深度学习在交通运输中应用综述

介绍了自编码器、卷积神经网络、循环神经网络三个主流深度学习网络架构在交通运输中的应用研究,简述了三个主流深度学习网络的应用背景。对于三个深度学习网络在交通运输中的应用,分别分析了自编码器在交通流预测,特别是在短时交通流预测方面的技术研究;卷积神经网络在交通热点图像、车牌识别、驾驶员注意力等方面的技术应用;循环神经网络在交通流预测的技术优势。并对三个深度学习网络在交通运输中的研究进行了总结,对深度学习未来的研究方向做了展望。     

基于深度学习的医学图像超分辨率重建分析

针对现阶段高分辨率的医学图像受到硬件设施以及成像技术的限制,提出基于深度学习的医学图像超分辨率重建方式,发挥医学成像在我国医学的疾病诊断方面具有重要的作用。首先,阐述基于深度学习进行医学图像超分辨率重建的必要性;其次,对深度学习下的图像超分辨率重建措施进行了详细说明,通过卷积神经网络、SRCNN、ESPCN、SRGAN等方式的应用,完善图像超分辨率的重建方法;再次,对深度学习医学图像超分辨率重建的提升空间进行了分析,并提出了三项具体的提升措施;最后,将医学图像超分辨率的优化措施做了说明。     

栈式自编码器特征表达能力研究

以深度学习中的自编码器为基础,堆积稀疏自编码形成深度网络,以贪心算法逐层训练实现特征层的层抽象映射,监督训练Softmax分类器,然后使用BP(反向传播)算法优化权值,构建SAE(栈式自编码器),并重点对其特征表达能力进行探究。第一,以单层自编码器作为特征表达的基础模块,探究自编码器中隐藏层节点数对特征表达能力影响;第二,重点探究对于多层自编码器的理解,堆积自编码器是否是一个好的获取理想特征表达的途径,主要评估多层自编码器对于特征表达的准确性和稳定性影响。基于MNIST(美国国家标准与技术研究所数据库)数据集的实验与PCA(主成分分析)、LLE(局部线性嵌入)、BP算法特征表达能力进行对比分析,验证栈式自编码器特征表达能力的有效性。     

基于深度学习的压缩感知图像重构算法综述

压缩感知突破奈奎斯特采样定律(NST),很大程度缓解了数据的获取和传输压力.近年来,随着深度学习迅速发展,深度神经网络技术在压缩感知领域的应用使压缩感知重构的精度和效率均得到有效提升,并引起学者们的广泛关注和研究.为了对现有的基于深度学习的压缩感知图像重构算法进行梳理归纳,首先,介绍压缩感知的基础数学知识以及两种极具代表性的传统压缩感知重构迭代优化算法:ISTA和ADMM;接着,详细讨论上述两种传统算法的深度网络展开框架以及对基准框架的改进技术:ISTA-Net++和ADMM-Net,并对SDA、ReconNet、DR^(2)-Net等五种非传统算法展开的端到端的深度神经网络框架进行对比分析;然后,以峰值信噪比(PSNR)为评价指标,将代表性网络模型在自然图像数据集Train400和医学图像数据集MICCAI上的重构精度进行比较分析;最后,总结并展望深度学习技术在压缩感知重构领域的研究前景.     

基于CBAM的深度序数回归方法

本文针对单目深度估计模型深度序数回归算法中全图像编码器易丢失较大像素值像素特征信息和位置信息的缺点,提出一种基于CBAM的深度序数回归方法.首先,将CBAM嵌入到深度序数回归算法中作为全图像编码器,依次采用通道注意力机制和空间注意力机制来捕获图像完整的特征信息和位置信息,通过获得的注意力图重新调整原始特征;其次,对像素的深度值进行离散,将深度估计重新转化为序数回归问题;最后,使用回归损失函数对网络进行训练.实验结果表明,相比于其他有监督学习、半监督学习和无监督学习的方法,该方法在KITTI数据集上取得更好的效果.     

基于深度学习的多目标车辆跟随识别算法研究

传统的车辆跟随识别检测由于目标具有动态性、背景复杂等特点,使得采集的信息冗余程度大,无法及时有效地对信息进行分析;同时采集的信息易受外界环境影响,对系统硬件依赖较大,因此具有较大不确定性。随着深度学习的发展以及跟踪算法与识别算法的融合,针对以上情况提出了基于深度学习的多目标车辆跟随识别算法。首先通过对硬件系统采集的图像信息进行边缘检测;其次利用深度学习发现数据中的特征结构和抽象关系,建立网络结构模型;最后通过优化激活函数和分类器,实现车辆的跟随识别,另一方面为了降低模型的复杂度以及维数过多带来的灾难,避免梯度弥散现象的发生,需要对网络模型进行残差学习改进。仿真实验结果表明,基于深度学习的车辆跟随识别算法可以有效地对车型进行检测和分类,且对复杂背景以及多相似目标的干扰具有较强的鲁棒性。     

基于深度特征学习的旋转机械滚动轴承状态在线监控

针对现有算法在旋转机械设备动态监控中的不足，提出基于深度特征学习的滚动轴承状态监控算法研究。在深度学习模型编码器的构建方面，考虑到隐层神经元活跃度的设定，并确保自动编码器具有一定的稀疏性和降噪性；采用堆叠式稀疏降噪编码器的结构设计，对故障数据做无监督逐层训练，以降低损失函数值；结合GLUP算法提取故障数据集的特征，达到提高在线监控精度的目的。实验数据表明，该算法在故障样本集的训练和测试中，均保持较高故障分类准确率和监控精度，在模型损失函数值控制方面也优于现有监控算法。     

基于自编码器的显微图像色彩恒常算法

针对显微图像领域色彩恒常(CC)数据集缺乏、CC算法跨数据集训练效果不佳的问题,通过相机采集和模拟生成两个步骤建立了显微CC数据集,并提出了一种基于自编码器的显微图像CC算法.该算法用改进的UNet结构自编码器进行半监督训练,同时引入一种新的复合损失函数优化网络参数,使恢复的图像色彩更准确.实验结果表明,相比传统自编码器,本算法训练的图像清晰度更高,在NUS-8 CC数据集、RECommended CC数据集和自建显微CC数据集中的角误差估计值更小.     

基于自编码器的零样本扣件检测

基于深度学习的扣件检测需要大量人工标注的扣件图像数据集驱动,然而铁路扣件图像中负样本偏少,不均衡的数据集会使得深度学习模型的泛化能力较差,达不到检测扣件状态的效果.针对该问题,本文提出了一种基于自编码器的零样本扣件检测.首先,使用欠完备自编码器、栈式自编码器和卷积自编码器提取扣件正样本图像特征;然后,通过正样本特征向量与基向量的余弦相似度推断出负样本的分布空间;在检测时将各自编码器算法得出的结果利用多数投票法确定样本属性.实验证明,使用本文方法,在只使用正样本训练的情况下,可以有效地检测出扣件图像的负样本,准确率为95.59％,实现了零样本扣件检测.     

基于并行多轴自注意力的图像去高光算法

图像高光层模型的模糊性和高光动态范围大的特点,使得图像去高光成为了一个挑战性的视觉任务。纯局部性方法容易导致图像高光区出现伪影,纯全局性方法容易使图像非高光区色彩失真。针对图像去高光中局部和全局特征不平衡导致的上述问题,以及高光层建模的模糊性,提出了基于并行多轴自注意力机制的门限融合U型深度网络图像去高光算法。该方法通过隐式建模避免了高光层模型模糊引入的问题,利用U型网络结构将上下文信息与低层信息融合对无高光图像进行估计,并在U型结构编码器和解码器之间引入门限融合结构进一步提升网络模型的特征表达能力。此外,U型网络的单元结构通过融合局部和全局自注意力平衡了局部和全局特征的编码和解码。定性实验结果表明,文中方法可以更有效地去除图像中的高光,其他对比算法在高光处容易产生伪影和失真。定量实验结果表明,文中方法在PSNR和SSIM指标上优于其他五种典型的图像去高光方法,在三个数据集上,PSNR值分别高于次优方法 4.10、7.09、6.58 dB,SSIM值分别取得了4%、9%和3%的增量。     

一种改进的BP神经网络在手写体识别上的应用

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小。文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度。实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善。     

走向深空--测控通信的发展方向

介绍了深空测控通信的基本技术问题,分析了深空测控通信的特点,对其前沿技术进行了探讨,包括极微弱信号的接收技术、超低噪声接收技术、巨型波导波束天线及其组阵技术、极低码速率数传、极窄带锁相接收、极限纠错编码、深空定轨、深空应答机、站间联结干涉仪、超高稳定原子钟、工作频段向Ka和光通信频段发展等。     

基于改进型稀疏自动编码器的图像识别

传统的稀疏自动编码器不具备平移不变性,同时对非高斯噪声较为敏感。为增加网络平移不变的特性,借鉴卷积神经网络的相关理论,通过对原始的像素块进行卷积运算以达到上述目的;而为了提高对非高斯噪声的鲁棒性,自动编码器的代价函数由均方误差改为了最大相关熵准则。通过在MNIST和CIFAR-10数据集上进行试验,结果证明,改进后的方法较传统的自动编码器具有更好地识别效果,识别率提高了2%～6%。     

基于DBF的汉语方言自动辨识

在汉语方言辨识中,传统的声学特征是语音信号的谱特征的参数化表示,常常包含说话人、信道、背景噪声等冗余信息,针对上述问题将深度神经网络(Deep Neural Network,DNN)引入特征提取之中,提出了与音素层面相关的深度瓶颈特征(Deep Bottleneck Feature,DBF),尝试从特征层面抑制方言冗余信息的影响.最后在实验部分对瓶颈层的位置,节点数目进行了讨论,结果显示,深度瓶颈特征相对于传统声学特征能够取得更高的识别率.     

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法.本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性.     

一种级联式神经网络框架的路标识别方法研究

为了提升无人驾驶汽车对于外界环境感知的能力, 本文提出了一种级联式神经网络框架对虚拟环境中的路标进行检测与分类。该框架将添加了 辅助结构的全卷积神经网络与改进后的经典LeNet-5网络进行 组合,在处理所提取出的路标区域边缘不平整以及产生杂项问题上使用传统的腐蚀膨胀开运 算图像处理算 子进行优化和解决,实现虚拟道路图像中雨雪等多种情况下的多类路标进行定位与识别。通 过与经典的不 变矩特征、ORB全局特征提取方法,以及YOLO,SSD人工智能方法对比试验表明,本文所提出 方法具备检测准确度高,运算速度快的优势。     

无线中继技术在TD-LTE网络中的应用分析

无线中继(relay)能够解决由于传输无法铺设、宏基站站址物业难以协调、高楼遮挡等导致的覆盖存在盲区的问题.应用实际外场测试与网络仿真两种手段,综合评估室外覆盖、室内盲区场景下中继的覆盖性能.通过分析中继与楼宇之间的距离、中继部署位置高度与室内深度覆盖效果之间的关系,给出中继用于解决深度覆盖盲区时的部署建议.     

基于Faster R-CNN深度网络的茶叶嫩芽图像识别方法

本文旨在研究基于深度网络模型的茶叶嫩芽识别 方法,根据茶叶的品级和质量要求,把茶叶嫩芽分 为一芽一叶和一芽两叶,因为茶叶的生长姿态千差万别,所以又在茶叶嫩芽识别模型中加入 关于遮挡情况的分 类。选用了基于VGG-16、ResNet-50和ResNet-101特征提取网络的Faster R-CNN深度网 络模型分别对茶叶嫩 芽数据样本进行训练,同时,该方法与三种相同特征提取网络的SSD深度网络模型进行对比 ,实验结果表明, 基于VGG-16特征提取网络的Faster R-CNN深度网络模型的识别效果较好,得出茶叶嫩芽识 别模型的精确度为 85.14%,召回率为78.90,mAP为82.17%。该深度网络模型能够有效识别茶叶嫩芽目标,为茶叶的智能化采摘提供了 技术支撑。     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

数据中心光互连网络拓扑可重构研究

针对传统数据中心电互连网络在应对业务动态流量时存在适应性差的问题,文章提出并验证了一种可以根据网络流量波动进行网络拓扑自优化重构的机制.文章所提机制通过网络仿真系统与深度强化学习模型的迭代交互,实现了对拓扑结构与业务流量分布关系的持续训练,进而在实际系统中,深度强化学习模型,根据软件定义网络控制器实时收集的业务流量分布...