面向智能交通的人车识别无线感知方法研究

基于无线感知技术的人车识别方法,具有部署成本低、无侵入性等优点,是智能交通系统智慧水平提升的关键手段.然而,现存人车识别无线感知方法,多以2.4 GHz无线能量数据为基础,忽视sub-GHz在该领域中的应用,且鲜有工作探讨天线高度和人车识别性能内在联系.为此,旨在厘清载波频段、天线高度与算法性能关联关系,提出基于卷积神经网络的人车识别无线感知方法(Wireless Sensing-Based Human-Vehicle Recognition with Convolutional Neural Network,WsHVR-CNN),阐明人车识别无线感知方法设计依据与多参数影响机理.实验表明,sub-GHz与2.4 GHz无线能量数据均可为人车识别无线感知方法建构奠定基础,而基于2.4 GHz频段所构的WsHVR-CNN性能最优,在天线高度为0.8 m时准确度达到98.15％.此外,所开发的数据集公开于,为相关工作深入研究提供基础.     

面向目标识别的轻量化混合卷积神经网络

针对当前基于深度神经网络的目标检测往往存在计算复杂度高、对硬件要求苛刻、难以在嵌入式平台和移动智能设备上运行且运行速率低等问题,提出一种基于YOLOv4(You Only Look Once Version4)的轻量化混合神经网络.此混合网络主干特征提取网络采用轻量级MobileNeXt网络模型,并使用改进后RFB(R...     

面向信号调制识别的神经网络模型轻量化方法

为了提高智能化信号调制识别任务的实时性,本文对用于信号调制识别的深度学习模型进行了轻量化研究．通道剪枝是减小模型复杂度的有效方法,但现有的方法受原始模型深度的限制,虽然剪枝后的计算量减少,但是加速效果并不明显．针对上述问题,本文提出一种面向信号调制识别的神经网络模型轻量化方法,以卷积层作为最小剪枝单元,为每个卷积层生成代理分类器,根据代理分类器的分类精度评估卷积层的重要性,移除重要性较小的模块从而实现剪枝,对剪枝后的模型进行微调,以恢复模型的准确率．在公开数据集上,对多种信号分类模型进行实验,与通道剪枝方法相比,可以更有效地加速模型推理,模型参数量和浮点计算量下降80%以上,推理时间下降70%以上．而针对在高压缩率下模型性能损失问题,本文提出以知识蒸馏代替微调过程,将“知识”直接从原模型转移到剪枝后的紧凑模型,相比于微调,准确率提升可达2%.     

面向监控视频的人车分类技术的选择

随着图像识别技术的发展,人车分类已经成为一个重要的研究课题。它能够有效地提高对敏感区域的监控效率,同时良好地进行人车分类,能够有效帮助后期的行为理解。本文将就一个人车分类系统中的人车分类技术进行较为全面的阐述,提出了串联分类器,根据运动检测出来的二值图中的区域、离散度、面积比以及类似于HOG的梯度计算方法等信息来建立特征,使用神经网络分类器进行分类,当分类结果自信度低于一定门限时,根据运动检测出来的二值图的位置信息以及图像信息,使用HOG进行建立特征,并利用SVM分类器进行人车分类。     

结合目标检测的人体行为识别

人体行为识别领域的研究方法大多数是从原始视频帧中提取相关特征,这些方法或多或少地引入了多余的背景信息,从而给神经网络带来了较大的噪声.为了解决背景信息干扰、视频帧存在的大量冗余信息、样本分类不均衡及个别类分类难的问题,本文提出一种新的结合目标检测的人体行为识别的算法.首先,在人体行为识别的过程中增加目标检测机制,使神经...     

基于小波变换的人车目标特征提取算法

借助小波变换在时频分析上的优点,提取地面运动目标的回波信号特征在目标识别中加以应用.首先对目标的回波信号进行预处理,获取目标的瞬时多普勒频率信号,然后对该信号进行小波分解与重构,通过对特定频段的信号分析就可实现对运动目标周期性特征的提取.以在战场侦察雷达探测的人车目标识别中的应用为例,讲述该算法在人车目标识别中的特征提取过程,采用实际雷达回波数据对该特征提取算法进行验证,并对识别效果作分析.     

基于深度学习的3D目标检测算法综述

随着自动驾驶领域对目标检测的精度和速度需求的提高,目标检测的研究从传统检测算法转向深度学习方向。由于2D目标检测算法存在小目标丢失等问题,基于深度学习的3D目标检测算法以能提供物体的位置、尺寸和方向等一些空间结构信息的优势,迅速在自动驾驶领域发展起来。首先,简单陈述了2D目标检测算法,将3D目标检测算法分成5个类别,分析了各类目标检测算法的优缺点;然后,详述了最新被提出的基于图神经网络(graph neural network, GNN)的2种算法;最后,对3D目标检测所应用的领域和其研究意义进行总结,并对3D目标检测今后可能发展的方向做出猜想。     

面向作文自动评分的优美句识别

语言优美是学生写作能力中重要的一部分。该文提出一个面向作文自动评分的作文优美句识别任务,主要识别中学生中文作文中的优美句。相比传统文本分类任务,优美句识别更加难以用特征工程的方式解决。因此,该文提出一种基于卷积神经网络(CNN)和双向长短时记忆(BiLSTM)网络的混合神经网络结构进行优美句识别,并和CNN、BiLSTM网络进行了对比。实验证明,混合神经网络的准确率最高,达到89.23%,F₁值与BiLSTM相当,达到75.39%。此外,该文将优美句子特征用于作文自动评分任务,可使计算机评分和人工评分的大分差比例下降21.41%。     

面向智能监控的行为识别

目的 为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO（you only look once：unified,real-time object detection）并结合LSTM（long short-term memory）和CNN（convolutional neural network）的人体行为识别算法LC-YOLO（LSTM and CNN based on YOLO）。方法 利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果 在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96.6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论 提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。     

基于深度学习的自动调制识别研究

非合作通信场景下,自动调制识别是实现频谱感知、频谱管理、频谱利用的关键一环,也是进行高效信号处理的重要前提.传统基于模式识别的AMR方法需要手工进行特征提取,面临着设计复杂性高、识别精度低、泛化能力弱等难题.为此,学术界将目光转向以提取数据中隐含特征见长的深度学习方法,提出了多种面向AMR的深度神经网络架构.相比传统方...     

基于轻量化网络MobileNetV2的玉米病害识别研究

针对传统玉米病害的识别方法过于依赖个人经验、出错概率高的问题,结合深度学习与计算机视觉技术,提出一种基于迁移学习和MobileNetV2模型的识别方法,能够较准确地识别常见的三类玉米病害：灰斑病、锈病、大斑病。与经典CNN网络模型LeNet对比后,发现该方法具有计算量少、准确率高的特点,适用于移动设备。该方法在Kaggle数据集上的平均识别率达到96.94%,模型大小只有8.95MB。     

基于卷积神经网络的古文字识别系统设计与实现

古文字作为中国上下五千年以来的使用文字,记录了我国从古至今的文化发展历史,对于我国的历史文化研究具有十分重要的作用.对古文字的识别能够将那些珍贵的文献材料转换为电子文档,便于这些珍贵文献材料的保存和传播.该文将深度学习中经典的卷积神经网络技术应用到古文字识别中,剖析了运用的卷积神经网络技术的原理结构,并阐述了系统在识别...     

基于DNN处理的鲁棒性I-Vector说话人识别算法

提出了一种将基于深度神经网络（Deep Neural Network,DNN）特征映射的回归分析模型应用到身份认证矢量（identity vector,i-vector）/概率线性判别分析（Probabilistic Linear Discriminant Analysis,PLDA）说话人系统模型中的方法。DNN通过拟合含噪语音和纯净语音i-vector之间的非线性函数关系,得到纯净语音i-vector的近似表征,达到降低噪声对系统性能影响的目的。在TIMIT数据集上的实验验证了该方法的可行性和有效性。     

基于FPGA的深度学习目标检测系统的设计与实现

针对当前深度学习目标检测算法计算复杂度高和内存需求大等问题,设计并实现了一种基于FPGA的深度学习目标检测系统。设计对应YOLOv2-Tiny目标检测算法的硬件加速器,对加速器各模块的处理时延建模,给出卷积计算模块的详细设计。实验结果表明,与CPU相比,CPU+FPGA的异构系统是双核ARM-A9能效的67.5倍,Xeon的94.6倍;速度是双核ARM-A9的84.4倍,Xeon的5.5倍左右。并且,当前设计在性能上超过之前的工作。     

基于嵌入式平台的航拍目标智能识别

基于多旋翼无人机实现目标识别具有成本低、灵活性高的优点,能够对近地低空目标进行高强度监测,在国防军事领域和民用领域具有巨大的应用前景;但无人机机载计算机常使用功耗小、重量轻、可靠性高的嵌入式设备,该类设备算力有限,难以实时运行现有深度学习目标识别算法,因此研究深度学习航拍小目标识别技术在嵌入式设备中实时运行有重要意义;基于YOLOv4设计了适用于无人机俯视小目标的轻量化网络,并基于BN层 系数对网络进行剪枝,采用了TensorRT对算法进行硬件加速;同时,制作了小型军用目标数据集,基于该数据集,在机载嵌入式运算平台上对原始YOLOv4算法和改进的算法分别进行了测试,改进算法与原YOLOv4相比,准确率提升了2.3%,速度提升了3.3倍。     

基于多通道联合学习的自动调制识别网络

自动调制识别技术不仅可以提高频谱资源的利用率,而且是有效鉴别用户合法身份的方式之一。为进一步提高识别算法的性能,文章考虑幅度和相位特征之间的联系,提出了一种新的非对称多通道联合学习网络。该网络将幅度、相位以及两者的联合矩阵作为多通道输入端,在不改变参数量和计算速度的前提下利用非对称联合学习模块,较好地提取调制信号的幅度和相位中同质和异构特征,来实现自适应调制编码。实验结果表明,与其他深度学习网络相比,文章所提网络在基准开源数据集RadioML2016.10a和RadioML2016.10b上分别实现了91.73%和93.36%的识别精度。     

基于深度学习的语音识别技术现状与展望

首先对深度学习的发展历史以及概念进行简要的介绍。然后回顾最近几年基于深度学习的语音识别的研究进展。这一部分内容主要分成以下5点进行介绍：声学模型训练准则,基于深度学习的声学模型结构,基于深度学习的声学模型训练效率优化,基于深度学习的声学模型说话人自适应和基于深度学习的端到端语音识别。最后就基于深度学习的语音识别未来可能的研究方向进行展望。     

基于卷积神经网络多层特征提取的目标识别

目标识别一直是人工智能领域的热点问题. 为了提高目标识别的效率,提出了基于卷积神经网络多层特征提取的目标识别方法. 该方法将图像输入卷积神经网络进行训练,在网络的每个全连接层分别进行特征提取,将得到的特征依次输入到分类器,对输出结果进行比较. 选取经过修正线性单元relu函数激活的低层全连接层作为特征提取层,比选取高层全连接层特征提取的识别率高. 本文构建了办公用品数据集,实现了基于卷积神经网络多层特征提取的办公用品识别系统. 选择AlexNet卷积神经网络模型的relu6层作为特征选取层,选择最优训练图像数量和最优分类器构建系统,从而证明了该方法的可行性.     

面向SAR目标识别的深度卷积神经网络结构设计

目的 针对用于SAR （synthetic aperture radar） 目标识别的深度卷积神经网络模型结构的优化设计难题,在分析卷积核宽度对分类性能影响基础上,设计了一种适用于SAR目标识别的深度卷积神经网络结构。方法 首先基于二维随机卷积特征和具有单个隐层的神经网络模型-超限学习机分析了卷积核宽度对SAR图像目标分类性能的影响;然后,基于上述分析结果,在实现空间特征提取的卷积层中采用多个具有不同宽度的卷积核提取目标的多尺度局部特征,设计了一种适用于SAR图像目标识别的深度模型结构;最后,在对MSTAR （moving and stationary target acquisition and recognition） 数据集中的训练样本进行样本扩充基础上,设定了深度模型训练的超参数,进行了深度模型参数训练与分类性能验证。结果 实验结果表明,对于具有较强相干斑噪声的SAR图像而言,采用宽度更大的卷积核能够提取目标的局部特征,提出的模型因能从输入图像提取目标的多尺度局部特征,对于10类目标的分类结果（包含非变形目标和变形目标两种情况）接近或优于已知文献的最优分类结果,目标总体分类精度分别达到了98.39%和97.69%,验证了提出模型结构的有效性。结论 对于SAR图像目标识别,由于与可见光图像具有不同的成像机理,应采用更大的卷积核来提取目标的空间特征用于分类,通过对深度模型进行优化设计能够提高SAR图像目标识别的精度。     

基于卷积神经网络的遥感图像飞机目标识别

遥感图像的识别技术一直被广泛运用于民用和军事领域。针对采集到的遥感飞机图像存在大量干扰,如遮挡、噪声、视角变化等因素,提出一种改进的基于卷积神经网络的遥感图像目标识别算法。在复杂环境下,运用卷积神经网络对飞机目标进行识别,避免了在特征提取过程中信息的丢失,提高了识别率。实验结果证明了该算法在遥感图像飞机目标识别中的可行性,能克服尺度变化及目标姿态变化等因素的影响。同时提出的算法较传统CNN、BP神经网络和支持向量机(SVM)方法具有更好的识别效果,鲁棒性更强。