治安监控视频中暴力行为的识别与检测

为了充分提取治安监控视频中的时空特征和时序特征,并对暴力行为进行准确的识别与检测,提出一种基于三维卷积神经网络(3DCNN)和卷积长短期记忆网络(Conv LSTM)的暴力行为识别算法。首先,采用一种通用视频描述符—3DCNN结构,提取视频的短时特征,这些特征封装了视频中与目标和场景相关的背景信息,然后,构建Conv LSTM网络对3DCNN提取的短时特征在时间轴上进行建模,进而充分提取视频的高层时序特征。最后,利用Sigmoid函数分类行为动作。为了验证该算法的高效性,对所提出的方法在暴力行为数据集Hockey上进行验证,达到了98.96%的识别精度。测试结果表明,该融合模型在检测效果上优于目前人工提取特征的方法和深度学习的方法。     

面向盲去模糊的选择性内核卷积混合连接编解码网络

针对运动模糊在空间上非均匀且模糊核未知的特点,提出一种选择性内核卷积混合连接编解码网络.为避免估计模糊核产生误差,该网络采用对称编解码的结构,以端到端的方式实现盲去模糊;为消除非均匀模糊,设计一种选择性内核卷积混合连接块,使用两个感受野不同的分支增强网络提高非均匀模糊特征的适应能力;同时,该模块融合了通道注意力机制,对多分支特征图进行校准,增强有效特征信息;此外,使用均方误差与感知损失作为联合损失函数引导网络模型的训练.实验结果表明,该网络能够有效去除图像模糊,恢复出图像的边缘结构和纹理细节.     

融合FCN和LSTM的视频异常事件检测

针对传统视频异常检测模型的缺点,提出一种融合全卷积神经(FCN)网络和长短期记忆(LSTM)网络的网络结构.该网络结构可以进行像素级预测,并能精确定位异常区域.首先,利用卷积神经网络提取视频帧不同深度的图像特征;然后,把不同的图像特征分别输入记忆网络分析时间序列的语义信息,并通过残差结构融合图像特征和语义信息;同时,采...     

基于DeblurGAN和低秩分解的去运动模糊

为研究出一种快速且有效的图像去模糊方法,基于DeblurGAN提出一种利用条件生成对抗网络实现的端到端图像去运动模糊方法。该方法将DeblurGAN的标准卷积层改成瓶颈结构,并对瓶颈结构中的卷积进行低秩分解,且添加两个残差对称跳跃连接,以加速网络收敛。为解决DeblurGAN复原图像不够清晰这个问题,向网络损失函数添加互信息损失和梯度图像L1损失,通过最大化输入图像和其隐含特征间的互信息,使所提取的隐含特征能很好地表征输入信息,从而利用隐含特征还原出清晰图像,而L1损失有利于使复原图像的边缘更明显。同时,通过实验对该方法的有效性进行了验证,并与其他已有的同类算法进行了比较。结果表明:相比DeblurGAN,文中方法峰值信噪比更高,两者的结构相似性指标相当,且文中模型参数量压缩至DeblurGAN的3.25%,去模糊速度提高3倍,模型性能优于已有的其他同类算法。     

基于深度卷积神经网络的模糊字迹图像识别方法

在传统的模糊字迹图像识别过程中,忽略了字迹变化尺度对图像的影响,导致识别准确度低识别能力差的问题,提出基于深度卷积神经网络的模糊字迹图像识别方法.通过图像的退化模型,对模糊字迹图像稀疏性特征进行分解,构建模糊字迹图像的多源特征参数检测模型,结合边缘轮廓特征提取方法实现对模糊字迹图像的边界信息采样分析;采用多维参数模拟和模糊度增强处理,结合匹配滤波检测器对图像的多级尺度分解和细节特征进行提取,对提取的模糊字迹图像细节特征进行融合和优化检测,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的识别.仿真结果表明,采用该方法进行模糊字迹图像识别的准确性较高,检测能力较强,提高了模糊字迹图像修复和辨识能力.     

基于多尺度编解码网络的道路交通模糊图像盲复原

提出一种多尺度编解码深度卷积神经网络结构,使用生成对抗的思想对模糊图像直接进行盲复原.首先,设计一种优化多尺度残差块应用在编解码器内部,在减少参数量的同时提高了网络非线性表达能力;其次,分别计算多尺度网络每层对应的L2损失,确保逐级去模糊后的图像更加接近真实图像;最后,在GoPro数据集和真实道路交通模糊图像上进行仿真...     

基于生成对抗网络和RetinaNet的销钉缺陷识别

人工标注无人机巡检航拍图像中销钉常见的缺陷耗时耗力,为此,文中采用深度学习算法RetinaNet来实现销钉缺陷的自动标注。考虑到如果直接对无人机现场采集到的不清晰图像进行检测,会出现识别精度偏低的问题,文中提出了一种基于生成对抗网络的缺陷智能识别方法,即通过生成器和鉴别器之间的互相博弈来增强局部纹理、边缘等细节信息,以改善此类图像质量,并结合缺陷智能识别算法提取准确的特征,以实现缺陷的智能识别。由于生成对抗网络训练用的模糊-清晰图像对难以获取,文中结合马尔可夫过程和子像素插值构建了模糊-清晰图像对。实验结果表明:RetinaNet对清晰图像进行检测时,可以表现出优异的性能,而对于部分模糊图像,容易出现错标和漏标的情况;文中构建的模糊-清晰图像对可以有效地训练生成对抗网络,使其具备去模糊功能,有利于卷积神经网络提取更加丰富的特征,进而提高模糊图像的识别率。     

基于全变差模型与卷积神经网络的模糊图像恢复

为了提高模糊图像恢复性能,采用全变差(TV)正则模型进行粗粒度去模糊,运用卷积神经网络(CNN)算法进行模糊图像的像素恢复。首先,根据图像包含的噪声类型选择合适的TV模型,并针对每个像素点进行原始图像和模糊图像的TV正则最小值求解,以实现图像去模糊操作。然后,建立CNN图像恢复优化模型,将经过TV正则化后的分块图像样本作为CNN输入,结合图像信噪比(SNR)增益阈值,通过训练获得图像恢复结果。实验结果表明,采用TV正则策略及CNN的卷积优化,能够满足不同图像模糊核类别和尺寸,以及不同噪声的图像恢复需求,有效提高模糊图像的复原性能。分别采用R-L算法、反向传播神经网络(BPNN)、生成对抗网络(GAN)和TV-CNN算法对5类图像样本集进行性能仿真。通过合理设置卷积核尺寸,相比于其他模糊图像恢复算法,TV-CNN算法能够获得更优的图像恢复质量,且能够有效应对不同模糊核尺寸和不同等级噪声所带来的图像恢复难的问题。     

基于CNN和LSTM的脑电信号情感识别

为了提高脑电信号情感识别的准确率,提出了一种基于卷积神经网络(CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的脑电信号情感识别方法.首先,对62个通道的脑电信号进行预处理,并对预处理后的每个通道的脑电信号分别采用一维卷积神经网络提取情感特征.然后,利用LSTM网络在序列上的建模能力,...     

基于动态长短期记忆网络的设备性能退化预测方法

针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题，提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络（LSTM）的旋转机械退化趋势与退化区间预测方法。以振动信号为例，首先提取表达设备退化信息的特征指标，然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界，其次利用动态LSTM进行综合性能退化预测；最后，利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。     

基于Mel频谱和LSTM-DCNN的矿山微震信号混合识别模型

微震监测是保证矿山安全生产的有效手段，微震信号识别精度直接影响着微震事件的判定及分析结果.鉴于此，以夏甸金矿微震监测数据作为样本，建立了基于Mel频谱和长短时记忆(long short-term memory, LSTM)神经网络与深度卷积神经网络(deep convolutional neural networks, DCNN)混合的矿山微震信号识别模型.首先对监测信号进行预处理，利用Mel时频谱降低干扰频段的权重并减小样本尺寸.然后利用LSTM和DCNN模型分别提取信号的时间特征及空间特征.通过多种模型的对比分析，结果表明本文提出的Mel-LSTM-DCNN混合模型对微震信号识别准确率最高.该模型为矿山准确识别微震信号提供参考.     

基于多层特征深度融合的卷积神经网络人脸识别方法

针对传统神经网络在人脸图像的训练过程中没有将高低卷积层信息进行融合,为充分利用图像各层特征信息,提出一种基于三层特征融合的全连接卷积神经网络模型,算法将原有网络最后三层特征结合,并将提取的特征信息与最后一层全连接层结合,从而增加了浅层特征的表达,加强了深层特征的提取效果,促使改进后的卷积神经网络提取的信息更加完备;同时将损失函数和中心函数加权联合,以提高人脸图像的识别率和区分性.在CASIA-webface人脸数据库进行的实验结果表明,改进后的网络模型识别率达到98. 7%,优于DCNN等算法,并将训练好的网络模型应用到YALE、PERET、LFW-A等人脸库上,相比其他方法识别率都有所提升.     

基于序列标注的事件联合抽取方法

事件抽取是自然语言处理领域的重要研究方向。传统的事件类型抽取系统采用分类方式,无法解决跨句子的事件角色和事件类型匹配问题。为了解决该问题,提出一种基于序列标注的事件联合抽取模型,结合卷积神经网络(convolutional neural networks, CNN)与长短期记忆网络(long short-term memory, LSTM)提取全局特征和局部特征;并在浅层LSTM层共享参数实现联合抽取,以序列标注方式抽取事件论元并匹配事件类型。实验结果表明,模型能有效提取司法领域的文档事件信息。     

基于DeblurGAN的文本图像去模糊算法

为了去除文本图像的模糊,对比了几种常用的去模糊算法后,使用效果更加优秀的Deblur-GAN生成对抗网络算法对模糊文本图像去模糊,并对原算法进行了多处改进以满足文本图像去模糊的要求.实验表明改进后的DeblurGAN的去模糊效果有明显提升.     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

基于核偏差估计航天目标退化图像快速反卷积

提出了一种基于核偏差估计的航天目标图像快速盲反卷积算法,基于自然图像的梯度具有长尾分布的特点,引入超拉普拉斯先验,针对模糊航天退化图像模糊核估计不精确的情况,在概率模型里添加一个关于点扩散函数的偏差估计用于补偿已知点扩散函数和真实的点扩散函数之间的误差,以增加算法的鲁棒性.该算法不仅减少了反卷积过程中时间复杂度高的问题,而且相较于其他快速算法更能保证图像恢复质量.该算法与目前图像去模糊方法相比具有较好的性能,并且与传统梯度先验模型在频域求解相比,能有效抑制阶梯效应衍生的截断条纹.     

基于小波散射深度序列神经网络的制动噪声分类识别

为实现对制动噪声的智能化识别,研究了一种小波散射结合深度序列神经网络的识别方法。采用3层小波散射变换构造出制动噪声相应卡钳振动信号的小波散射多维特征向量。首先,以单层一维卷积神经网络（1DCNN）和单层双向长短时记忆网络（BiLSTM）为基础,将小波散射特征以序列形式和分别输入方式进行训练和测试;结果显示,与短时能量和短时平均过零率这类一维序列输入相比,小波散射变换多维特征输入能够大幅提高分类准确率。其次,针对网络欠拟合状况,建立的4层深度1DCNN与3层深度BiLSTM网络相比,其基础网络具有更强的特征捕捉能力,均进一步提高了制动噪声分类准确率。根据分类性能指标F₁,4层1DCNN的整体性能均超过3层BiLSTM网络,并且具有训练参数数量较少的优越性。     

基于模糊空谱特征的高光谱图像分类

难以兼得高空间分辨率和光谱分辨率的高光谱遥感数据常存在“同物异谱”和“同谱异物”现象，这种光谱异质问题给分类过程带来了一定的不确定性，且现有深度分类网络存在空间信息利用不足和拟合退化问题.提出一种联合空间和模糊光谱特征的双分支高光谱遥感图像分类方法，通过在光谱分支中设计非对称卷积模糊模块增强卷积层的光谱表征能力，解决分类数据中的光谱异质问题，进而对地物特征进行精确的分类描述.采用门控循环单元模型分组获取相邻光谱序列信息，缓解因网络深度增加带来的拟合退化问题，在空间分支中利用波段间的相关性引入卷积长短时记忆模块，充分捕捉空间上下文信息.在三个公开的高光谱数据集上的实验结果表明，双分支结构的模糊分类网络能充分利用光谱和空间包含的细粒度信息，更具判别力的空谱特征有效地克服了光谱异质问题，比流行的深度学习方法取得了更好的分类结果 .     

一种非对称的轻量级图像盲去模糊网络

针对现有图像去模糊算法存在细节模糊不清、计算资源占用较大且图像处理速度较慢等问题,提出一种轻量级的图像盲去模糊网络.首先,网络主体使用多尺度架构,将不同分辨率的图像输入网络,通过循环处理逐步优化细节;其次,设计非对称结构以加强编码器的特征提取能力和解码器的特征融合能力.在编码器中,提出混合多尺度卷积层和残差金字塔模块,以强化特征提取并减少网络的参数量;在解码器阶段,使用跳跃连接引入深层语义,并提出多尺度联合结构损失函数进行优化.最后,在两个广泛使用的数据集GoPro和Kohler上使用两种评价指标,将该方法与其他经典方法进行性能对比.实验结果表明,该网络的去模糊效果优于传统方法以及其他经典深度学习方法,不仅在峰值信噪比(PSNR)和结构相似性(SSIM)上均有一定提升,且处理时间更短.     

基于光流场的时间分段网络行为识别

针对在双流时间分段网络上进行行为识别在预处理阶段耗时长、精细度有待提高这一问题,在现有的时间分段网络的基础上,将深度学习求解光流场的算法引入到行为识别这一应用中.用原始RGB帧图像作为空间卷积网络的输入提取外观信息,深度学习算法从相邻帧提取的光流场特征图像作为时间卷积网络的输入提取运动信息,两者互为补充,最后将空间卷积网络和时间卷积网络的输出加权融合得到最终识别结果.实验结果表明:用深度学习求解光流场的算法可有效提高识别算法的运算速度,同时也取得了较好的识别效果.