基于人工智能的大数据分析方法

<正>信息智能化技术的发展速度和衍生的各种技术工具成为社会转型发展的技术支持，尤其在大数据领域，人工智能技术的应用为数据采集速率、数据识别准确率等方面带来极大提升。基于此，本文对当前时代下大数据分析的重要性进行探讨，并围绕人工智能技术分析以此为基础的大数据发展网络技术设计，在掌握数据挖掘人物之后对大数据人工智能分析方法进行研究，具体包括及其学习、深度学习、计算智能等方面。     

基于深度学习的海量航拍视频智能处理技术

针对现阶段处理航拍视频数据工作量大且繁琐、人工成本高、重点目标信息提取效率低以及难以有效管理等问题，文中提出一种基于深度学习的海量航拍视频智能处理技术。该技术以深度学习算法为基础，采用可变卷积网络完成视频目标智能检测识别，采用自组织特征映射神经网络完成视频片段智能切分，使用局部敏感哈希算法完成海量视频快速检索。通过视频智能处理技术能够剔除海量航拍视频中的无效视频片段，保存有效目标视频片段，提高检索效率，降低存储压力，实现对海量航拍视频数据的高效管理。在实际项目中，基于海量航拍视频智能处理技术完成航拍视频智能化处理软件开发，工程实践应用证明，该技术可以有效减少作业人员重复性工作，提高视频处理作业效率。     

基于深度学习的无线通信接收方法研究进展与趋势

随着无线通信应用边界的不断扩展,无线通信应用环境也日趋复杂多样,面临射频损伤、信道衰落、干扰和噪声等负面影响,给接收端恢复原始信息带来挑战。借鉴深度学习方法在计算机视觉、模式识别、自然语言处理等领域取得的研究成果,基于深度学习的无线通信接收技术受到学术界和产业界的广泛关注。首先阐述了国内外基于深度学习无线通信接收技术的研究现状;接着概述了信号大数据背景下无线通信接收所面临的技术挑战,并提出基于深度神经网络的无线通信智能接收参考架构;最后探讨了信号大数据背景下无线通信智能接收方法的发展趋势。为基于深度学习无线通信技术的研究和发展提供借鉴。     

一种面向图情信息的快速检索优化算法

为了提升大数据背景下数字图书信息的检索效率，文中对图书信息的检索业务流程进行了梳理，并针对信息标注时准确率低的问题展开了研究。通过引入图像、文本和用户三个维度的相似度，寻找待标注信息和数据库已有信息的关联性，使得新的图书信息可以快速写入现有数据库。此外，为解决该方法在现有数据库中无相似信息时识别率低的问题，采用了RCNN深度学习网络先将信息划分为主体区域和多个次要区域，再通过不同结构的深度学习网络对不同区域进行特征提取，在提升算法训练效率的同时，也提升了特征提取的准确率。基于某数字馆藏图书信息数据集进行的仿真验证结果表明，文中引入的相似度指标与标注的准确率呈正相关，算法相较于现有的OTC、Mop-CNN、ImageNet-CNN等人工智能网络，准确率分别提升了0.372、0.093和0.201。     

基于深度学习的情感分析技术

随着大数据的分析与研究的热潮,深度学习已经成为人工智能技术不可分割的一部分,如自然语言处理,计算机视觉,语音识别等技术的发展都与深度学习息息相关。大量研究表明,深度学习已经成为一种趋势,是人工智能技术不断发展的不竭动力。因此,文章主要对深度学习以及其在自然语言处理中的文本情感分析技术上的研究与应用做一个简单的介绍,首先介绍情感分析和深度学习的概念,然后阐述一下深度学习在情感分析技术上的研究和应用,最后总结一下深度学习对情感分析技术的影响。     

深度学习技术在光度立体三维重建中的应用

光度立体三维（3D）重建是机器视觉和光度学领域中研究的热点问题，由于设备简单、成本低廉、分辨率高，得到广泛的应用。近年来，伴随着人工智能与深度学习技术的蓬勃发展，光度立体技术的发展进入一个崭新的时代。对深度学习技术在光度立体3D重建中的研究进展进行综述。首先，介绍光度学3D重建的研究背景和基本原理；其次，对光度立体3D重建方法的类型进行概述；接着，简要介绍常用的合成与实际拍摄数据集；然后，详细阐述深度学习技术在光度立体3D重建中的应用，它将基于物理模型的光度立体技术变为一种“数据驱动”下的技术，从而实现较高的预测精度；最后，进行分析与总结，并指出深度学习技术在光度立体领域所面临的挑战以及未来的研究趋势。     

多层α-核散列聚类的异常数据社团发现算法

异常数据社团发现是解决异常数据挖掘中大规模未授权行为分析的重要方法,文中基于多层α-核心集对散列数据进行高斯核相似聚类,对大规模散列的网络入侵数据进行凝聚社团化处理,将难以聚类重叠的数据进行多层核簇类分析,并利用多层α-核心集处理与孤立点检测。通过实验证明,该方法对大数量具有明显散列特点的网络入侵攻击的检测具有较好的预期效果,在准确率与算法执行效率方面具有明显优势。     

深度学习模型安全性研究综述

随着智能化进程的不断加快，以深度学习为代表的人工智能技术得到不断发展。深度学习在众多领域得到广泛应用的同时，其中存在的安全问题也逐渐暴露。普通用户通常难以支撑深度学习所需的大量数据和算力，转而寻求第三方帮助，此时深度学习模型由于失去监管而面临严重安全问题。而深度学习模型在全周期内均会遭受后门攻击威胁，使得深度学习模型表现出极大脆弱性，严重影响人工智能的安全应用。从深度学习模型所需资源条件来看，训练数据、模型结构、支撑平台均能成为后门攻击的媒介，根据攻击媒介的不同将攻击方案划分为基于数据毒化、模型毒化、平台毒化3种类型。介绍了对其威胁模型及主要工作，在此基础上，梳理了针对现有后门攻击的防御措施。最后，结合所在团队的相关工作，并根据当前相关技术研究进展及实际，探讨未来研究方向。     

基于改进哈希算法的图像检索方法

当前主流图像检索技术所采用的传统视觉特征编码缺少足够的学习能力,影响学习得到的特征表达能力。此外,由于视觉特征维数高,会消耗大量的内存,因此降低了图像检索的性能。文中基于深度卷积神经网络与改进的哈希算法,提出并设计了一种端到端训练方式的图像检索方法。该方法将卷积神经网络提取的高层特征和哈希函数相结合,学习到具有足够表达能力的哈希特征,从而在低维汉明空间中完成对图像数据的大规模检索。在两个常用数据集上的实验结果表明,所提出的哈希图像检索方法的检索性能优于当前的一些主流方法。     

分布式空间数据索引机制研究

在分析各种空间数据索引的基础上,研究利用分布式并行技术建立网络环境下海量空间数据的大规模索引机制的关键技术。对经典的R-树进行了改进,基于R-和散列hash表,提出了一种分布式环境下面向海量空间数据的分布式索引树结构DR-H,此索引树结构充分利用了R-树的范围查询和散列hash表的高效单key查询。经模拟实验结果表明,该分布式索引机制结构能够有效提高分布式网络环境下海量空间数据的检索性能。     

基于深度卷积神经网络和二进制哈希学习的图像检索方法

随着图像数据的迅猛增长,当前主流的图像检索方法采用的视觉特征编码步骤固定,缺少学习能力,导致其图像表达能力不强,而且视觉特征维数较高,严重制约了其图像检索性能。针对这些问题,该文提出一种基于深度卷积神径网络学习二进制哈希编码的方法,用于大规模的图像检索。该文的基本思想是在深度学习框架中增加一个哈希层,同时学习图像特征和哈希函数,且哈希函数满足独立性和量化误差最小的约束。首先,利用卷积神经网络强大的学习能力挖掘训练图像的内在隐含关系,提取图像深层特征,增强图像特征的区分性和表达能力。然后,将图像特征输入到哈希层,学习哈希函数使得哈希层输出的二进制哈希码分类误差和量化误差最小,且满足独立性约束。最后,给定输入图像通过该框架的哈希层得到相应的哈希码,从而可以在低维汉明空间中完成对大规模图像数据的有效检索。在3个常用数据集上的实验结果表明,利用所提方法得到哈希码,其图像检索性能优于当前主流方法。     

Internet cross-media retrieval based on deep learning

With the development of Internet, multimedia information such as image and video is widely used. Therefore, how to find the required multimedia data quickly and accurately in a large number of resources, has become a research focus in the field of information process. In this paper, we propose a real time internet cross-media retrieval method based on deep learning. As an innovation, we have made full improvement in feature extracting and distance detection. After getting a large amount of image feature vectors, we sort the elements in the vector according to their contribution and then eliminate unnecessary features. Experiments show that our method can achieve high precision in image-text cross media retrieval, using less retrieval time. This method has a great application space in the field of cross media retrieval.     

Multi-label semantics preserving based deep cross-modal hashing

Due to the storage and retrieval efficiency of hashing, as well as the highly discriminative feature extraction by deep neural networks, deep cross-modal hashing retrieval has been attracting increasing attention in recent years. However, most of existing deep cross-modal hashing methods simply employ single-label to directly measure the semantic relevance across different modalities, but neglect the potential contributions from multiple category labels. With the aim to improve the accuracy of cross-modal hashing retrieval by fully exploring the semantic relevance based on multiple labels of training data, in this paper, we propose a multi-label semantics preserving based deep cross-modal hashing (MLSPH) method. MLSPH firstly utilizes multi-labels of instances to calculate semantic similarity of the original data. Subsequently, a memory bank mechanism is introduced to preserve the multiple labels semantic similarity constraints and enforce the distinctiveness of learned hash representations over the whole training batch. Extensive experiments on several benchmark datasets reveal that the proposed MLSPH surpasses prominent baselines and reaches the state-of-the-art performance in the field of cross-modal hashing retrieval. Code is available at: https://github.com/SWU-CS-MediaLab/MLSPH.     

基于稀疏自编码的无监督哈希算法

最近邻搜索在大规模图像检索中变得越来越重要。在最近邻搜索中,许多哈希方法因为快速查询和低内存被提出。然而,现有方法在哈希函数构造过程中对数据稀疏结构研究的不足,本文提出了一种无监督的稀疏自编码的图像哈希方法。基于稀疏自编码的图像哈希方法将稀疏构造过程引入哈希函数的学习过程中,即通过利用稀疏自编码器的KL距离对哈希码进行稀疏约束以增强局部保持映射过程中的判别性,同时利用L2范数来哈希编码的量化误差。实验中用两个公共图像检索数据集CIFAR-10和YouTube Faces验证了本文算法相比其他无监督哈希算法的优越性。     

基于深度学习的有遮挡人脸识别方法研究

针对传统CNN在有遮挡人脸识别中计算量大的问题,文中以L1-2DPCA为基础,提出了一种用于人脸识别的新型PCANet深度学习网络.该网络以L1-2DPCA学习多个卷积层的滤波器,在卷积层之后,通过二进制散列和逐块直方图进行池化.文中以CNN、PCANet、2DPCANet和L1-PCANet作为比较,在AR和RMFD...     

Deep supervised hashing using quadratic spherical mutual information for efficient image retrieval

Several deep supervised hashing techniques have been proposed to allow for extracting compact and efficient neural network representations for various tasks. However, many deep supervised hashing techniques ignore several information-theoretic aspects of the process of information retrieval, often leading to sub-optimal results. In this paper, we propose an efficient deep supervised hashing algorithm that optimizes the learned compact codes using an information-theoretic measure, the Quadratic Mutual Information (QMI). The proposed method is adapted to the needs of efficient image hashing and information retrieval leading to a novel information-theoretic measure, the Quadratic Spherical Mutual Information (QSMI). Apart from demonstrating the effectiveness of the proposed method under different scenarios and outperforming existing state-of-the-art image hashing techniques, this paper provides a structured way to model the process of information retrieval and develop novel methods adapted to the needs of different applications.     

Discrete hashing with triple supervision learning

In recent years, discrete supervised hashing methods have attracted increasing attention because of their high retrieval efficiency and precision. However, in these methods, some effective semantic information is typically neglected, which means that all the information is not sufficiently utilized. Moreover, these methods often only decompose the first-order features of the original data, ignoring the more fine-grained higher-order features. To address these problems, we propose a supervised hashing learning method called discrete hashing with triple supervision learning (DHTSL). Specifically, we integrate three aspects of semantic information into this method: (1) the bidirectional mapping of semantic labels; (2) pairwise similarity relations; (3) second-order features from the original data. We also design a discrete optimization method to solve the proposed objective function. Moreover, an out-of-sample extension strategy that can better maintain the independence and balance of hash codes is employed to improve retrieval performance. Extensive experiments on three widely used datasets demonstrate its superior performance.     

WQ:基于权重求解的哈希算法

由于最近邻查询算法一般需要较高时间和空间代价,往往不能满足大数据查询的需要.哈希技术可以大幅度减少查询时间和存储空间,其主要思想是将原始空间中的高维数据映射成为一组编码,且满足保相似性原则.现有的大部分哈希方法一般认为哈希编码的各维度权重相同.然而在实际情况中,不同的维度往往携带有不同的信息.为此,本文提出了新的算法,为编码的每个维度分配权重,并提出了对应的量化编码方式.理论证明了算法的可行性,在真实数据集下与其他哈希算法对比实验也验证了该算法的有效性.