FGSC-23：面向深度学习精细识别的高分辨率光学遥感图像舰船目标数据集

目的 基于光学遥感图像的舰船目标识别研究广受关注,但是目前公开的光学遥感图像舰船目标识别数据集存在规模小、目标类别少等问题,难以训练出具有较高舰船识别精度的深度学习模型。为此,本文面向基于深度学习的舰船目标精细识别任务研究需求,搜集公开的包含舰船目标的高分辨率谷歌地球和GF-2卫星水面场景遥感图像,构建了一个高分辨率光学遥感图像舰船目标精细识别数据集（fine-grained ship collection-23,FGSC-23）。方法 将图像中的舰船目标裁剪出来,制作舰船样本切片,人工对目标类别进行标注,并在每个切片中增加舰船长宽比和分布方向两类属性标签,最终形成包含23个类别、4 052个实例的舰船目标识别数据集。结果 按1：4比例将数据集中各类别图像随机划分为测试集和训练集,并展开验证实验。实验结果表明,在通用识别模型识别效果验证中,VGG16（Visual Geometry Group 16-layer net）、ResNet50、Inception-v3、DenseNet121、MobileNet和Xception等经典卷积神经网络（convolutional neural network,CNN）模型的整体测试精度分别为79.88%、81.33%、83.88%、84.00%、84.24%和87.76%;在舰船目标精细识别的模型效果验证中,以VGG16和ResNet50模型为基准网络,改进模型在测试集上的整体测试精度分别为93.58%和93.09%。结论 构建的FGSC-23数据集能够满足舰船目标识别算法的验证任务。     

基于深度置信网络的多变量时间序列分类方法

针对当前多变量时间序列分类方法未考虑降维处理多变量时间序列,导致多变量时间序列分类精度较低,分类时间较长的问题,提出了基于深度置信网络的多变量时间序列分类方法.通过构建深度置信网络模型结构,基于受限玻尔兹曼机,提取可见单元与隐藏单元特征信息,采用Isomap算法,在深度置信网络内进行优先特征提取操作,通过附加约束构造半正定矩阵,降维处理多变量时间序列.在低维特征空间内,利用支持向量机中分线性分类函数,计算得到拉格朗日乘子,根据正则化参数特性,通过高斯核函数,计算得到最优核函数,完成多变量时间序列分类.实验结果表明,提出方法的泛化误差较小,能够有效提高多变量时间序列分类精度,缩短多变量时间序列分类时间.     

快速卷积算法的综述研究

卷积神经网络是深度学习算法应用最广泛的方向之一,目前卷积神经网络的应用不仅仅是停留在科技领域,已经扩展到医学、军事等领域,并且已在相关领域发挥着巨大的作用。卷积是卷积神经网络中最为核心的一部分,卷积运算占整个网络70%以上的时间,所以针对卷积运算的加速研究就显得十分重要。首先介绍近年来的卷积算法,并对其复杂度进行分析,总结了这些算法各自的优点和不足,最后对其理论研究和应用领域可能存在的突破进行了探讨和展望。     

基于边缘计算的作物病虫害监测嵌入式系统设计

现有农作物监测大多采用大面积、分布式的设备来完成.不仅维护成本高昂,难管理,而且对于许多中小型农户是无法从智慧农业中受惠.综合考虑各区域种植条件的不同,设计提出一种基于边缘计算的轻量化嵌入式监测系统,通过搭建神经网络,配合作物数据处理算法并部署在嵌入式设备上,与无人机协同完成对作物的检测.经过实验验证,该系统具有低功耗、轻量化、低成本、检测范围广的优势,病虫害模型精度在92％及以上,能有效解决国内外农作物病虫害及生长环境参数的精细化监测问题.     

基于深度学习的表格检测识别算法综述

信息时代的高速发展导致数据的大量产生与频繁传输,单单依靠人力很难处理这些数据.依托于人工智能的兴起与发展,数据的利用变得更加高效.表格作为一种特殊的数据形式,逐渐引起了广泛关注.概述了表格识别技术的发展,介绍了传统的表格识别技术及其缺点;介绍了基于深度学习技术的表格检测、表格结构识别、端对端检测与识别以及字符识别,重点阐述了表格检测与结构识别算法;给出表格数据的数据集以及在其上的最新指标,展望了表格检测识别技术的发展前景.     

基于深度强化学习的自动驾驶技术研究

传统的自动驾驶行为决策算法需要人为设定复杂的规则,从而导致车辆决策时间长、决策效果不佳、对于新的环境不具有适应性,而强化学习作为近年来机器学习和智能控制领域的主要方法之一,车辆仅通过与环境交互便可以学习到合理、有效的策略。本文基于DDPG(Deep Deterministic Policy Gradient)算法,通过设计合理的奖励函数、深度卷积网络、探索策略,在Carla模拟器中实现指定路线的自动驾驶。     

基于显著性多尺度特征协作融合的行人重识别方法

由于背景信息复杂、遮挡等因素的影响,现有基于局部特征的行人重识别方法所提取的特征不具有辨别力和鲁棒性,从而导致重识别精度较低,针对该问题,提出一种基于显著性检测与多尺度特征协作融合的SMC-ReID方法。利用显著性检测提取行人中具有判别力的特征区域,融合显著性特征与全局特征并完成不同尺度的切块,将上述不同尺度的特征进行协作融合以保证特征切块后的连续性,根据全局特征和局部特征的差异性联合3种损失函数进行学习。在推理阶段,将各个尺度的特征降低到同一维度并融合成新的特征向量,以实现相似性度量。在行人重识别公开数据集Market1501、DukeMTMC-reID和CUHK03上进行实验,结果表明,SMC-ReID方法所提取的特征具有较强的可区分性和鲁棒性,识别准确率优于SVDNet和PSE+ECN等方法。     

基于深度学习的内容推荐算法研究综述

推荐系统是学习用户偏好,实现个性化推荐的系统化应用技术,在商品购买、影音推荐、关联阅读等多领域得到了广泛的应用。近年来,随着多源异构数据的激增和深度学习的兴起,传统推荐算法中的表征学习模式逐步被深度学习代替。梳理推荐算法的背景和发展趋势,并给出内容推荐的算法思路及其优劣评价,分别介绍多层感知机、自动编码器、卷积神经网络以及循环神经网络等深度学习方法的网络结构和算法优势。从技术应用的视角综述深度学习在内容推荐中的应用现状与研究成果,对不同经典深度推荐算法进行分析与比较。在此基础上,指出深度学习在可解释性、学习效率等方面的不足,并对交叉领域学习、多任务学习、表征学习等未来研究方向进行展望。     

室内服务机器人的实时场景分割算法

室内场景下的实时场景分割是开发室内服务机器人的一项关键技术,目前关于语义分割的研究已经取得了重大进展,但是多数方法都倾向于设计复杂的网络结构或者高计算成本的模型来提高精度指标,而忽略了实际的部署成本。针对移动机器人算力成本有限的问题,设计一种轻量化的瓶颈结构,并以此为基本元素构建轻量化场景分割网络。该网络通过与特征提取网络级联获得更深层次的语义特征,并且融合浅层特征与深层语义特征获得更丰富的图像特征,其结合深度可分离卷积与多尺度膨胀卷积提取多尺度图像特征,减少了模型的参数量与计算量,同时利用通道注意力机制提升特征加权时的网络分割精度。以512像素×512像素的图像作为输入进行实验,结果表明,该算法在NYUDv2室内场景分割数据集和CamVid数据集上的MIoU分别达到72.7%和59.9%,模型计算力为4.2 GFLOPs,但参数量仅为8.3 Mb,在移动机器人NVIDIA Jetson XavierNX嵌入式平台帧率可达到42 frame/s,其实时性优于DeepLabV3+、PSPNet、SegNet和UNet算法。     

基于多普勒测速的水下传感器时间同步算法

时间同步是水下传感器网络的关键技术,由于海洋中采用水声通信时传播时延高且存在多普勒频移,导致使用射频通信的陆上时间同步算法无法直接应用于水下环境。基于多普勒测速原理和节点在水下的移动性,提出一种新型的时间同步CD-Sync算法。利用具有聚类特性的分簇模型选择合理的簇首节点,并与水面信标节点进行簇内同步,且在同步过程中,同步节点利用多普勒原理估算节点间的相对移动速度,从而计算节点间的传播延迟。实验结果表明,与基于分簇时间同步MU-Sync算法和分布式时间同步NU-Sync算法相比,该算法可在缩短节点间距离并加快节点间同步收敛速度的同时,有效提高时间同步的精度。