基于深度卷积神经网络的车型识别

传统的基于卷积神经网络的车型识别算法存在识别相似车型的准确率不高,以及在网络训练时只能使用图像的灰度图从而丢失了图像的颜色信息等缺陷。对此,提出一种基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的提取图像特征的方法,运用深度卷积神经网络对背景较复杂的车型进行网络训练,以达到识别车型的目的。文中采用先进的深度学习框架Caffe,基于AlexNet结构提出了深度卷积神经网络的模型,分别对车型的图像进行训练,并与传统CNN算法进行比较。实验结果显示,DCNN网络模型的准确率达到了96.9%,比其他算法的准确率更高。     

基于加权动态兴趣度的微博个性化推荐

针对微博信息量大、用户兴趣随时间变化特征,提出一种基于加权动态兴趣度(WDDI)的微博个性化推荐模型。WDDI模型考虑微博转发特征,并引入时间因子,利用微博主题模型基于转发的狄利克雷分配(RT-LDA)对用户微博进行研究,建立用户对主题的个体动态兴趣模型。通过用户与其关注用户的相似度和交互频率获取用户的群体动态兴趣,将用户个体兴趣与群体兴趣加权结合得到加权动态主题兴趣模型。对用户接收的新微博按动态兴趣度降序排列,实现微博动态个性化推荐。实验表明,WDDI模型较之传统推荐模型,在微博服务中能够更准确地反映用户动态兴趣。     

基于可逆水印的神经网络模型完整性验证算法

针对深度神经网络模型易遭受完整性破坏问题,提出一种基于可逆水印和模型压缩剪枝理论的快速神经网络模型完整性验证算法Fast-MIV(model integrity verification)。基于模型压缩剪枝理论探究模型的冗余性,筛选对模型原始任务影响较小、且可被替代的权重参数进行预处理构建待嵌入参数序列;采用差值扩展可逆水印算法,在神经网络卷积层上嵌入对模型篡改敏感的神经网络水印,达到完整性验证的目的。基于ImageNet数据集,对VGG19、DenseNet-121、ResNet-50和Inception-v3等模型的实验验证结果表明,Fast-MIV在不影响模型原始分类任务精度的前提下,能够快速验证模型的完整性并报告模型的受损程度,可以应对数据中毒攻击和结构性破坏。     

自监督学习用于3D真实场景问答

近年来，视觉问答逐渐成为计算机视觉领域的研究热点之一。目前大多数研究是围绕2D图像的问答，但2D图像存在由视点改变、遮挡和重投影引入的空间模糊性。现实生活中，人机交互的场景往往是3D的，研究3D问答更具实际应用价值。已有的3D问答算法能感知3D对象以及它们的空间关系，并能回答意义复杂的问题。但是，由点云组成的3D场景和问题属于两种模态的数据，这两种模态数据之间存在明显的差异，难以对齐，两者潜在的相关特征容易被忽略。针对这一问题，提出了一种基于自监督学习的3D真实场景问答方法。该方法首次在3D问答模型中引入对比学习，通过3D跨模态对比学习对齐3D场景和问题，缩小两种模态的异构差距，挖掘两者的相关特征。此外，将深度交互注意力网络用于处理3D场景和问题，对3D场景中的对象和问题中的关键词做充分的交互。在ScanQA数据集上进行的大量实验表明，3DSSQA在EM@1这个主要指标上的准确度达到了24.3%,超过了目前最先进的模型。