基于生成对抗网络的太阳能电池缺陷增强方法

为了解决太阳能电池样本不均衡问题,提出负样本引导生成对抗网络的太阳能电池缺陷样本增强方法. 通过在生成对抗模型中引入大量负样本和增加负样本引导损失,促进模型对正样本特征的表达,提升生成样本的多样性;设计自适应的权值约束方法,平衡生成器和判别器的表达能力,提升生成样本的质量. 实验结果表明,在太阳能电池电致发光(EL)缺陷数据集上,提出方法的生成质量和检测精度优于深度卷积生成对抗网络（DCGAN）、梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）和一阶导数生成对抗网络（FOGAN）;该方法的F测度较DCGAN、WGAN-GP和FOGAN分别最高提升了10%、8%和5%,具有较好的数据增强性能. 在带钢表面缺陷数据集及DAGM 2007公共数据集上,提出方法的性能优于DCGAN、WGAN-GP和FOGAN,具有一定的泛化能力.     

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.     

基于集成GMM聚类的少标记样本图像分类

为了提高卷积神经网络训练的分类器分类准确率,往往需要大量的已标记数据,但有时已标记数据并不容易获得。针对少标记样本图像分类问题,提出基于集成GMM聚类与标签传递思想的解决方案,通过一定的规则给未标记数据赋予标签,将未标记数据转换成已标记数据用于模型的训练。在手写数字识别数据集上进行实验,结果表明新算法在少标记样本的情况下,结合集成GMM聚类的方法比只采用有标记样本训练得到的模型分类准确率有着较大提高,验证了该算法的有效性。     

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。     

改进M-training算法的高光谱图像分类

为了解决高光谱数据有标签样本数量有限的分类问题,提出将M-training算法应用于高光谱图像分类。采用两个SVM、一个K近邻(KNN)以及一个随机森林(RF)进行分类器组合,对传统M-training算法进行改进,增强分类器的多样性和差异性。为了充分考虑大量无标签样本的影响,采用有标签样本与无标签样本错误率加权作为有标签样本集更新的限制条件,从而有效地扩大了有标签样本集。实验结果表明:改进算法和传统的M-training算法相比较,在总体分类精度与Kappa系数上分别提高1. 85%～12. 10%与0. 021 5～0. 141 3,从而验证了该算法的有效性。     

基于能量模型的行人与车辆再识别方法

为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法. 利用样本特征空间中同类样本的低能量分布特性, 设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应, 提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离. 在多个行人再识别和车辆再识别数据集上的测试结果显示, 相对于Soft-max和Triplet混合损失函数, 利用能量模型可以提升网络训练效率,提高目标再识别准确率.     

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。     

基于迁移学习的SAR图像车辆目标识别方法研究

针对卷积神经网络因参数随机初始化引起的收敛慢和过拟合的问题,提出了一种基于迁移学习的卷积神经网络模型.将小样本的数据作为源域的训练样本,将源域训练得到的模型的参数作为目标域模型的初始参数,大样本数据作为目标域的训练样本进行网络微调,实现从源域到目标域的信息迁移.在卷积神经网络中采用神经元丢弃法和组合小卷积核代替大卷积核的方式,减少网络的参数,加快收敛速度,并且抑制过拟合问题.实验采用移动与静止目标搜索识别数据集,该数据集分为十类合成孔径雷达图像车辆目标,以数据集中的三类目标数据作为源域训练样本,十类目标数据作为目标域训练样本,实验结果表明,提出的方法在十类目标识别精度上达到了98.39％,同时具有较快的收敛速度.     

基于优化DeepSort的前方车辆多目标跟踪

为了提升自动驾驶汽车对周边环境的感知能力,提出优化DeepSort的前方多车辆目标跟踪算法. 采用Gaussian YOLO v3作为前端目标检测器,基于DarkNet-53骨干网络训练,获得专门针对车辆的检测器Gaussian YOLO v3-vehicle,使车辆检测准确率提升3%. 为了克服传统预训练模型没有针对车辆类别的缺点,提出采用扩增后的VeRi数据集进行重识别预训练. 提出结合中心损失函数与交叉熵损失函数的新损失函数,使网络提取的目标特征有更好的类内聚合以及类间分辨能力. 试验部分采集不同环境的实际道路视频,采用CLEAR MOT评价指标进行性能评估. 结果表明,与基准DeepSort YOLO v3相比,跟踪准确度提升1%,身份切换次数减少4%.     

多阶段特征重分布算法的小样本目标检测

深度神经网络在目标检测任务上需要训练大量的标签数据,然而在许多实际应用场景中标签数据难以获取。针对这一问题,提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换,解决了小样本任务下源域数据和目标域数据分布不一致的问题;通过多阶段学习策略将源域知识逐步迁移到小样本目标任务中,进一步提高知识迁移效率。在VOC数据集上的大量实验表明,与现有小样本目标检测算法相比,该算法在不同任务上的精度最高提升了9.06%。该算法在大幅提高小样本目标域类别检测性能的同时,较大限度地保持了对源域类别的检测精度,具有较大的实用价值。     

一种基于多样性正实例的单目标跟踪算法

单目标跟踪是计算机视觉领域中最具有挑战性的应用场景之一. 针对跟踪过程中目标物体被遮挡以及运动过程中形变、画面模糊等问题,本文提出一种基于多样性正样本实例的单目标跟踪算法,同时缓解了训练样本不足以及样本缺乏多样性的问题. 在离线阶段,本文算法首先使用变分自编码器（Variational Autoencoder,VAE）对原始训练样本进行编码映射到隐空间,然后通过隐空间采样重构生成包含多样性的困难正样本数据,提高训练数据的多元性,并结合原始训练样本构建训练数据集;其次,对于训练序列的目标模板、正负样本,使用概率三元组损失函数训练跟踪网络,深入挖掘正负样本间关联,提高跟踪网络的判别性;在线测试阶段,使用训练的孪生神经网络（Siamese Neural Network,SNN）对目标进行跟踪定位,通过对目标模板和搜索区域执行互相关操作,确定目标在当前时刻的位置. 对比实验结果表明,本文算法提高了SNN跟踪网络在背景相似物干扰、目标物体运动过程中形态变化、快速运动、旋转、模糊以及被遮挡情况下的鲁棒性和定位准确性,并保持了实时的跟踪表现.     

YOLOv3在安全帽佩戴检测中的应用研究

针对施工现场环境复杂,基于YOLOv3的安全帽佩戴检测算法存在精度低、鲁棒性差等问题,提出一种改进YOLOv3的安全帽佩戴检测算法。使用K-means算法聚类出先验框,改进了网络输出尺度;并在输出端引入了跳跃连接构成残差模块;同时改进分类损失函数以平衡正负样本、难易样本对模型的影响。为验证该方法的有效性,在NVIDIA GTX1660Ti平台上进行了验证,实验结果表明,改进后的YOLOv3安全帽佩戴检测算法平均准确率提高了4.84%,提升了对被遮挡的目标以及小目标的检测能力,具有较强的鲁棒性。     

基于生成对抗网络的图像风格迁移

生成对抗网络(Generative Adversarial Network, GAN)可以生成和真实图像较接近的生成图像.作为深度学习中较新的一种图像生成模型,GAN在图像风格迁移中发挥着重要作用.针对当前生成对抗网络模型中存在的生成图像质量较低、模型较难训练等问题,提出了新的风格迁移方法,有效改进了BicycleGAN模型实现图像风格迁移.为了解决GAN在训练中容易出现的退化现象,将残差模块引入GAN的生成器,并引入自注意力机制,获得更多的图像特征,提高生成器的生成质量.为了解决GAN在训练过程中的梯度爆炸现象,在判别器每一个卷积层后面加入谱归一化.为了解决训练不够稳定、生成图像质量低的现象,引入感知损失.在Facades和AerialPhoto&Map数据集上的实验结果表明,该方法的生成图像的PSNR值和SSIM值高于同类比较方法.     

改进光纤布拉格光栅传感性能的方法

为了改善金属化保护后光纤Bragg光栅(FBG)的传感性能,采用化学镀后随恒温水浴箱自然冷却的方法减小温度突变。实验表明:改进后化学镀前后其透射谱3 dB带宽为0.129 nm,没有改变,峰值损耗只降低了3.42%,同时其温度传感迟滞误差为1.85%,测量值中最大正反行程差值折算成温度约为1.48℃。     

基于类对比簇分配异构迁移学习的 空间滚动轴承寿命阶段识别

针对变工况条件下因样本数据分布差异大、可训练用样本较少以及不同寿命阶段样本数量不均等所造成的空间滚动轴承寿命阶段识别准确率较低的问题，提出一种新型无监督迁移学习方法——类对比簇分配异构迁移学习(class-contrast cluster-allocation heterogeneous transfer learning, CAHTL)。在CAHTL中，通过异构迁移学习将历史工况下少量有类标签样本和当前工况的无类标签样本（即待测样本）迁移到公共特征空间内，使得不同工况样本之间的分布差异最小化；利用源域聚类簇点构建目标域样本特征的正负样本实现两域样本的数量再分配，再对两域正负样本进行对比学习以使待测样本具有更好分类性；通过计算待测样本与聚类簇点的相似度完成待测样本分类，且该分类过程无需参数学习，因此可防止样本不均等情况下对于不同寿命阶段样本识别准确率差距过大和在少有类标签训练样本情况下网络出现过拟合的问题；利用随机梯度下降和动量更新对CAHTL参数进行不同步更新，以保持样本特征的一致性并提高CAHTL的收敛速度。CAHTL可利用空间滚动轴承历史工况下的少量、非均等的已知寿命阶段的训练样本来对当前工况的待测样本进行较高精度的寿命阶段识别。空间滚动轴承寿命阶段识别实例验证了该方法的有效性。     

煤样漏失瓦斯量推算试验研究

为提高煤层瓦斯量的测定精度,解决煤样暴露时间延长、漏失瓦斯量推算误差增大的问题,采用自主研发的吸附解吸试验系统,对一缘煤矿15号煤层煤样的瓦斯解吸规律进行试验研究,以及运用巴雷尔公式和瓦斯解吸理论方程的近似公式分别对0¹0,010,0³0,030,0⁶0,060,0¹20 min等时段内的实测数据进行了拟合效果对比分析,并以上述2个公式为模型新建了2个漏失瓦斯量的推算公式,将2个新建公式在不同暴露时间、拟合时段情况下的推算值与实测的模拟漏失瓦斯量进行了误差对比.结果表明,在暴露时间和拟合时段都较短的情况下,适合采用巴雷尔公式推算漏失瓦斯量;在暴露时间与拟合时段均较长的情况下,采用解吸理论方程的近似公式推算漏失瓦斯量误差较小;在暴露时间为60 min,拟合时段为60120 min等时段内的实测数据进行了拟合效果对比分析,并以上述2个公式为模型新建了2个漏失瓦斯量的推算公式,将2个新建公式在不同暴露时间、拟合时段情况下的推算值与实测的模拟漏失瓦斯量进行了误差对比.结果表明,在暴露时间和拟合时段都较短的情况下,适合采用巴雷尔公式推算漏失瓦斯量;在暴露时间与拟合时段均较长的情况下,采用解吸理论方程的近似公式推算漏失瓦斯量误差较小;在暴露时间为60 min,拟合时段为60¹20 min时,推算误差达到最小,为3.09%.     

基于语义分割的织锦类自适应风格迁移算法

通过风格迁移的数字化手段可以辅助艺术作品的创作,但由于织锦类手工艺品具有颗粒感线条、块状色彩、前后景纹理区别较大等特点,使用现有风格迁移算法得到的输出图像在视觉上难以达到令人满意的效果.针对上述问题,提出了一种基于语义分割的织锦类自适应感知域风格迁移算法,将语义分割任务和基于自适应感受域的风格迁移算法相结合,并提出新的内容损失和风格损失.此外,为了解决生成结果图像后景中纹理不均匀的问题,在内容图像上增加高斯噪声用于平滑训练过程中生成图像的后景纹理.实验结果表明,所提算法在织锦作品风格迁移任务中的表现优于现有算法.     

一种基于对抗训练的医疗问答匹配方法

相较于英文开放领域的问答匹配,中文专业医疗领域的问答匹配任务更具有挑战性。针对中文语义和医疗数据的复杂、多样,大多数研究人员都专注于设计繁杂的神经网络来探索更深层次的文本语义,工作思路较为单一,同时神经网络模型很容易因为微小扰动而误判,模型的泛化能力较差。为此,提出了一种基于对抗训练的问答匹配模型,利用双向预训练编码器来捕获问答句的语义信息,从而得到对应的向量表征;再通过在词嵌入表示上添加扰动因子生成对抗样本;最后将初始样本和对抗样本共同输入带有线性层的模型中进行分类预测。在cMedQA V2.0数据集上通过对比实验证明了对抗训练可以有效提升问答匹配模型的性能。