基于生成对抗网络的遮挡表情识别

针对实际应用中局部遮挡会影响人脸表情识别,提出一种基于生成对抗网络（GAN）的表情识别算法。先对遮挡人脸图像填补修复,再进行表情识别。其中GAN的生成器由卷积自动编码机构成,与鉴别器的对抗学习使得生成的人脸图像更加逼真;由卷积神经网络构成的鉴别器具有良好的特征提取能力,添加多分类层构成了表情分类器,避免了重新计算图像特征。为了解决训练样本不足的问题,将CelebA人脸数据集用于训练人脸填补修复,同时表情分类器的特征提取部分得到了预训练。在CK+数据集上的实验证明,填补后的人脸图像真实连贯,并取得了较高的表情识别率,尤其提高了人脸大面积遮挡的识别率。     

基于大数据平台的电压质量诊断与应用分析

针对传统电压质量异常识别方法效率低下,难以做到全面的识别与监控的问题。文中搭建了电压质量诊断与分析平台模型,通过主成分分析得到影响端用户电压监测分析、配网低压台区运行状态分析等应用的主成分,对数据进行降维,实现数据的简化处理。聚类分析筛选出符合异常特征的电压异常数据,利用电压异常模型确定异常数据,生成电压异常识别结果。基于J2EE技术框架在末端用户电压监测分析、配网低压台区运行状态分析、配网线路故障判断分析等方面进行可视化展示。     

基于文本与视觉信息的细粒度图像分类

一般细粒度图像分类只关注图像局部视觉信息,但在一些问题中图像局部的文本 信息对图像分类结果有直接帮助,通过提取图像文本语义信息可以进一步提升图像细分类效果。 我们综合考虑了图像视觉信息与图像局部文本信息,提出一个端到端的分类模型来解决细粒度 图像分类问题。一方面使用深度卷积神经网络获取图像视觉特征,另一方面依据提出的端到端 文本识别网络,提取图像的文本信息,再通过相关性计算模块合并视觉特征与文本特征,送入 分类网络。最终在公共数据集 Con-Text 上测试该方法在图像细分类中的结果,同时也在 SVT 数据集上验证端到端文本识别网络的能力,均较之前方法获得更好的效果。     

基于混合特征和集成极限学习机的高压断路器机械故障检测

提出了一种基于混合特征提取和集成极限学习机(IELM)的高压断路器机械故障检测方法。首先,采用全集成自适应噪声经验模态分解(CEEMDAN)对振动信号进行分解,得到固有模态函数(IMF)。然后结合Hilbert变换和带通滤波器对各阶IMF分量进行子带重构,得到时频矩阵。将时频矩阵转化为能量矩阵,利用正态累积分布函数(NCDF)对频带进行归一化,提取出时频熵和奇异熵,形成机械故障特征向量。此外,还建立了故障分类系统。结合带通滤波的CEEMDAN方案优点是可以消除模态混叠,减少辅助噪声的加入,并提高分解效率。此外,NCDF归一化的奇异熵具有更稳定的性能。由多个弱类组成的IELM可以解决传统极限学习机的不足。基于实测数据的实验结果表明,该方法能有效地通过小样本进行机械故障检测。