深浅特征融合的实时单目标行人跟踪

单目标行人跟踪是计算机视觉目标跟踪领域最基础、也是研究最广泛的任务之一,而目前大多数使用的相关滤波类算法和深度学习类算法则分别在跟踪精度和跟踪实时性上存在不足.针对上述问题,本文提出一种将目标图像的深浅特征融合的实时单目标行人跟踪方法.算法利用卡尔曼滤波器预测目标位置,通过计算四分颜色直方图提取目标的浅层颜色特征,并获得预测相似性以判定预测的可靠性.使用YOLOv4模型作为检测器,提取目标深度特征并分别计算运动信息和外观信息的距离度量,同时提取浅层颜色特征计算得到相似距离度量,通过特征距离度量的加权融合对检测目标进行匹配与更新.最后,利用提出的轨迹更新策略协调预测和检测的调用关系,达到准确性与实时性的平衡.算法在OTB100和LaSOT数据集上进行了测试实验,结果表明:所提算法的跟踪准确率分别达到0.581和0.453,在GPU上分别能达到33.64 FPS和35.32 FPS的跟踪速度,满足实时跟踪的要求.     

显式融合词法和句法特征的抽取式机器阅读理解模型

预训练语言模型虽然能够为每个词提供优良的上下文表示特征,但却无法显式地给出词法和句法特征,而这些特征往往是理解整体语义的基础.鉴于此,本文通过显式地引入词法和句法特征,探究其对于预训练模型阅读理解能力的影响.首先,本文选用了词性标注和命名实体识别来提供词法特征,使用依存分析来提供句法特征,将二者与预训练模型输出的上下文表示相融合.随后,我们设计了基于注意力机制的自适应特征融合方法来融合不同类型特征.在抽取式机器阅读理解数据集CMRC2018上的实验表明,本文方法以极低的算力成本,利用显式引入的词法和句法等语言特征帮助模型在F₁和EM指标上分别取得0.37%和1.56%的提升.     

基于深度学习的医疗命名实体识别

医疗命名实体识别指从海量的非结构化的医疗数据中提取关键信息,为医学研究的发展和智慧医疗系统的普及提供了基础.深度学习运用深层非线性的神经网络结构能够学习到复杂、抽象的特征,可实现对数据更本质的表征.医疗命名实体识别采用深度学习模型可明显提升效果.首先,本文综述了医疗命名实体识别特有的难点以及传统的识别方法;其次,总结了基于深度学习方法的模型并介绍了较为流行的模型改进方法,包括针对特征向量的改进,针对数据匮乏、复杂命名实体识别等问题的改进;最后,通过综合论述对未来的研究方向进行展望.     

氧化锌压敏陶瓷伏安特性的微观解析

为从微观层面上解析ZnO压敏陶瓷MOV的宏观伏安特性,根据电镜和深能级瞬态谱(DLTS)的观测结果,结合试验实测几种规格MOV小电流和大电流下的试验数据,建立ZnO在小电流区和大电流区的微观集中参数等效电路模型,然后依据晶界势垒、电子陷阱等理论,微观解析了各区的导电特性。结果表明:随着外施电压的增加,电子的穿透能力不断增强,使ZnO在小电流区晶界层的非线性微观等效电阻不断增大,它与纯ZnO晶粒层的线性电阻共同作用使ZnO小电流区伏安特性呈现出3个不同的特性宏观区域即预击穿区、击穿区和回升区;随着外施瞬态冲击大电流幅值的加大,ZnO在大电流区微观等效电感值增加,使ZnO大电流区伏安特性宏观呈现缓慢上升区、快速上升区和迅速上翘区;晶界层厚度的不均匀性和晶界层中电子陷阱密度的差异性宏观表现为等效电阻的非线性变化,晶界层和纯ZnO晶粒层在小电流区和大电流区具有不同的微观作用机理使得ZnO压敏陶瓷在不同电流区呈现出不同的独特宏观伏安特性。     

拉拉铜矿落凼矿区深部地应力场特征及岩爆预测分析

拉拉铜矿位于川滇应力区中部,浅部资源接近开采结束,逐步由露天开采全面转为地下开采,由于其深部开采地质条件复杂,落凼深部矿区将面对开采过程中的地应力问题。以拉拉铜矿落凼矿区深部地应力场特征为研究对象,开展了10个钻孔的应力解除法地应力测试、22组围岩室内物理力学测试,结合国标法、Barton法及陶振宇法3种应力判据完成了深部开采区域的岩爆预测分析。结果表明：地应力值浅部离散分布,深部线性增长;最大主应力方向整体离散;岩爆程度随深度逐渐增大,浅部离散分布,深部逐渐集中,东区1780m标高可能出现强烈岩爆的现象;结合矿区断层及测试点分布特征,指出矿区断层及地层对地应力测试结果的影响,为该类金属矿山深部灾害预防及安全开采提供有益的参考。     

混合动力公交车深度强化学习能量管理策略研究

以某款双行星排混合动力公交车为样车,针对控制变量柴油机转速的离散控制和连续控制分别提出基于双深度Q网络(double deep Q-learning, DDQN)和基于双延迟深度确定性策略梯度(twin delayed deep deterministic policy gradients, TD3)的能量管理策略,并使用优先级经验回放对策略进行优化。运用仿真试验,研究样车在C-WTVC工况下的能量管理特性。通过与动态规划策略(dynamic programming, DP)进行对比发现：DDQN和TD3策略收敛速度快,具有较强的自适应能力;与DP策略相似,DDQN和TD3策略在控制逻辑上均表现为低速和较低转矩时纯电驱动,高速和较高转矩时混合驱动;三种策略下柴油机均主要工作于中低转速区间,且TD3策略可以对柴油机转速进行连续控制;DDQN和TD3策略的百公里油耗分别为19.51L和19.48L,燃油经济性均达到DP策略的93%,研究证明了DDQN和TD3策略的有效性。     

基于深度学习的城市轨道客流预测实训基地培训系统设计与实现

为进行城市轨道客流量的科学预测,设计实现了实训基地培训系统,在系统中分别构建BP(Back Propagation)神经网络模型与DBN(Deep Belief Network)深度置信网络模型来进行城市轨道客流量数据的收集与整理。针对城市轨道交通车流量短时间快速增长的问题,在系统中建立实时数据分析处理模块,结合深度置信网络,使用算法对轨道客流进行实时准确的预测。将采集到的大量数据通过系统的数据处理模块进行分析验证,数据分析结果显示：在深度置信网络模型中,轨道交通各节点平均均方根误差相比BP神经网络模型大约减少了0.01475,每批次任务实时计算时间平均为3.5s,系统预测实时性较好,准确率较高,有很好的预测效果,可以合理地规划城市轨道交通线路,有效提高了城市轨道的交通利用率。     

基于深度学习的无人机飞行轨迹及地质勘测研究

为了对无人机的飞行轨迹及地质灾害勘测进行研究,首先基于深度学习、无人机等相关理论,对无人机飞行高度、图像分辨率以及地质勘测所消耗时间三者之间的关系进行分析;其次将卷积神经网络模型应用于地质勘测图像精度研究中;最后引入Sigmoid算法对无人机的飞行轨迹进行分析。结果表明：无人机的飞行高度与图像分辨率成反比、与地质勘测所用时间成正比。在同一高度、不同控制点的情况下,卷积神经网络模型能够缩小数据的点位误差以及高程误差,并且随着控制点的增多,精确度也会越来越高。将Sigmoid算法引入无人机的姿态控制以及速度控制中,能够将姿态控制的误差限制在-0.5～1之间,速度控制误差限制在-0.3～0.3之间,可见不管是卷积神经网络模型还是Sigmoid算法都对无人机的发展具有优化作用。因此,深度学习下飞行轨迹规划以及地质灾害勘测,对无人机的快速发展具有很大的参考意义。     

Physics-informed deep learning for one-dimensional consolidation

Neural networks with physical governing equations as constraints have recently created a new trend in machine learning research.In this context,a review of related research is first presented and discussed.The potential offered by such physics-informed deep learning models for computations in geomechanics is demonstrated by application to one-dimensional(1D)consolidation.The governing equation for 1D problems is applied as a constraint in the deep learning model.The deep learning model relies on automatic differentiation for applying the governing equation as a constraint,based on the mathematical approximations established by the neural network.The total loss is measured as a combination of the training loss(based on analytical and model predicted solutions)and the constraint loss(a requirement to satisfy the governing equation).Two classes of problems are considered:forward and inverse problems.The forward problems demonstrate the performance of a physically constrained neural network model in predicting solutions for 1D consolidation problems.Inverse problems show prediction of the coefficient of consolidation.Terzaghi’s problem,with varying boundary conditions,is used as a numerical example and the deep learning model shows a remarkable performance in both the forward and inverse problems.While the application demonstrated here is a simple 1D consolidation problem,such a deep learning model integrated with a physical law has significant implications for use in,such as,faster realtime numerical prediction for digital twins,numerical model reproducibility and constitutive model parameter optimization.     

特高压工程土地扰动监测平台设计与实现

为更好地对特高压工程施工过程中土地扰动情况进行监测,提出基于深度学习的遥感影像输变电工程土地扰动信息提取平台.该平台利用无人机影像,基于深度学习理论与技术,开展输变电工程施工土地扰动提取及发布,以提高作业效率.