基于卷积神经网络的面部图像修饰检测

为避免人为因素对人脸面部图像皮肤纹理特征提取产生的影响,用卷积神经网络算法对人脸图像修饰进行检测.传统的图像分类方法需要进行复杂的人工特征提取,而卷积神经网络可以自动学习并直接从图像中获取特征,解决了传统模式识别方法特征提取难的问题,具有更高的识别率和更广泛的实用性.在传统卷积神经网络模型中,调整卷积核大小、减少参数、改变卷积层滤波器数量、调整卷积层和池化层的交替方式、使用dropout来提高模型泛化能力以形成适用于人脸修饰检测的新的网络模型.实验结果表明,在引入的数据集上,新的网络模型对人脸图像的修饰检测有较强的鲁棒性,达到了较高的识别率.     

基于Attention机制的卷积神经网络文本分类模型

文本分类是自然语言处理的重要内容,而有效提取文本全局语义是成功完成分类任务的关键.为了体现卷积神经网络提取特征的非局部重要性,在模型中引入Attention机制并建立了包含4个Attention CNN层的A-CNN文本分类模型.其中,Attention CNN层中普通卷积层用于提取局部特征,Attention机制用于生成非局部相关度特征.最后,使用A-CNN模型分别在情感分析、问题分类、问题答案选择等数据集上进行了实验和对比分析.结果表明:相比于其他对比模型,A-CNN模型完成上述3个文本分类任务时的最高精度分别提高了1.9%、4.3%、0.6%,可见A-CNN模型在文本分类任务中具有较高的精度和较强的通用性.     

基于频带能量和相同步的运动意识任务分类研究

提出了基于信号频带能量和相同步作为脑电特征向量,实现对左右手运动意识任务的分类方法．用线性判别式算法对左右手运动想象脑电模式进行识别,识别正确率最高达到了86．43%,与只用特定频带能量作为脑电特征分类结果相比,效果更好．为大脑运动意识任务的分类提供了新思路．     

基于卷积神经网络的颅内病变类型影像的判别

颅内病变的具体类型直接影响医生所选用的医疗方式,目前颅内病变影像的判别主要依靠医生的经验,易造成误诊。提出了一个基于卷积神经网络的精准影像分类法,通过从医院放射科电子计算机断层扫描设备采集五种较常见病变类型和一种正常颅脑CT图像作为分类的对象进行预处理。创建一个包含3个卷积层、3个池化层、1个完全连接层的卷积神经网络,并对网络采取了Dropout技术优化处理。并用所采集的颅内病变样本对神经网络进行训练和测试。通过实验将改进后的CNN算法与模板比较法及SVM等传统算法进行比较发现,分类结果的准确度明显优于传统算法,平均识别准确率可达93.54%。     

利用深度卷积神经网络算法识别传统篆体书法的应用研究

利用先进的数字化和智能化技术对我国古代文化遗产进行数字化应用和有效保护,以更快捷、更高效的方式解决凭借人力无法解决的问题,具有重要的现实意义。通过研究深度卷积神经网络在书法文字检测识别任务上的应用,设计了一个篆体书法文字检测识别的完整系统,包括数据采集、数据扩充、算法训练与测试和算法模型部署等流程。整个系统以YOLOv4目标检测算法为基础,根据篆体书法图像数据特征对采集得到的数据进行有效地扩充,进行多次训练和验证测试,最终获得了89.7%的平均精度、92.3%的准确率和94.7%的召回率,同时达到45张/s的识别速度;最终将识别检测模型部署至服务器端,并提供了接口供外部调用。实验证明设计的识别系统可以利用深度卷积神经网络自动、快速、准确地对篆体文字进行定位和识别,并且可以方便地调用训练和部署完成的模型。     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于卷积神经网络的口罩遮挡条件下人脸识别技术研究

为了解决戴口罩人脸识别率不高的问题,开展基于卷积神经网络的研究.本研究所用的数据集均为戴口罩的人脸图像,总共1016张图片,其中测试样本为305张,训练样本为711张.本研究采用对比试验的方法,在初始卷积神经网络模型结构不变的情况下,修改每一个卷积层的卷积核数量,从后往前进行对比,得出本研究最佳模型,人脸检测准确率约为...     

基于运动历史图像与卷积神经网络的行为识别

针对人体行为识别难于兼顾速度与精度的问题,提出了一种结合运动历史图像(MHI)与卷积神经网络的行为识别算法.该算法首先从原始视频序列中计算MHI,不仅减少了待处理的信息量,还提取了行为识别中的关键时空信息;接着以MHI作为输入,搭建了深度卷积神经网络,可以更好地表达时空信息;最后利用随机梯度下降法与dropout策略训练网络,实现行为类别分类.对比不同卷积神经网络训练与测试实验,该算法在Weizmann行为识别数据集上取得了95%的平均识别率,相较于未改进的网络结构提升了1.2%;对于持续时间为1.6s的行为动作,该算法的识别时间为1.56s.实验结果表明,所提算法在维持较高识别准确率的同时,实现了人体行为的在线实时识别与分类.     

基于LSTM和特征生成的网络流量分类

本文提出了一种将特征生成和长短期记忆（long short term memory,LSTM）模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络（convolutional neural network,CNN）和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。     

基于卷积神经网络和投票机制的轨道板裂缝检测

现有的检测方法对轨道板细微裂缝和夜间拍摄的裂缝图像存在误检和漏检的现象,为此提出了一种基于卷积神经网络的改进方法。将特征图分组后用注意力机制强化各组向量的特征表达,以动态聚合弱分类器预测结果的方式得到最终的裂缝置信度。借助投票机制有效降低最终的预测偏差,提升模型的鲁棒性。实验结果表明：该改进方法在减少模型参数的情况下,在裂缝数据集上的准确率提升1.6%,在CIFAR-10数据集上的准确率提升2.8%。     

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型.首先将一维数据转换为二维数据,采用CNN提...     

基于代价敏感卷积神经网络的集成分类算法

针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive conv...     

脑电近似熵分析的思维分类识别

以近似熵为指标,分别计算6导脑电信号的复杂度,作为神经网络分类器的输入特征向量,对5种思维任务进行分类识别.测试结果表明,针对5次练习的均值而言,平均识别率为73%,说明利用多导脑电的复杂性进行思维辨识是可行的.     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。     

基于卷积神经网络的时空权重姿态运动特征提取算法

在传统姿态运动特征提取过程中存在有效提取效率低的问题,于是提出了基于卷积神经网络（convolutional neural network,CNN）算法的时空权重姿态运动特征提取算法。针对所选择的运动时空样本,提取相应的时空运动关键帧并以静态图像的形式输出;采取运动目标检测、图像增强等多项措施完成初始运动图像的预处理工作;借助CNN将运动特征矢量化;采用时空权重自适应插值方法减少运动边缘检测误差,从姿态边缘特征和姿态运动时空特征两方面实现姿态运动特征提取,并输出提取结果。与传统算法进行对比实验的结果表明,所提出的算法在有效特征数量方面得到了提升。     

老年轻度认知障碍患者的脑电熵分析

选取8名轻度认知障碍(mild cognitive impairment, MCI)老年人和17名正常老年人参与图片颜色的认
知任务,并同步记录他们的脑电信号,然后采用相对能量、样本熵和累积残余熵分析方法,研究这两组被试在执
行任务时的不同脑区脑电活动的差异. 研究发现：1) 两组被试alpha相对能量无差异,但MCI患者额中央区和顶
枕中央区的脑电熵高于正常人;2)两组被试额区脑电的熵值都高于其他区域,中线区域的脑电熵值低于左右半
球;3)刺激类型对两组被试的脑电活动有影响,在完成匹配任务时,两组被试大脑前侧区域的脑电活动更为复杂,
并且正常人大脑右侧中央区域的脑电活动复杂性较高;4)与样本熵相比,累积残余熵能更细致地刻画出MCI患者
脑电的非线性特征. 结果表明,MCI患者认知过程中的脑电活动存在异常,信号更为复杂. 与样本熵相比,累积残
余熵更适合于分析脑电的非线性特征.     

改进的CRNN模型在警情文本分类中的研究与应用

针对某市公安110接处警文本描述进行案件分类的需求，参考现有文本分类方法在其他行业的应用，搭建了应用于警情描述的文本分类系统.通过论证常见分类网络适用场合及其优缺点，结合对警情数据中案件描述特征的分析，提出了基于改进卷积循环神经网络的模型，该模型优化了关键特征提取过程，弥补了现有模型短文本局部特征提取不足的缺陷.实验表明，该模型的准确率比常见分类模型提升了2%~3%，且能够有效保证数据局部特征的关联性，可以对案件描述所对应的案件类型进行准确分类，从而提高公安接处警平台的自动化效率.     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分，从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵，其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重，结合用户评分数据经过降噪自编码神经网络训练，得到用户-项目预测评分，然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明，所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据，具有较高的推荐准确率.