对。在此基础上,总结出一种经验的痕迹匹配判定方法,即特征点密集区域法。可提取特征点密集区域,计算其面积占窝痕总面积的百分比η,以此作为匹配判定依据。基于推荐样本的实验表明:η设定为12%,已知匹配和已知不匹配的弹底窝痕可被有效区分。     

基于深度学习的牙齿嵌塞自动判别方法

食物嵌塞是口腔常见病征,容易引发局部牙龈红肿、溢脓、龋齿等口腔问题,给患者带来极大的痛苦和不便。目前临床上难以自动筛查嵌塞牙齿,且传统的锥形束CT重建方法的准确度及精度均有待提高。提出一种牙齿嵌塞自动化判断的方法,对牙齿模型进行单个牙体的精准分割,在U-Net网络的基础上使用KPConv卷积核代替二维卷积核来构建分割网络,并使用图割方法优化分割结果。同时,采用平面拟合的方法将分割后的牙齿模型投影到水平和竖直平面上,在平面上求出牙齿嵌塞特征,并利用支持向量机根据所求特征对牙齿的嵌塞情况进行判断。通过充分利用样本模型的几何结构信息,设计简化牙齿模型的几何采样及包含牙齿几何结构约束的图割方法提高网络模型的运算时间及精度。实验结果表明,该方法对牙齿模型的分割准确率为92%,对牙齿嵌塞的判断正确率为81%,能够为医生提供辅助诊断。     

基于深度强化学习的自动驾驶策略学习方法

自动驾驶是人工智能研究的重要应用领域,文章提出了一种基于深度强化学习的自动驾驶策略模型学习方法.首先采用在线交互式学习方法对深度网络模型进行训练,并基于专业司机的经验数据对模型进行预训练,进而结合经验池回放技术提高模型训练收敛速度,通过对状态空间进行聚类再采样,提高其独立同分布特性以及策略模型的泛化能力.通过与神经网络拟和Q-迭代算法的比较,所提方法的训练时间可缩短90％以上,稳定性能提高超过30％.以复杂度略高于训练集的测试道路长度为基准,与经验过滤的Q-学习算法相比,采用聚类再采样的方法可以使策略模型的平均行驶距离提高70％以上.     

基于自编码算法的深度学习综述

深度学习是机器学习的一个分支,开创了神经网络发展的新纪元.自编码算法作为深度学习结构的重要组成部分,在无监督学习及非线性特征提取过程中起到了至关重要的作用.首先介绍自编码算法的基本概念及原理,然后介绍基于自编码算法的改进算法,最后列举了自编码算法在若干领域应用的知名案例和发展趋势.     

一种枪弹痕迹自动检测优化仿真研究

为了消除因弹痕测量位置和姿态不同而造成的测量误差,提高检测和分析枪弹痕迹的准确性,提出了一种枪弹弹痕自动检测优化仿真算法。首先采用最小二乘法拟合出弹头各个截面的外表面轮廓,用MATLAB编程实现,并得到对应的圆心坐标。然后通过连接各截面的圆心坐标得到弹头的中轴线,根据中轴线的位置计算得出中轴线在进行坐标变换时需要旋转的角度和平移量,从而使其与y轴重合后再进行统一比对。实践证明,算法简单高效,能够较好的消除因位置和姿态不同而造成的测量误差,适合应用于大多数的枪弹弹痕的自动比对中。     

深度学习建模下的自动句子填空技术

该文提出了一种结合依存句法分析和深度神经网络的自动句子填空技术。首先,提出了一种依存句法信息展开的序列建模方案,可以在引入句法信息的同时兼顾效率,并在此基础上利用排序学习思想,训练候选答案排序模型;其次,针对整体序列建模的细节建模失准问题,提出了一种基于语言模型多状态信息融合的自动句子填空模型;最后,设计了一种结合序列表示、依存句法信息、多状态信息的多源信息融合模型。该文还构建出一个英文答题数据集并据此进行了实验。实验结果表明,依存句法展开模型相对于常用的序列建模方案,准确率有11%的绝对提升;语言模型状态排序模型相对于基线模型,准确率有9.3%的绝对提升;最终的多源信息融合模型,在测试集上获得最高76.9%的准确率。     

基于深度学习与特征融合的恶意网页识别方法研究

互联网环境的高度开放性和无序性导致了网络安全问题的普遍性和不可预知性, 网络安全问题已成为当前国际社会关注的热点问题。基于机器学习的恶意网页识别方法虽然卓有成就, 但随着对恶意网页识别需求的不断提高, 在识别效率上仍然表现出较大的局限性。本文提出一种基于深度学习与特征融合的识别方法, 将图卷积神经网络(Generalized connection network,GCN)与一维卷积神经网络(Convolution neural network, CNN)、支持向量机(Support vector machine, SVM)相结合。首先, 考虑到传统神经网络只适用于处理结构化数据以及无法很好的捕获单词间非连续和长距离依赖关系, 从而影响网页识别准确率的缺点,通过 GCN 丰富的关系结构有效捕获并保持网页文本的全局信息; 其次, CNN 可以弥补 GCN 在局部特征信息提取方面的不足,通过一维 CNN 对网页 URL(Uniform resource locator, URL)进行局部信息提取, 并进一步将捕获到的 URL 局部特征与网页文本全局特征进行融合, 从而选择出兼顾 CNN 模型和 GCN 模型特点的更具代表性的网页特征; 最终, 将融合后的特征输入到 SVM分类器中进行网页判别。本文首次将 GCN 应用于恶意网页识别领域, 通过组合模型有效兼顾了深度学习与机器学习的优点, 将深度学习网络模型作为特征提取器, 而将机器学习分类算法作为分类器, 通过实验证明, 测试准确率达到 92.5%, 高于已有的浅层的机器学习检测方法以及单一的神经网络模型。本文提出的方法具有更高的稳定性, 以及在精确率、召回率、 F1 值等多项检测指标上展现出更加优越的性能。     

基于深度学习的螺纹钢表面缺陷检测

螺纹钢是土建工程中必不可少的建筑材料, 在轧制过程中因受轧辊磨损、钢坯质量等因素影响, 导致表面缺陷, 如不能及时发现就会生产出大量废品, 严重影响企业经济效益. 本文提出一种基于深度学习的螺纹钢缺陷检测方法, 通过生产现场工业相机采集螺纹钢图像, 对表面缺陷进行分类标记, 建立样本数据集, 利用深度卷积对抗生成网络D...     

基于端到端深度学习的智能车自动转向研究*

为解决由图像直接计算出控制量的端到端深度学习算法中感知器和控制器难以区分的问题,对其网络结构进行了改进。通过预训练一个自编码器,得到良好的道路特征编码后,将编码器作为感知器和和转角预测控制器一起进行端到端的训练。训练结果表明,改进后的自动转向网络模型收敛的更快,预测的角度在测试集上能较好的跟随实际角度变化而变化。利用解码器和特征图反向传播法分别还原出道路图片,可视化了该自动转向模型重点关注的道路特征。     

基于深度学习的自动睡眠分期研究综述

睡眠分期是为了分析多导睡眠图记录而进行的重要过程,在睡眠监测和睡眠障碍诊疗中发挥着关键作用。传统的手动睡眠分期需要专业知识,繁琐且耗时;而深度学习通过模拟人脑解释信息的机制来构建模型,具有强大的自动特征提取及特征表达功能。将深度学习方法应用于睡眠分期研究,不依赖于手工特征设计,能够实现睡眠分期的自动化。本文着眼于2017年以来的一些典型的自动睡眠分期研究,重点从单视图和多视图输入两个方面系统回顾了应用于自动睡眠分期中的深度学习模型,并分析了多视图模型存在的难点,指出了其具有的潜在研究价值。最后,对自动睡眠分期未来的研究方向进行了探讨。