基于深度残差收缩网络的商品图像识别

为了降低噪声信息的干扰及提高商品图像识别的准确率,提出了基于深度残差收缩网络的商品图像识别模型.该模型在深度残差网络的基础上融入软阈值函数及注意力机制,软阈值函数将注意力机制注意到的不重要的特征置为0,从而降低噪声信息的干扰,提高图像识别的准确率.实验首先通过爬虫方式获取了包含了51种商品的数据集,并且对该数据集通过图像翻转以及对图像加噪等操作,形成具有44066张图像的商品数据库.然后将深度残差收缩网络与深度残差网络、SENet算法模型对数据进行训练对比,同时对部分商品图像进行了测试.实验结果表明,深度残差收缩网络不仅可以提高商品图像识别准确率,同时还提高了模型的运行速度.     

基于深度学习的自然场景下多人脸实时检测

为了解决人脸检测的实时性与有效性,提出了基于YOLOv3算法的人脸检测模型.该模型以Darknet 53为主干网络,用3种不同尺寸的特征图进行预测,对Bounding box的中心坐标、置信度以及类别损失函数进行设计,最后直接回归被检测人脸的信息.实验中对数据进行了批量归一化处理,加速了Loss收敛.实验采用Wider Face的自然场景下的人脸数据集,将YOLOv3算法模型与不同算法模型比较,结果显示基于YOLOv3算法的人脸检测模型能够保证人脸检测的实时性,同时实现了自然场景下多人脸检测的任务.     

基于词向量和CNN的书籍评论情感分析方法

针对在线书籍评论的情感分析问题,基于词向量和深度学习原理,提出了一种基于词向量和卷积神经网络(Convolutional Neural Networks, CNN)的书籍评论情感分类方法.实验结果表明,本方法对在线书籍评论的情感分类准确率达到92.99%,同时,此方法对于大量文本集的情感分析有很好的适用性.此外还研究了不同语料库、书籍评论词向量的维度、书籍评论数据集的大小等对情感分析结果的影响,实验结果显示,构建针对性的语料库,基于词向量和卷积神经网络的书籍评论情感分析方法是一种简单而有效的文本情感分析方法,该方法具有扩展性和对不同评论文本的适用性.     

融合注意力机制的通道拓扑细化改进的图卷积网络

针对目前骨架动作识别网络数据处理的处理方式、不同动作肢体的动态表述以及时间特征提取的不足,本文提出AA-SGN网络模型,将原始的关键点特征转换成骨骼特征,将动态的非拓扑网络,改进为动态拓扑细化的图卷积网络,在充分利用语义信息的基础上,在时间尺度上融合注意力机制,关联空间和时间信息,使网络充分利用骨骼位置信息和时间流的运动信息,在NTU60 RGB+D的CS和CV设定上提高了1%和0.4%,在NTU120 RGB+D的CSub和CSet分别提高了5.7%和4.6%,证明本文提出的AA-GCN能有效识别骨架动作。