指数函数膜计算模型的自动设计方法研究

膜计算模型设计是当前膜计算方向非常活跃的一个研究方向。研究者们利用数学、形式语言等工具进行膜计算基础理论研究,已经提出了各种膜计算模型,并取得了许多研究成果。从最开始复杂的手工推导到近期的自动设计研究,在膜计算模型自动设计方法变的日益成熟的过程中,膜计算模型也能解决更多的问题。在前人的基础上将膜计算自动设计方法用于推广到指数函数的计算,同时对设计方法进行了改进,采用置换编码的方法,结合遗传算法在P-Lingua仿真平台实现了2n、3n、4n的计算,验证此方法的有效性和可行性。     

基于AT-PGGAN的增强数据车辆型号精细识别

目的 车型识别在智能交通、智慧安防、自动驾驶等领域具有十分重要的应用前景。而车型识别中，带标签车型数据的数量是影响车型识别的重要因素。本文以"增强数据"为核心，结合PGGAN（progressive growing of GANs）和Attention机制，提出一种基于对抗网络生成数据再分类的网络模型AT-PGGAN（attention-progressive growing of GANs），采用模型生成带标签车型图像的数量，从而提高车型识别准确率。方法 该模型由生成网络和分类网络组成，利用生成网络对训练数据进行增强扩充，利用注意力机制和标签重嵌入方法对生成网络进行优化使其生成图像细节更加完善，提出标签重标定的方法重新确定生成图像的标签数据，并对生成图像进行相应的筛选。使用扩充的图像加上原有数据集的图像作为输入训练分类网络。结果 本文模型能够很好地扩充已有的车辆图像，在公开数据集StanfordCars上，其识别准确率相比未使用AT-PGGAN模型进行数据扩充的分类网络均有1%以上的提升，在CompCars上与其他网络进行对比，本文方法在同等条件下最高准确率达到96.6%，高于对比方法。实验结果表明该方法能有效提高车辆精细识别的准确率。结论 将生成对抗网络用于对数据的扩充增强，生成图像能够很好地模拟原图像数据，对原图像数据具有正则的作用，图像数据可以使图像的细粒度识别准确率获得一定的提升，具有较大的应用前景。     

基于FR-ResNet的车辆型号精细识别研究

车辆型号精细识别的关键是提取有区分性的细节特征.以"特征重用"为核心,以有效提取车辆图像细节特征并进行高效利用为目的,提出了一种基于残差网络特征重用的深度卷积神经网络模型FR-ResNet(Improved ResNet focusing on feature reuse).该网络以ResNet残差结构为基础,分别采用...