基于深度属性学习的交通标志检测

为了弥补交通标志底层图像到高层语义之间的鸿沟,本文引入交通标志的形状、颜色、图案内容三种视觉属性,在卷积神经网络(Convolutional neural network,CNN)中加入属性学习(Attribute learning)约束,同时进行交通标志属性学习和分类学习,提出了一种基于深度属性学习的交通标志检测方法。并在公开数据集Sweden traffic sign detection dataset(STSD)和German traffic sign detection dataset(GTSD)上进行的实验结果表明,该方法能够有效地提高交通标志检测的准确率和召回率。     

基于判别器反馈的零样本图像分类方法

零样本学习(zero-shot learning, ZSL)致力于在训练期间缺乏不可见类数据的情况下，仍能达到对不可见类别分类的目的。目前在生成式方法中，基于联合生成模型VAEGAN的零样本学习是一个研究热点。在此基础上，提出了一个基于判别器反馈VAEGAN(discriminator feedback VAEGAN,DF-VAEGAN)的零样本图像分类方法。该方法在判别器部分引入了一个反馈模块，在训练阶段可以提升模型整体的性能，在特征生成阶段可以结合生成器共同提升特征生成质量，最终通过高质量的合成特征训练分类器，提高分类准确率。本文还通过解码器重建属性特征，并使用循环一致性损失确保生成特征具备语义一致性。传统ZSL和广义零样本(generalized zero-shot learning, GZSL)图像分类实验展示了本文方法在5个经典数据集上均优于现有方法，在零样本图像分类任务中有效增强了特征合成质量和减少了类别间歧义的目标。     

深度监督对齐的零样本图像分类方法

针对零样本图像分类中属性向量的类别区分性差及对可见类别产生分类偏好的问题,提出一种深度监督对齐的零样本图像分类（DSAN）方法. DSAN构造类语义的全局监督标记,与专家标注的属性向量联合使用以增强类语义间的区分性.为了对齐视觉空间和语义空间的流形结构,采用视觉特征和语义特征分类网络分别学习2种空间特征的类别分布,并且无差异地对齐两者的分布.利用生成对抗网络的原理消除特征间的本质差异,以按位加的方式合并视觉特征和类语义特征,并利用关系网络学习两者间的非线性相似度.实验结果表明,DSAN在CUB、AWA1和AWA2数据集上对可见类别和未见类别的调和平均分类准确率比基线模型分别提高了4.3%、19.5%和21.9%;在SUN和APY数据集上,DSAN方法的调和平均分类准确率分别比CRnet方法高1.4%和2.2%,这些结果证明所提方法的有效性.     

基于属性关系图正则化特征选择的零样本分类

为挖掘属性学习中属性与特征、属性与属性之间的关系,针对属性学习中存在的所有特征与属性被同等对待,底层特征与属性、属性与属性之间的先验知识被忽略的问题,提出一种基于属性关系图正则化特征选择的零样本分类方法.首先,根据训练样本和类别-属性矩阵计算属性之间的正负相关性,进而构建属性关系图;然后,基于属性关系图,对底层特征进行图正则化特征选择,并将选择后的特征用于直接属性预测(DAP)模型的训练;最后,通过直接属性分类器对测试样本进行零样本分类.AWA数据集上的实验结果表明,在40类训练10类测试的情况下,所提方法获得了0.692 6的属性预测平均AUC值及19.5%的零样本分类精度.     

基于伪样本正则化Faster R-CNN的交通标志检测

针对交通标志检测算法往往仅能对特定类标志检测或基于深度学习方法因训练样本少而造成"过拟合"高风险等问题,本文提出了一种基于伪样本正则化Faster R-CNN深度学习的标志检测算法。该算法首先通过训练数据集提供的标志和无标注的背景样本,提出了一种伪样本正则化策略。然后,通过深度学习模型中区域建议生成网络获取建议区域。最后,利用交替训练策略、共享CNN策略和联合训练策略、RPN网络和Fast R-CNN目标检测网络交替训练和联合训练,最终获取Faster R-CNN交通标志检测模型,实现了各类标志的检测,并有效降低了"过拟合"风险。实验结果验证了本文算法的有效性。     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

基于混合高斯分布的广义零样本识别

与传统零样本识别相比,广义零样本识别的样本不仅包括测试类别样本,还包括训练类别样本,因此,广义零样本识别更具有现实意义。提出了一种基于混合高斯分布的广义零样本识别的算法（MGM-VAE）,在编码器中采用多个通道结构,促使变分自编码器（VAE）模型可以在更广泛的空间内寻求更好的映射解。     

基于迁移学习的少样本朝鲜语古籍文字的识别方法

为解决少样本朝鲜语古籍文字识别精度低的问题,提出了一种基于迁移学习的少样本文字识别方法.首先提出了一种结合传统数据增强和条件深度卷积生成对抗网络的数据增强方法,以此扩充朝鲜语古籍文字图像的训练样本数.其次,将富样本集预训练得到的模型迁移到少样本数据集的学习任务中,以此实现少样本的朝鲜语古籍文字识别.实验结果表明,提出的数据增强方法能够满足模型预训练和少样本的学习要求,且VGG16、ResNet18和ResNet50 3种网络模型在测试集上均获得良好的识别性能,其中ResNet50的识别准确率最高(99.72%).因此,该方法可有效解决小样本的朝鲜语古籍文字识别问题,并可为其他语种的小样本文字识别提供参考.     

BP神经网络下的限速交通标志实时检测识别

目前已有很多基于交通标志图片进行道路交通标志识别的系统研究,但存在误识别率较高的问题．因此文中基于视频数据对限速交通标志进行检测与识别,实现了限速交通标志的自动检测定位,并采用反向传播神经网络来进行道路标志的识别; 同时,还采用连续自适应的均值漂移算法和光流法进行视频加速．实验表明,新提出的算法在耗时上缩短50%以上,检测识别准确度在90%以上,适用于相关智能识别领域．     

度量学习改进语义自编码零样本分类算法

为改善零样本图像分类中相似度度量方法的鲁棒性,引入了一种用于零样本分类的度量学习方法.该方法由自编码构成,能在特征对齐后的语义嵌入空间中学习到最优的度量函数,用于计算测试样本特征和类标签的语义特征的相似度;然后利用近邻思想预测类别标签,进而避免产生不合适距离函数导致的分类错误.实验结果表明,与传统距离度量的算法相比,所提出的方法降低了识别错误率,在公开数据集AWA、CUB和ImNet-2上的分类准确率分别达到94.7%、63.7%和28.59%;同时表明了语义-视觉的映射方向比相反方向的识别准确率高出2.5%~10.1%.     

自适应属性选择的实体对齐方法

现有实体对齐方法普遍存在传统方法依赖外部信息和人工构建特征,而基于表示学习的方法忽略了知识图谱中的结构信息的问题。针对上述问题,提出自适应属性选择的实体对齐方法,融合实体的语义和结构信息训练基于两个图谱联合表示学习的实体对齐模型。提出使用基于自适应属性选择的属性强约束模型,根据数据集特征自动生成最优属性类型和权重约束,提升实体对齐效果。两个实际数据集上的试验表明,该方法与传统表示学习方法相比准确率最高提升了约11%。     

一种处理混合型属性的无监督异常入侵检测方法

针对目前入侵检测技术训练时处理类别型数据能力欠缺、误报率高的问题,提出一种处理混合型属性的无监督异常入侵检测方法,定义了类别型属性各取值之间的差异度,使得在对训练集进行无监督学习、生成检测模型过程中,能够同时有效地处理数值型属性和类别型属性．理论分析表明所定义的类别型属性值差异度既保留了类别型属性各取值之间的本质特征．同时也没有改变数据集的原始维数．实验中采用了网络入侵检测数据集KDD-CUP-99来训练模型．实验结果表明,采用的混合型属性处理方法进行聚类所建立的入侵检测模型,与现有方法相比,检测率高．     

结合Spatial CNN的端到端自动驾驶研究

针对当前自动驾驶中端到端深度学习算法需要庞大数据集作为训练支撑且缺少针对性的问题,基于深度迁移的思想,提出了迁移预训练VGG-16网络结合Spatial CNN网络结构的端到端自动驾驶模型.将预训练模型在ImageNet数据集上已经学习到的图像识别能力迁移至转向预测任务上,同时嵌入Spatial CNN网络结构挖掘空间特征信息.研究结果表明:在基于同等少量样本的训练后,迁移学习模型提取的特征更具有相关性,与从零开始训练的DAVE-2模型相比,预测误差率降低11.1％.在测试地图上模型预测值能很好地跟随真实值变化,说明模型能够实现高精度预测.     

一种基于人工标签数据的行为识别模型迁移方法

针对通用模型对新用户行为识别准确率的问题,给出一种基于人工标签数据的模型迁移方法。对新用户采集少量带标签数据,经过带通滤波、特征提取和归一化预处理,将其加入到通用模型训练集中。对更新后的训练集进行重新训练,以所得模型与通用模型对新用户数据识别准确率的差值作为迁移必要性度量阈值,利用K-均值算法以及由底至顶的决策树子节点属性平均值替代法,对模型进行迁移。实验结果显示,与原通用模型相比,由所给方法迁移学习得到的个性化模型的识别准确率有明显提高。     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

浮空器主缆绳表面的小样本学习缺陷检测研究

针对浮空器主缆绳表面缺陷样本获取困难的特点,提出一种小样本度量学习方法来检测主缆绳的表面缺陷。小样本学习由特征编码和度量两模块组成,特征编码模块采用预训练的卷积神经网络在通用图像集上提取样本特征,度量模块用来度量与未知类别样本最相似的样本从而完成缺陷种类的分类;由于辅助数据和检测数据差异较大,将微调策略引入小样本学习方...     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

基于属性偏好自学习的推荐方法

推荐系统从海量数据中挖掘出有用信息来学习用户偏好．目前主流研究的推荐算法是在考虑 评分数据和社交数据的基础上执行协同过滤算法．协同过滤方法包括传统的用户、商品协同过滤算 法和经典的矩阵分解方法．用户、商品协同过滤算法具有可解释性但训练速度慢,矩阵分解模型虽 然训练速度快但缺乏解释性．此外,评分数据和社交数据在获取难度上高于属性信息．针对这些问 题,提出一种基于属性偏好的自学习算法．该算法在评分数据和属性信息的基础上,首先利用用户 对属性的初始偏好程度与属性对商品的评分构建预测评分模型,通过预测评分和实际评分的平方 差及正规化项构造损失函数,使用梯度递减方法对损失函数中预测评分模型的属性偏好程度进行 迭代训练,最后使用训练后的属性偏好程度和属性值评分来预测用户评分．实验在两个经典数据集 上证明了该模型运行时间较快,且在评分数据稀疏的情况优于传统的协同过滤方法和基本矩阵分 解模型．     

一种域增强和域自适应的换衣行人重识别范式

为了解决服装变化对行人重识别模型识别人物身份准确率的影响,提出一个基于域增强和域自适应的换衣行人重识别范式,使模型在不同的域中学习通用鲁棒的身份表示特征。首先设计了一种服装语义感知的域数据增强方法,根据人体语义信息,在不改变目标人物身份的情况下,分别改变样本衣服裤子的颜色,生成同人同衣不同色的域数据,填补换衣数据域单一问题;其次设计了一个多正类域自适应损失函数,该函数根据不同域数据在模型训练中所做出贡献的不同,为多正类数据损失赋予不同权重,迫使模型专注于样本的通用身份特征的学习。实验证明,在不影响非换衣行人重识别准确度的情况下,该方法在PRCC和CCVID换衣数据集上的首位命中率和平均精度均值达到了约59.5%、60.0%和88.0%、84.5%。对比于其他方法,这种方法具有更高的准确率和更强的鲁棒性,显著提高了模型识别换衣行人的能力。     

小样本下基于深度学习的声呐图像分类研究

水下环境复杂多样,使得声呐成像模糊难以人工提取特征,同时声呐图像不易获取,数量远少于光学图像,导致了小样本情况下声呐图像分类网络的训练过拟合现象明显,识别准确率低。基于所建立的声呐图像数据集进行预处理后,提出一种改进的带有类别偏好的标签平滑正则化方法,对训练数据的标签进行优化,减轻网络的自信程度,并基于迁移学习中微调的方法利用光学图像对网络参数进行预训练和冻结,融合以上方法构建了一种小样本下的分类网络模型。仿真实验结果表明,优化后的网络模型取得了最佳分类识别准确率,有效抑制了过拟合现象,能够在小样本下实现精确分类声呐图像。