改进的卷积神经网络用于对比度增强取证

提出一种改进的卷积神经网络(modified convolutional neural network,MCNN)用于图像的对比度增强取证.其中MCNN第1层是预处理层,这一层将输入图像转化为二值灰度共生矩阵(binary gray-level co-occurrence matrix,BGLCM),其余各层与传统的卷积神经网络相同,这些层可从BGLCM上学习特征并以此进行分类.该方法的特征提取和分类可同时进行优化,使提取到的特征更适合对比度增强检测.实验表明,所提方法不仅可检测传统的对比度增强技术和两种反取证技术产生的对比度增强图像,还可区分对比度增强时所采用的参数.     

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FastICA和卷积神经网络的脑电信号分类算法

为了改善传统脑电信号分类时间长、精度不够准确且分类难度较大的问题,利用脑电传感器(Mind Wave传感器)及Real Term软件从串口抓取数据获取脑电波TGAM数据包,并对采集的脑电信号数据进行分解计算处理,得到各个波段数据,使用基于负熵的独立分量分析的固定点算法(FastICA)提取脑电信号特征,并用深度学习分类算法对脑电信号进行分类。传统机器学习算法不能准确分类复杂的脑电信号,运用卷积神经网络(Convolutional Neural Network,CNN)提取数据进行训练,构建分类器,实现了对脑电信号更高效更准确的分类。实验结果表明,与Fisher线性判别、BP神经网络、朴素贝叶斯相比,此算法可以更准确地区分是否清醒的状态,对脑电信号分类的研究具有重大意义。     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

基于分布式卷积神经网络的车型识别算法研究

本文利用Spark分布式计算框架,提出了一种基于分布式卷积神经网络的车型识别算法。该算法通过改进卷积核参数和丢弃相似特征图来优化网络,通过改进分布式梯度下降来减少master和slave同步通信量,从而提高了收敛速度和性能。试验结果表明,该算法可有效提高车型分类的速度和精度。     

基于残差全卷积网络的图像拼接定位算法

为解决现有篡改定位网络随着深度加深不易收敛的问题,提出一种基于残差全卷积网络的图像拼接定位算法.所提算法一方面迁移残差思想,在全卷积神经网络(fully convolutional network, FCN)的部分卷积层中引入shortcut连接,使其输出的不仅是输入的映射,还是输入映射与输入的叠加.另一方面结合条件随机场(conditional random field,CRF)对定位结果进行后处理,并将FCN与CRF整合在一个端到端的学习系统中,进一步提高定位精度.此外,所提算法还融合3种FCN(FCN8、FCN16、FCN32)的预测结果.在实验中,随机选取公开数据集CASIA v2.0的5/6篡改图像作为训练集,然后对剩余1/6进行测试.为了测试提出算法的泛化性能,采用训练好的模型在公开数据集CASIA v1.0和DVMM上进行交叉测试.在3个数据集上的测试结果表明,所提算法的性能优于现有一些方法.     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

改进卷积神经网络的语音情感识别方法

研究了基于卷积神经网络的语音情感识别算法,改进了传统卷积神经网络训练过程中的卷积核权值的更新算法,使卷积核权值的更新算法与迭代次数有关联;同时为了增加情感语音之间的特征差异性,将语音信号经过预处理后得到的梅尔频率倒谱系数特征数据矩阵进行变换,提高卷积神经网络的表达能力.实验表明,改进后的语音情感识别算法的错误识别率比传统算法的错误识别率约减少7%.     

基于改进Harris算法的全自动无缝图像拼接

基于传统的Harris算法,提出了一种改进的Harris算法用来进行角点检测。此算法通过改变原来的梯度算子,提高了算子的检测敏感度。采用一个新的角点响应函数,避免了人为设定参数。在图像拼接过程中,通过卷积神经网络(Convolution neural network,NCC)对图像进行配准,利用稳健的RANSAC算法剔除误匹配,最终图像融合。实验结果表明,该算法提高了图像拼接的准确性,减少了图像拼接所耗费的时间,提升了图像拼接效率,具有良好的实用性。     

基于卷积神经网络的煤矸石图像识别研究

在分析煤矸石分拣环境特点及煤矸石视觉特点的基础上,提出改进的卷积神经网络煤矸石图像识别算法,并从损失函数、模型参数以及准确率3个方面进行分析研究。结果表明:改进后的卷积神经网络图像识别算法能有效地避免分选环境中的噪声影响;与传统的分选方法相比,具有更快的识别速度和更高的准确率,能更好地满足实际工程需要。     

深度学习空域隐写分析的预处理层

在一种具有预处理层的卷积神经网络模型基础上,对其高通滤波器预处理层进行改进,采用一组导数滤波器以获得线性及非线性残差图像,并对残差图像进行量化和截断操作,从而更加有效地提取图像特征.实验结果表明,与已有方法相比,尽管所提的3种方法对各空域隐写算法及各嵌入率下的性能表现并不一致,但这些方法均能显著提升隐写分析检测率.对于检测嵌入率为0.4 bpp的S-UNIWARD隐写算法,检测正确率提高了6%.     

一种基于特征组合和卷积神经网络的心脏病预测新方法

针对心脏病预测难的问题,提出了一种基于特征组合和卷积神经网络的心脏病预测方法。通过特征工程对数据进行预处理,减少噪声干扰;使用特征组合算法增强样本属性关联,生成特征矩阵;设计卷积神经网络对特征矩阵进行更高级抽象。该方法在UCI Heart Disease数据集上达到了0.898 9的预测精度,优于SVM、集成学习等传统机器学习方法,可作为相关领域专家判断的重要参考。     

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.     

基于深度学习的图像局部模糊识别

数字图像中常用模糊操作隐藏或抹去篡改的痕迹.为此,针对常用的高斯模糊、均值模糊及中值模糊操作的识别问题,构建了一种卷积神经网络模型,并给出其网络拓扑结构.在传统的卷积神经网络模型中添加一个信息处理层,提取出输入图像块的滤波频域残差特征,以提高网络模型对一次滤波与二次滤波操作的识别性.实验结果表明,所提方法的准确率较以往传统方法有较大提升,且泛化性能优越,能检测出主流的线性和非线性滤波操作。     

基于非平衡问题的高斯混合模型卷积神经网络

为了提升分类模型对非平衡数据的分类性能，提出一种EMWRS(expectation-maximization weighted resampling)抽样算法和WCELoss(weighted cross entropy loss function)损失函数，在数据预处理阶段采用高斯混合模型得知数据分布特点，根据其聚类结果分析每个聚类簇中样本权重，以及样本分布和对应权重对数据进行采样，降低数据集不平衡程度；再依据样本比例权重对少数类和多数类赋予不同的代价损失，构建卷积神经网络模型，提高非平衡数据集的分类准确性。构建的卷积神经网络以F1和G-mean为评价指标，在UCI(university of California irvine)公共数据集adult上与SMOTE(synthetic minority over-sampling technique)和ADASYN(adaptive synthetic sampling)等多种经典算法进行比较，结果显示在这两种评价指标中所提模型均为第一，这表明改进后的卷积神经网络模型能够很好地提高少数类分类正确率。     

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.     

注意力引导的三维卷积网络用于遥感场景变化检测

场景级变化检测策略可以容忍高分遥感影像的大量噪声,进而从语义层级更准确地描述遥感图像在前后时相的变化,为高分辨率影像变化检测提供了可能.本文提出了一种注意力引导的三维卷积神经网络用于高分遥感影像场景变化检测的方法.首先构建一个在AlexNet基础上进行简化的三维卷积网络,然后加入一个语义注意力模块来进一步提取地表覆盖变...     

基于脑电信号深度学习的情感分类

情感脑电研究作为人工智能高级阶段的重要任务,近年来受到越来越多的关注。情感脑电分类广泛应用于人机交互、医学研究等领域。该文以轻量级的卷积神经网络为核心,设计了情感脑电分类模型,以DEAP（dataset for emotion analysis using physiologicalsignals）提供的情感脑电图数据为基础,将其中的观看视频划分为唤醒度和愉悦度2个维度。为了获得频域信息,提取了theta、alpha、beta和gamma波段的功率谱密度特征进行评估,并将功率谱密度矩阵表示为二维灰度图像。然后将该图像输入到卷积神经网络训练分类模型并完成2个维度的分类任务。实验结果表明,与传统机器学习相比,卷积神经网络具有更好的分类效果,唤醒度分类准确率达到了82.33%,愉悦度分类准确率达到了75.46%。     

利用卷积神经网络的体育视频运动员检测

针对体育视频中多尺度运动员的检测问题,提出一种基于卷积神经网络的自动检测方法.首先,从视频帧中获得运动员图像,并结合非运动员图像构建训练集,利用Bootstrapping算法来训练卷积神经网络分类器.然后,对于输入的图像帧,通过二次采样构建不同尺度的图像金字塔,并通过卷积神经网络检测出多个候选运动员位置.最后,计算这些候选运动员的重心,获得一个具有代表性的候选运动员,再通过一个局部搜索过程来确定最终的运动员位置.实验结果表明,该方案具有较高的检测率和较低的误报率.     

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.