生成式对抗网络研究综述

近年来,随着生成式对抗网络的迅速发展,尤其图像处理领域表现突出,本文主要介绍了生成对抗网络的基本模型和衍生模型,以及在图像处理领域的应用,包括图像风格迁移、人机交互领域、视频帧预测,文本与图像的相互生成等应用。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

深度学习在焊接领域的应用研究现状

随着以深度神经网络为代表的深度学习模型取得突破性快速发展,同时得益于更强大的计算机、更大的数据集和能够训练更深网络的技术,深度学习在智能焊接等智能制造领域取得了大量应用。概述了深度学习技术在焊接过程控制、焊缝缺陷检测等方面的研究进展,当前的研究表明深度学习方法能够提高焊接过程实时控制精度和焊接缺陷的识别准确率。     

基于机器学习的风景园林智能化分析应用研究

机器学习使实现数据的智能化处理及充分利用数据中蕴含的知识与价值成为可能。探索基于机器学习在风景园林领域智能化分析应用的途径,开展3个实验。其中2个与数据分析研究相关,提出基于调研图像色彩聚类分析的城市色彩印象和基于图像识别技术的景观视觉质量评估与网络应用平台部署实验。最后1个实验与数字化设计创作相关,提出用于设计方案遴选的地形生成方法,包括2个子项目:应用深度学习生成对抗网络(GAN)的地形生成和建立遮罩、预测未知区域的高程。3个实验应用到机器学习中分类、聚类和回归3个主要方向中的算法以及深度学习的生成对抗网络,对传统的研究问题提出了基于机器学习新的研究方法。因此,在应用机器学习风景园林领域,可以有效地从多源数据中学习相互增强的知识,发现问题,并提出解决问题的新方法。     

用于自动驾驶汽车的深度学习技术介绍

智能化是汽车的三大变革技术之一。深度学习（Deep Learning,DL）具有拟合能力优、表征能力强和适用范围广的特点,是进一步提升汽车智能性的重要途径。本文总结了用于自动驾驶汽车的深度学习技术,包括发展历史、主流算法以及感知、决策与控制技术应用。首先回顾深度学习的历史及现状,总结神经网络的“神经元-层-网络”三级结构,重点介绍卷积网络和循环网络的特点以及代表性模型。其次阐述以反向传播为核心的深度网络训练算法,列举用于深度学习的常用数据集与开源框架,概括网络计算平台和模型优化设计技术。最后讨论深度学习在自动驾驶汽车的环境感知、自主决策和运动控制三大方向的应用现状及其优缺点,具体包括物体检测和语义分割、分解式和端到端决策、汽车纵横向运动控制等,针对用于自动驾驶汽车的深度学习技术,指明了不同问题的适用方法以及关键问题的未来发展方向。     

计算机深度学习在遗迹景观修复中的应用研究

随着遗迹景观的疾速消逝与破败,系统科学地开展保护与修复研究工作尤为重要.该研究提出基于人工智能方法,以遗址景观卫星遥感影像为基础研究数据,使用对抗生成式神经网络(GAN)以特征学习和特征复原的方式重新修复遗迹景观损坏、缺失段落,为遗迹景观空间布局的研究与后续保护工作提供全新方位解读及理论支持.结果表明,利用计算机深度学...     

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络（StyleGAN）,提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型（SqueezeNet网络）实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%（对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%）。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。     

深度学习技术在医学影像领域的应用

深度学习技术,作为最近几年人工智能最热门的研究领域,已成为全世界关注的焦点。深度学习在很多行业中展现出强大的应用能力,在某些视听识别任务中的表现甚至超越了人类。在医学领域,深度学习也逐渐成为研究者们分析大数据,尤其是医学影像的首选方法。本文简要介绍深度学习的历史与概况,结合国内外最新和最有影响力的研究成果,阐述深度学习在医学影像领域的科学研究进展,同时介绍深度学习在医学影像领域产品化应用及其未来的机遇与挑战。     

融合创新 绿色建造与智能建筑共赢新时代

正党的十九大指出,要推动互联网、大数据、人工智能和实体经济深度融合,要加强应用基础研究,拓展实施国家重大科技项目,突出关键共性技术、前沿引领技术、现代工程技术、颠覆性技术创新,为智慧社会提供有力支撑。2018年10月,中共中央政治局就人工智能发展现状和趋势进行了集体学习,习近平总书记在主持学习时强调,人工智能是新一轮科技革命和产业变革的重要驱动力量,加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。要推进智慧城市建设,促进人工智能在公共安全领域的深度应用,加强生态领域人工智能运用,运用人工智能提高公共服务和社会治理水平。随着大数据、互联网+、人工智能、5G、BIM等技术的发展,把智能化系统与建筑建造过程深度融     

基于生成对抗网络的深度Q学习空调冷负荷预测算法

针对传统预测算法在商场空调冷负荷预测中存在数据样本不足和预测精度低的问题,提出了一种基于生成对抗网络的深度Q学习的算法预测商场的空调冷负荷。利用生成对抗性网络生成与历史冷负荷数据相似的冷负荷数据,通过生成对抗网络解决真实负荷数据样本不足的问题。然后,利用深度Q学习网络预测未来时刻空调冷负荷数据。为了验证算法的有效性,以西安某商业建筑的空调冷负荷数据为例进行实例分析,实验结果表明,与单一深度Q学习网络预测算法相比,所提算法提高了负荷预测的精度,减小了误差,具有较高的可靠性,满足实际工程需求。