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模型的复杂度.通过实验结果给出所构建网络结构的最优配置,并得到使用DenseNet-40模型约18.8%的FLOPs以及28.4%的模型参数的情况下,准确率仅下降≤0.4%的结果.     

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.     

一种基于主题模型与迁移学习的文本分类方法

为了消除传统机器学习中分类方法的限制,提出一种基于主题模型与迁移学习的文本分类方法.将文本集合成由共同主题和特定主题所联合起来的混合模型;然后,通过这两类主题相关性推断出不同领域之间主题的映射关系;最后,融合共同主题以及映射后的特定主题形成一个新的特征空间,并在此特征空间中完成文本的分类.实验结果表明,相较于其他分类方...     

基于解析方法的机床运动创成

提出以刀具类型和被加工表面的几何信息为输入，通过解析求解机床运动方案的设计方法。利用该方法可以突破传统的机床运动形式，创成出新型式机床。以平面曲线加工为例，给出了所有两自由度机床的运动方案。     

基于稠密连接网络的地下水污染替代模型研究

地下水污染溯源和含水层参数反演问题等地下水逆问题通常面临计算负荷量的制约,考虑使用替代模型作为解决方法,从而降低地下水反演问题的计算成本。借鉴卷积神经网络的图像识别过程,考虑将地下水流运动和污染物运移问题转化为输入场图像（渗透系数场、污染源信息等）与输出场图像（水头场、浓度场等）之间函数关系的图像回归问题,利用基于稠密连接网络的AR-Net-WL构建地下水流运动和污染物运移的替代模型。算例研究表明,针对替代模型的过拟合现象,尽可能选择较大的训练样本可获得约10%的精度提升;当没有条件增加训练样本时,采用最优正则项系数的AR-Net-WL在训练样本较少的情形下（训练样本500）也能够取得良好的性能,能够精确预测地下水流运动和污染物运移。     

基于可变形状基的自适应运动参数识别方法

针对传统运动参数测量方法估计结果偏差较大的问题,为了提高运动参数的测量精度,提出一种可变形状基的自适应运动参数识别方法.首先运动员的运动可以看作是一个随机过程,通过计算运动员的形心坐标,确定运动状态下运动员的形状基矩阵,然后使用测量矩阵的秩来计算形状基数量的可变性,最后获得形状基在噪声干扰情况下的最优计算结果.仿真结果表明,本文方法可以更加准确检测出人体运动的相关参数,提高了参数的测量精度.     

基于运动捕获数据的人体运动融合

为了提高运动捕获数据的重用性和重用效率,引入注册曲线思想。以多个已有的捕获数据为输入,通过运动融合生成一段新的运动数据。首先建立时间对齐曲线,基于时间对齐曲线建立坐标对齐曲线,然后基于对齐曲线和坐标对齐曲线进行姿势融合。最后进行约束处理,扩展了可以用于运动融合的运动集合。实验结果证明方法可行且效果好。     

运动模糊图像模糊参数辨识与逐行法恢复

在相机曝光时间内,相机与拍摄目标存在相对运动会造成图像运动模糊。针对运动模糊图像,在辨识运动模糊参数的基础上,提出了一种逐行法来恢复运动模糊图像。运动方向通过运动模糊图像的频谱和Radon变换得到,利用得到的运动方向将频谱图旋转至水平方向。对处理后频谱图上的像素按列累加到水平方向上得到其投影图,在投影图上搜索对应暗条纹的极小值点,通过一系列极小值点的间距计算运动模糊尺度。最后,采用逐行法来恢复运动模糊图像。实验结果表明:算法辨识的运动模糊参数精确,辨识模糊尺度的误差在一个像素以内;同时逐行法恢复图像效果优异,可获得细节清晰的图像。     

基于预测运动矢量的菱形搜索方法

针对H.264/AVC编码器中运动搜索计算量大、搜索时间长,提出一种基于运动矢量的改进小菱形搜索算法。在运动估计的过程中,根据预测运动矢量的方向,采用不同搜索方向的菱形模型,可大大减少搜索点数,用较短的时间找到最佳匹配块,提高搜索速度。与典型运动搜索方法的菱形搜索算法相比较,该搜索方法在保证视频质量基本不变的条件下,编码速率平均提高5.73%。     

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.