基于深度学习的网络流量预测研究综述

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。     

基于TACNN的玉露香梨叶虫害识别

为了解决玉露香梨叶虫害种类多、扩散速度快、人工识别梨叶虫害耗时长的问题,提出了能够在自然环境下对玉露香梨叶虫害图像自动识别的Tiny-Alexnet卷积神经网络（Tiny-Alexnet Convolution Neural Network,TACNN）的虫害识别模型。分析了Alexnet模型的网络结构,并将实地采集的玉露香叶片虫害图像进行统一处理,为避免全连接层卷积核参数过大而产生的过拟合现象,通过优化全连接层,设置不同神经元节点和实验参数,得出了Mid-Alexnet、TACNN两种虫害识别模型。实验结果表明：TACNN较Alexnet和Mid-Alexnet模型有较高的识别准确率,该模型能够有效地提取梨叶虫害特征,类别平均准确率为81.18%,实现了对金龟子、梨木虱、梨瘿蚊三种虫害的准确区分。该模型在玉露香梨叶虫害识别方面具有良好的性能,可实现自然环境下玉露香梨叶虫害的精准识别。     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。     

改进CBAM的轻量级注意力模型

近几年注意力模型在计算机视觉领域取得了广泛的应用,通过在卷积神经网络中加入注意力模型,网络的性能可以显著提升。然而大多数现有的方法都专注于开发更复杂的注意力模型,以使卷积神经网络获得更强的特征表达能力,但这也不可避免地增加了模型的复杂性。为了在性能和复杂度间取得平衡,对CBAM模型进行优化提出了轻量级的EAM（Efficient Attention Module）模型。针对CBAM的通道注意力模块,引入一维卷积替代全连接层来聚合各通道间的信息;对于CBAM的空间注意力模块,将大卷积核替换为空洞卷积来增加感受野以聚合更广的空间上下文信息。将该模型融入YOLOv4后在VOC2012数据集上进行测试,mAP提高3.48个百分点。实验结果表明,该注意力模型只引入较小的参数量,网络性能可获得较大提升。     

基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

基于计算机视觉的手势识别康复系统研究与应用

针对目前医学上手部康复治疗的康复器械功能单一,训练过程动作反复且枯燥无趣,恢复过程比较缓慢等问题,提出了一种基于计算机视觉的手势识别康复系统;首先介绍了图像采集、分割、平滑处理、分类、识别等计算机视觉关键技术,其次,重点阐述了手势康复系统的实现细节;通过摄像头采集不同年龄,性别人群手势样本数据,建立康复手势数据库,利用计算机视觉,卷积神经网络,PyQt图形界面等技术来构建康复系统,给出具有趣味性并且高效便利的康复训练方案,治疗方法弥补传统康复治疗的缺陷;实验结果表明,系统运行可靠、准确率高达96％,不但可以提高患者对康复训练的兴趣,积极性,而且价格相对于其他康复器械更加低廉,应用前景更广阔.     

基于CNN和SVM的人脸识别系统的设计与实现

针对人脸识别在实际应用中存在姿态变化、表情、遮挡等问题,研究了结合支持向量机(SVM)分类的卷积神经网络(CNN)人脸识别算法,设计并实现了人脸识别系统。系统首先使用CNN提取人脸特征向量,再将特征向量通过SVM进行分类。测试结果表明,系统在训练样本充分时面对人脸姿态变化、表情、遮挡等情况下都具有较好的性能,识别率在95%以上,能满足一般的人脸识别需求。     

面向车规级芯片的对象检测模型优化方法

卷积神经网络复杂的网络结构使得模型计算复杂度高,限制了其在自动驾驶等实际终端场景中的应用。针对终端场景下的计算资源受限的问题,本文从轻量化深度模型设计和车规级芯片模型部署验证两方面进行研究。针对深度模型计算效率和检测精度的矛盾,本文设计了基于中心卷积的轻量化对象检测模型,实现功耗低且精度高的模型性能。进一步,本文基于量化感知训练的模型加速部署方法在车规级芯片上开展了系统级部署验证,在车规级芯片tda4上成功实现了高效的对象检测模型,在自动驾驶场景中取得了良好的性能。     

改进Faster R-CNN的汽车仪表指针实时检测

针对产业化的汽车仪表指针人工视觉检测效果差、检测速度慢和实时性低等问题,本文提出了一种改进的Faster R-CNN汽车仪表指针实时检测算法。通过改进原始的RoI网络层结构,实现小目标高低层特征之间的完整传递;采用双线性内插算法替代两次量化操作,使得特征聚集变成连续的过程,能够有效减少计算时间;最后将工业机采集的视频数据,预处理成VOC格式数据集进行训练,调整超参数得到改进汽车仪表指针检测模型。实验结果表明:所提出的方法能够快速、准确地实现汽车仪表指针检测,单张图片的平均检测时间为0.197 s,平均检测精度可达92.7%。在不同类别仪表指针的迁移实验中,展示了良好的泛化性能。     

基于细粒度特征交互的推荐模型

随着电子商务的兴起,用户在网购的同时留下了大量的评论。用户评论通常包含丰富的用户兴趣和项目属性等语义信息,反应了用户对项目特征的偏好。近年来,许多基于深度学习的方法通过利用评论进行推荐,并取得了巨大成功。这些工作主要是采用注意机制来识别对评分预测很重要的词或方面。它们单一的从评论中提取特征信息,并通过用户和物品的特征交互得到预测分数。然而,过度的聚合可能会导致评论中细粒度信息的丢失。此外,现有的模型要么忽略了用户和项目评论的相关性,要么只在单个粒度上构建评论特性交互,这导致用户和项目的特征信息不能被有效而全面地捕获。针对上述问题,在本文我们考虑通过从评论的多个粒度捕获特征信息,然后为用户和物品进行多粒度下的特征交互,可以实现更好的评分预测和解释性。
为此,我们提出了一种新的用于评分预测的细粒度特征交互网络（FFIN）。首先,模型并没有将用户的所有评论聚合成一个统一的向量,而是将用户和物品的每条评论单独建模,通过堆叠的扩展卷积分层地为每个评论文本构建多层次表示,充分地捕获了评论的多粒度语义信息;其次,模型在每个语义层次上构建用户和物品评论的细粒度特征交互,这有效避免了单粒度交互导致的次级重要信息被忽略的问题;最后,由于用户的评论行为通常是主观且个性化的,我们没有使用注意力机制来识别重要信息,而是通过类似于图像识别的层次结构来识别高阶显著信号,并将其用于最终的评分预测。我们在6个来自Amazon和Yelp的具有不同特征的真实数据集上进行了广泛的实验。我们的结果表明,与最近提出的最先进的模型相比,所提出的FFIN在预测精度方面获得了显著的性能提升。进一步的实验分析表明,多粒度特征的交互,不仅突出了评论中的相关信息,还大大提高了评分预测的可解释性。