基于语义构件的甲骨文模糊字形的识别方法

针对殷墟甲骨文字整理过程中大量模糊字形难以识别的问题,提出了一种基于语境的统计分析和Hopfield网络相结合的模糊匹配识别方法。该方法利用语境分析生成的候选字库得到对应的甲骨文语义构件向量,然后结合基于Hopfield网络的识别结果计算待识别的甲骨文模糊字的匹配度,根据匹配度确定目标甲骨字。实验表明,该方法对部分甲骨拓片的模糊甲骨字识别效果较好。     

基于MobileNet和迁移学习的微带青烟叶图像识别

为了准确地挑选出微带青烟叶，提出了基于MobileNet和迁移学习的微带青烟叶图像识别方法.首先收集烟叶图像建立样本数据集；其次，对在ImageNet数据集上训练好的MobileNet进行微调，以使其适应烟叶图像识别；最后，基于迁移学习方法利用烟草样本训练集对微调后的MoblieNet模型进行训练，从而准确识别微带青烟叶.     

基于迁移学习的危险行为识别方法研究

深度学习中卷积神经网络在行为识别领域有着良好的识别效果,但是由于深度学习需要较大数据集训练模型,而现今公开数据集中危险行为识别相关方向没有大量数据集。针对危险行为识别领域样本少、无法进行深度学习训练等问题,建立了危险行为识别数据集,并采用迁移学习方法对C3D网络模型进行迁移训练。结果表明,迁移学习后C3D网络模型对危险行为识别数据集平均识别率达到了83. 2%,可以有效识别危险行为动作。     

多码本HMM汉语语音识别

本文用多码本结构的HMM进行汉语语音识别。语音特征有Cep(倒频谱)系数及其一阶差分ΔCep。建立特征矢量Cep1、Cep2和ΔCep1的三个VQ码本,分别训练出三个HMM模型。实验结果表明此方法优于以LPC为特征参数的单码本HMM方法。由于增强了辅音的特征,对易于混淆的孤立字语音取得90％的识别率。对二字词组语音的识别率为98％。     

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法.首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类.实验结果表明,白细胞分类准确率由最初微调训练的83.26％,随着迁移模型的优化提升为90.43％,最后通过组合分类器再次提升为93.52％,可以在临床实践中帮助医生提高诊断的准确率和效率.     

基于卷积神经网络的大容量汉语孤立字语音识别方法

使用录音设备对1 605个常用汉字进行录音,得到920个孤立字发音、3 680个非特定人的语音样本库.采用语音语谱图作为汉语单字语音识别的特征,构建了6层卷积神经网络应用于模型库的语音识别.通过深度学习方法对语音样本进行了训练和识别.实验结果表明,所构造的20-40-3500结构的卷积神经网络模型对语音样本库具有最好的识别效果,对测试样本的识别率达到97.87%,对全部样本的识别率达到99.32%.     

基于MobileNet V2-ELM的肝硬化识别

针对传统卷积神经网络的结构参数量大,识别率较低等问题,提出利用一种轻量级模型结构MobileNet V2与超限学习机(ELM)相结合的方法对肝硬化进行识别。首先,采用迁移学习的方法,在ImageNet数据集上进行预训练后得到权重和参数,避免数据产生过拟合现象。为提高识别肝硬化准确率,将模型的全连接层特征以向量形式输出,送入ELM进行分类,替代原有的softmax分类器。实验结果表明,该方法识别率高于当前的仅使用深度学习或者机器学习等方法且运算速率较高。     

基于卷积神经网络和迁移学习的钢桥病害识别

针对钢桥病害识别效率低、精度不高的现状,提出了一种基于深度学习的钢结构表观病害识别方法。该方法将卷积神经网络Inception-v4和迁移学习相结合,分别采用迁移学习中特征提取和微调2种训练方式获得2种模型,并与全新训练的Inception-v4模型进行对比。首先,收集656幅钢桥病害图像,包括涂层劣化176幅,腐蚀173幅,焊缝开裂151幅,完好156幅,对其进行旋转、翻转、调整对比度等预处理,使数据集扩充至3 742幅,按照8∶1∶1的比例,划分训练集、验证集和测试集;然后,采用3 365幅钢桥病害图像分别对特征提取模型、微调模型与全新训练模型进行训练和验证,对比了批大小(batch-size)和学习率对模型训练效果的影响,并对这2个参数进行了优选;最后,采用377幅病害图像进行测试,得到特征提取模型、微调模型和全新训练模型训练一个时期(epoch)的时间分别为47.2、119.2、121.8 s,测试正确率分别为89.39%、97.88%与91.25%。结果表明:迁移学习的2种模型较全新训练模型,减少了数据的需求量,提高了运行效率和病害识别准确率;微调模型经历较少的epoch,便可达到较高的测试准确率,更适于钢桥病害识别的实际应用。     

基于轻量化模型和迁移学习的花卉识别

针对现有花卉识别方法存在的识别精度不高、模型体积大等问题,提出一种基于轻量化模型和迁移学习的花卉识别方法.首先,以MobileNetV2模型作为骨干网络构建轻量化的花卉识别模型;然后,采用迁移学习策略使模型具备良好的初始特征提取能力;最后,利用小规模的花卉图像数据集对模型进行逐级训练和微调,使模型获得最佳的花卉识别能力.实验结果表明,该花卉识别模型在花卉图像数据集Oxford flower-102上获得了97.76%的识别精度,并且模型体积只有9.2 MB,具有识别精度高、模型体积小的优点,方便在移动设备上部署和应用.     

基于微调优化的深度学习在语音识别中的应用

针对深度学习模型在对小样本进行训练时会出现过拟合现象,提出随机退出优化方法和随机下降连接优化方法.这两种方法针对深度学习模型的微调阶段进行改进,最大限度减少由于训练数据量较少使得深层网络模型训练出现过拟合现象,并且使权值的更新过程更具有独立性,而不是依赖于有固定关系的隐层节点间的作用,同时可以降低识别错误率.对自建孤立语音词汇库进行了训练和识别,结果表明,在深度信念网络的基础上引入随机退出优化方法和随机下降连接优化方法可以提升识别率,缓解过拟合现象.     

面向中文语音情感识别的改进栈式自编码结构

为进一步提高汉语语音情感识别率,基于深度学习中的自编码、降噪自编码及稀疏自编码的网络结构,提出了一种改进的栈式自编码结构.该结构第1层使用降噪自编码学习一个比输入特征维数更大的隐藏特征,第2层采用稀疏自编码学习稀疏性特征,最后使用softmax分类器进行分类识别.训练过程首先采用逐层预训练的方法,达到网络参数全面初始化的目的,然后对整个网络进行微调.在中文语音库上的情感识别实验显示,相较于单独使用栈式降噪或稀疏自编码,所提结构具有更好的识别效果.此外,基于CASIA库的对比实验显示,该结构比K近邻算法、稀疏表示方法、传统支持向量机和人工神经网络识别率分别提高了53.7%,29.8%,14.3%和1.9%.在自行录制的语音库中,该结构的识别率比人工神经网络提高了1.64%.     

基于非线性知识迁移的交叉视角动作识别

针对一般基于知识迁移的方法对未知视角不可用和难以扩展新数据的问题,提出一种基于非线性模型的无监督学习方法,即基于非线性知识迁移(nonlinear knowledge shift,NKS)的串联特征学习.提取密集动作轨迹,并利用通用码书编码;提取动作捕捉数据模拟点的密集轨迹,产生一个仿真数据的大型语料库来学习NKS,其中,轨迹提取前在视角方向上投影模拟点;再从真实视频中提取轨迹,用于训练和测试表示学习过程的轨迹,利用多类支持向量机分类串联特征.在两大通用人体动作识别数据库IXMAS和3D(N-UCLA)上验证了该方法的有效性,实验结果表明,在IXMAS数据集、不同摄像机情况下,该方法的识别精度高于同类方法至少3.5％,在3D(N-NCLA)数据集、双摄像头情况下,识别精度至少提高4.4％.在大部分动作识别中也取得最佳识别率,此外,该方法的训练时间可忽略不计,有望应用于在线人体动作识别系统.     

面向废线路板拆解的高值电子器件自动识别方法研究

针对现有对线路板上电子器件采用自定义特征进行机器视觉识别方法的不足,设计开发了一种基于深度学习的多类高值电子器件自动识别方法,通过对典型YOLOv3网络模型结构进行改进,构造新的YOLOv3-Darknet62网络模型,以提高对多类尺寸、形状差异较大的高值电子器件检出能力.经对网络参数优化、网络训练与实测,结果表明,该方法对所关注的废线路板上6类高值电子器件的平均识别精度高达79.23%,同等条件下识别率明显高于YOLOv2、YOLOv3、Faster-RCNN等深度学习网络的识别率,且较人工定义特征的识别方法具有更好的可移植性.     

采用可替代滤波器的卷积神经网络模型剪枝方法

将卷积神经网络模型中某一层的所有滤波器抽象到一个欧几里德空间,对其中能被其他滤波器共同表示的滤波器剪枝,降低滤波器冗余,避免精度损失.使用强化学习进行边训练边剪枝,经过微调恢复神经网络模型性能.结果表明:剪枝并微调后的神经网络模型精度损失较小,参数量与浮点计算量显著减少.     

基于堆叠去噪自编码器算法的穿墙人体检测（英文）

超宽带雷达在穿墙人体检测中的应用已经越来越成熟,将堆叠去噪自编码器算法应用于穿墙人体状态的识别和分类中,首先使用无监督学习方法对自编码器网络进行训练,从而获得原始数据更加抽象的特征表示;然后在堆叠去噪自编码器网络的最后一层添加一个分类器.使用有监督的学习方法对网络进行微调,获得最优化的模型;最后,将测试集输入到已经训练好的网络模型上进行测试.实验结果表明,堆叠去噪自编码器深度网络可以对穿墙人体目标状态进行有效地分类识别.     

基于深度迁移网络MobileNetV3的地形识别

传统地形识别算法,主要建立在人工提取特征和训练分类器的前提上,其通用能力有限且准确度不高,或者需要大量的数据集训练基础,这种方法训练的网络模型参数较大且预测耗时较长,不利于移植到移动端。因此,运用迁移学习思想,提出了一种基于深度迁移网络的地形识别算法。采用轻量级卷积神经网络MobileNetV3,在爬虫获取和自建适量数据集基础上,对神经网络进行迁移学习。首先,采用图像分类数据集ImageNet上的预训练成果,根据预训练模型权重对MobileNetV3网络进行初始化,实现对模型大规模共享参数的迁移;然后,通过在自建数据集GXU-Terrain6上进行新的训练,微调模型参数,进而得到新的分类模型;最后,利用训练好的模型对地形类别进行预测,从而完成识别任务。提出算法在GXU-Terrain6测试集上取得了93.00%的平均预测准确率。实验结果表明,基于深度迁移的地形识别算法运用较少数据,可获得较高的识别准确率,网络实时性好,适合向移动端移植。     

基于两层迁移卷积神经网络的抽象图像情感识别

为弥合抽象图像底层视觉特征与高层情感语义间的鸿沟,同时缓解抽象图像情感识别所固有的小样本缺陷,将两层迁移学习策略引入传统的卷积神经网络,提出一种基于两层迁移卷积神经网络的抽象图像情感识别模型.该模型利用深度特征的层次性,首先通过大规模通用图像数据集来学习提取普适的底层图像特征;然后利用抽象图像风格分类数据集来学习提取抽象图像的专有高层语义特征;最后采用抽象图像情感识别数据集来微调整个网络.MART数据集上的实验结果表明,与传统的抽象图像情感识别方法相比,所提出的模型能够有效地提高识别精度.     

基于光流法和深度学习的燃气火焰稳定性

结合光流法和深度学习对燃气火焰稳定性进行了研究.采用光流法直接计算出火焰图像的光流矢量,观察火焰在二维图像中的脉动情况,并提出光流脉动评价模型,可以评估火焰的燃烧稳定性.此外,搭建基于VGG-Nets的深度卷积神经网络模型,在ImageNet预训练权重上进行微调,结合火焰静态与动态特征,实现了对五种典型燃烧状态的分类与识别.结果表明:该方法对火焰的不同燃烧状态具有很好的判断能力,对不稳定燃烧的火焰识别率很高.     

基于CNN的计算机生成图像识别方法

针对计算机生成图像(Computer Generated images, CG)与真实照片(Photograpgh, PG)识别率不高的问题,该文提出了一种改进的卷积神经网络方法来实现CG与PG的识别.该方法首先对识别问题进行卷积神经网络二分类建模,并选择VGG-19网络结构作为基础,建立不同的模型.该方法创新性地引入迁移学习,节省训练时间和大量计算资源,最后使用softmax分类器进行分类.实验结果表明,该文方法对PG图像的识别准确率达到92%.与其他方法比较,该文方法识别准确率最高,说明该文方法具有可行性与有效性.     

基于子空间学习和特征选择融合的语音情感识别

传统语音情感识别主要基于单一情感数据库进行训练与测试。而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低。为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法。通过采用回归方法来学习特征的子空间表示;同时,引入l2,1-范数用于特征的选择和最大均值差异(maximum mean discrepancy,MMD)来减少不同情感数据库间的特征差异,进行联合优化求解从而提取较为鲁棒的情感特征表示。在EMO-DB和eNTERFACE这2个公开情感数据库上进行实验评价,结果表明:该方法在跨库条件下具有较好的性能,比其他经典的迁移学习方法更加鲁棒高效。