基于DenseNet的图像识别方法研究

在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。     

基于轻量级DenseNet和ZigBee的指纹识别方法

针对传统身份识别方法识别准确率低、模型复杂且运算速度慢等问题,提出一种新的基于轻量级密集连接卷积神经网络(DenseNet)和紫蜂协议(ZigBee)的指纹识别方法.首先,构建指纹识别系统的整体模型,并对该模型进行适当的裁剪以缩减模型复杂度.其次,通过筛选指纹图像、增强有效指纹以及扩充增强后的数据等操作,对采集到的ZigBee协议指纹信息进行预处理.然后,以传统深度残差网络的基本思想为依据,通过前馈的方式改变层间的连接关系并构建轻量级DenseNet.最后,以相同的样本数据为基础分别对轻量级DenseNet模型、普通DenseNet模型和3种传统基于机器学习的身份识别算法模型进行训练.试验结果表明:所提出的基于轻量级DenseNet模型的识别准确度最高,为98.24%,且该模型的运行速度最快,与普通DenseNet模型相比,其模型复杂度降低了94%以上.     

基于DenseNet的肺部医学影像智能检测方法研究

研究基于智能检测医学图像分类的肺部X线胸片检测可快速准确的对患者进行临床分析和诊断,能够实现病症早发现早治疗,为临床决策提供高效可靠的支持.以包含医学图像的Chest X-ray的数据集为基础,对其进行了缩放、随机裁剪、水平翻转、维度转换、像素值归一化处理等预处理后,创新地利用DenseNet-121模型进行了肺炎的分类实验.实验证明基于DenseNet的肺部医学图像的测试准确率达到97.4%,召回率、F₁值等量化指标也优于已有的ResNet方法,证明DenseNet可作为肺炎医学影像智能检测的一种有效方式.     

GMSDenseNet:基于组多结构卷积的轻量级DenseNet

提出了一种简单且高效的轻量级DenseNet模型,优化了原DenseNet模型中存在的参数冗余以及高额浮点运算数(FLOPs)的问题.首先,分析了现有流行的卷积计算单元的细节以及特性,其次,应用具有良好特性的卷积单元组合来设计组多结构卷积单元,构建轻量级DenseNet模型,进一步分析了该模型与原DenseNet模型的...     

基于DenseNet的机载雷达动目标检测

针对传统机载雷达运动目标检测方法所需训练距离单元较多的问题,将运动目标检测问题转化为多分类问题.首先,基于少量训练距离单元数据构建分类所需的训练数据集;然后,基于卷积神经网络DenseNet构建多类分类器;最后,利用训练后的分类器提取雷达空时回波数据特征,进行目标检测和参数估计.仿真结果表明:基于DenseNet的机载雷达动目标检测方法能够有效检测目标,估计目标的距离、多普勒频率等参数.相比传统空时自适应处理方法,该方法能够显著减少所需训练距离单元数量;相比现有基于分类的目标检测方法,该方法能够有效提高目标检测和参数估计的准确度.     

一种基于位置信息的运动模式分析方法

本文以提出了一种基于网络信号的路径划分方法,并给出了形式化的路径描述模型。结合应用背景,根据划分的路径量化分析得到用户的运动模式。通过实验表明,该方法能够方便地提取用户的运动模式,为评估用户的行动方式提供依据。     

基于卷积神经网络的图像风格迁移算法研究

针对Gatys的图像风格迁移算法做了两个方面的改进,首先提出了一种更加适用于风格迁移的卷积网络结构,相较于其他的预训练卷积神经网络模型减少了95％的参数数量,降低了22％以上算法运行时间;其次对风格迁移的风格损失函数部分做了改进,可以使一幅内容图像同时迁移多种不同的画作风格.     

一种基于迁移学习的学习资源推荐方法

移动互联网技术的飞速发展和智能终端设备的广泛普及为支持泛在学习(U-Learning)提供了可能.泛在学习是一种随时随地都能发生的在线学习.当前,互联网涌现了一大批可供学习的平台和资源,类似平台包括网易云课堂、Coursera、知乎网、简书网等.手动检索和个性化推荐是在线学习系统提供给用户获取学习资源的常用方式.个性化推荐因其能主动建模学习者偏好,为学习者提供个性化的学习资源推荐服务而受到了广泛关注并成为在线学习领域的研究热点.本文在传统协同过滤个性化推荐系统的基础上提出一种基于迁移学习的学习资源的推荐方法,该方法从已有的数据中学习知识,然后迁移到目标任务中,解决了目标任务中数据过少从而导致学习特征的能力不足的问题.     

基于改进DenseNet网络的转炉吹炼时期识别

针对炼钢生产中采用人工经验判断转炉吹炼时期准确率较低的问题,利用某钢厂转炉炉口火焰图像数据,提出一种基于深度学习的改进DenseNet网络转炉吹炼时期识别算法;该算法以DenseNet-121网络结构为基础进行裁剪,同时在分类层引入Center损失函数,并在100次模型训练中选取精度较高、拟合性较好的一次进行测试。结果表明：该算法通过特征复用,保证了分类精度,裁剪后的网络结构能够提升运算速度;在分类层引入Center损失函数能够改进相邻转炉吹炼时期分类模糊的情况,缩短了平均识别时间,分类的平均精度提高至91.75%。     

A motion retargeting algorithm based on model simplification

A new motion retargeting algorithm is presented, which adapts me motion capture data to a new character. To make the resulting motion realistic, the physically-based optimization method is adopted. However, the optimization process is difficult to converge to the optimal value because of high complexity of the physical human model. In order to address this problem, an appropriate simplified model automatically determined by a motion analysis technique is utilized, and then motion retargeting with this simplified model as an intermediate agent is implemented. The entire motion retargeting algorithm involves three steps of nonlinearly constrained optimization： forward retargeting, motion scaling and inverse retargeting. Experimental results show the validity of this algorithm.     

基于 EEG-TCNet 的运动想象脑电识别方法

目的 针对以深度学习为解码的方法在运动想象脑电信号识别过程中仅对原始的运动想象脑电信号进行特征提取而不进行样本扩充和往往采用单一尺度的卷积对多频段的运动想象脑电信号进行特征提取,无法充分发掘各频段之间相关性的问题,在主流 EEG-TCNet 解码方法的基础上提出了一种样本扩充和多尺度的解码方法。 方法首先,对运动想象脑电信号进行分割,以增加数据集样本数,将运动想象脑电信号等间隔下采样成 3 个不同的子序列,每个子序列都含有与原始运动想象脑电信号相同的数据特征;其次,使用 EEGNet 对每个子序列进行特征提取,对不同的子序列使用不同尺度的 EEGNet 以便提取不同频段的特征;之后,对每个经过 EEGNet 提取后的子序列采用一种基于卷积滑动的方法再进分割,充分挖掘每个子序列潜在的信息;再次,将每个处理后的子序列传入到时间卷积网络进行特征提取和降维;最后,对所有处理后的子序列进行拼接、平均操作,并传入到全连接层进行识别。结果 在公开的 BCI 竞赛数据集 IV-2a 上进行验证,所做出改进的网络相对于 EEG-TCNet、EEGNet 的解码准确度分别有 5. 19%和 7. 7%的提升。 结论 证明所做出改进的网络在运动想象脑电信号识别任务中具有更理想的解码性能。     

利用卷积曲面模型的人体运动姿势估计

基于通过单目图像进行人体运动姿势估计,是计算机视觉中非常困难的问题,提出了一种利用单目图像进行人体运动姿势估计的框架.首先建立了一种新颖的多项式密度卷积曲面人体模型,该模型由连接体线骨架与某种卷积核卷积而成,整个曲面是一张连续曲面,调节多项式和半径参数可以让人体任意变形;给出了正交投影下卷积曲面和曲线对应的概念和相关定理,为二维的图像轮廓和三维人体模型之间建立对应关系;根据正交投影下卷积曲面与曲线对应定理,用卷积曲线去逼近人体的图像轮廓曲线,从而估计和恢复出三维人体运动姿态.实验证明,该方法在没有遮挡的情况下,可以很好地恢复人的三维运动.     

自适应运动矢量精度在插值算法中的应用

根据对H.26L视频图像编码算法的研究，提出了一些新的有效的编码方法。在运动估值和运动补偿方面，采用立方卷积插值算法替代双线性插值以获得更高的估值精度，并提出混合插值与自适应运动矢量精度（AMVA）相结合的算法，着重就平均峰值信噪比、压缩效率和主观图像质量做了分析和比较。从实验结果看，算法获得了满意的效果，实现的H.26L软件编解码器在压缩比方面较H.263软件编解码器有明显提高，具有较大的实用价值。相信所做的工作对甚低码率视频图像编码的实际应用和推广将起到一定作用。     

GPR图像的数据集构建及其DRDU-Net去噪算法

为了解决生成对抗网络（Generative Adversarial Network,GAN）在生成探地雷达（Ground Penetrating Radar,GPR）图像时存在训练不稳定的问题,提出利用带有梯度惩罚的Wasserstein距离生成对抗网络（WGAN-GP）生成GPR图像,并结合时域有限差分法和实地采集图像提出了一种构建GPR图像数据集的方法.相较于原始GAN与Wasserstein GAN等方法,WGAN-GP具有更好的稳定性,而且生成的GPR图像更接近真实图像.在此基础之上,将密集残差块和U-Net相结合提出了一种适合于GPR图像的密集残差去噪U-Net方法.该方法利用U-Net中编码-解码结构提高了GPR图像的去噪性能;同时,密集残差块的引入加强了GPR图像的特征复用,且使U-Net训练更加稳定.最后,利用仿真实验验证了所提去噪方法的性能,并与三维块匹配（BM3D）和U-Net方法进行了对比.结果表明：所提方法与BM3D以及U-Net去噪方法相比,具有更好的去噪效果.当σ等于20时,在模拟和实测数据上取平均值,其峰值信噪比分别提升了约6.5 dB和2.4 dB;结构相似性分别提升了约0.09和0.04.     

卷积代数的正合性、反射性和半单性

本文主要给出了卷积代数Hom(C,A)和卷积余代数A*C的正合、反射和半单等性质,并且证明它们关于反射、余反射具有可扩张性．同时,引入卷积双代数概念,并给出它的一些性质．     

基于SV形态学方法的图像分解问题的研究

在固定结构元的形态学方法对图像分解问题研究的基础上,进一步研究了基于空间变化的形态学方法的图像内、外骨架提取及图像分解问题,建立了图像空间变化的内、外骨架变换,并将内、外骨架同时作为分解成分建立了图像分解公式的推广形式,所有公式的建立都给出了相应的推算和证明过程．     

一种基于条分割及缩放的图像重定算法

提出了一种基于图像条分割的快速图像重定算法．根据像素梯度信息建立图像的能量图,描述图像不同区域及目标的重要性．由各图像列的累积能量,通过类间最大类内最小原理,将一幅图像分割成若干具有一定宽度和能量级的图像条．根据图像的总体缩放尺寸及不同图像条的平均能量,计算各图像条的缩减量．结合标准Scaling和Cropping方法,对图像条进行缩放操作,若边缘图像条缩减量超过一定阈值,裁剪掉该部分内容．实验结果表明,该算法能够同时保护图像的局部结构和全局视觉效果,快速生成保真的高质量重定图像．