基于深度学习的高分遥感图像建筑物识别

该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感图像深度学习目标检测中样本库和遥感数据库的建设提供参考,为利用深度学习开展多尺度、多源高分遥感建筑物检测与识别提供支持。     

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。     

基于深度学习的果蝇识别

识别果蝇并根据其数量变化总结出果蝇暴发规律,在其暴发期到来前采用相应手段进行诱杀,是有效加强树莓虫害防控的综合措施.但是,由于果蝇躯体小,人工识别难度大、耗时长、效率低,因此本文提出一种基于深度学习的果蝇识别方法.该方法采用YOLO v3目标检测模型,通过建立果蝇数据集对模型进行训练.测试结果表明,该方法对果蝇的平均识...     

基于深度学习的图像修复方法研究

基于深度学习的图像修复方法已经成为图像处理中的热门研究问题,有着广泛的应用前景.基于编码器-解码器,提出了一种基于注意力机制的编码器-解码器修复图像网络模型,优化改进了损失函数.与CVPR2017的General Inpainting图像修复算法进行定性和定量比较结果表明,所提出的修复网络模型能修复出真实且具有丰富细节...     

基于深度学习的心脏磁共振图像分割

心脏磁共振检查是用于评估心脏结构和功能的一种非侵入式的医学成像技术,与其他医学成像技术相比,不存在辐射伤害并且更擅长捕捉软组织细节,可为医生提供关于心脏结构和功能的详细信息,在心脏疾病的诊断和治疗中发挥着至关重要的作用.为了精准分割心脏磁共振图像(Magnetic resonance image,MRI),在nnU-Net自适应分割框架的基础上提出基于改进nnU-Net的分割方法.通过在编码器部分应用残差模块代替原始卷积以缓解梯度消失问题并增强特征学习,利用在最底层瓶颈部分引入十字交叉注意力模块以捕获长距离依赖关系并提升模型的特征表达能力,此外,在跳跃连接部分加入卷积块注意力模块以减小噪声干扰并聚焦于关键特征.在心脏自动诊断挑战(Automatic cardiac diagnosis challenge,ACDC)数据集上进行实验,结果表明基于改进nnU-Net的分割方法具有更精确的分割效果.     

基于深度学习方法的人体行为识别综述

当前,人体行为识别技术广泛应用于公共安全监控、智能交通调度及个性化教学中.随着计算机视觉技术的飞跃,深度学习已成为行为识别领域的核心驱动力,显著提升了识别精度与效率,推动多领域智能化发展.为了梳理深度学习方法的发展脉络,对基于双流网络、3D卷积神经网络等框架中最具代表性的行为识别算法进行研究综述,分析各种算法的优缺点,同时对HMDB-51和UCF-101等几种主流数据集进行介绍,在UCF-101数据集上对经典算法进行性能对比,并探讨行为识别领域的研究趋势与未来潜在方向.     

基于时频分析与深度学习的高分辨距离像雷达目标识别

传统的基于高分辨距离像（high resolution range profile,HRRP）雷达目标识别方法易受噪声影响,为此提出一种基于时频分析与深度学习的HRRP雷达目标识别方法。首先使用生成模型对低信噪比的HRRP数据进行处理,以提高数据的信噪比,生成模型采用深度卷积生成对抗网络（deep convolutional generative adversarial network,DCGAN）和所提出的约束朴素最小二乘生成对抗网络（constrained naive leasts quares generative adversarial network,CN-LSGAN）;其次将处理后的数据分别进行短时傅里叶变换（short-time Fourier transform,STFT）和小波变换（wavelet transform,WT）,得到二维时频数据;最后利用卷积神经网络（convolutional neuralnetwork,CNN）进行识别。实验结果表明,CN-LSGAN相对DCGAN能够更好地提高信噪比,WT相比STFT得到的数据更能获取HRRP特征信息,因而基于CN-LSGAN,WT与CNN的HRRP雷达目标识别方法具有更好的识别效果。     

基于模糊竞争学习的模糊自校正控制

提出一种基于模糊竞争学习的模糊自校正控制方法.先通过基于模糊竞争学习确定一种在线模糊辨识算法,并给出递推模糊竞争学习算法收敛性证明.在采用此模糊辨识方法对对象进行在线估计的基础上,再用调节器实现参数的自动整定.为验证此法的有效性,还给出了非线性系统的控制结果.     

基于模糊理论的足底压力分布模式识别

采集了正常人足底压力的数据,统计分析了行走过程中摆动相5个阶段的压力分布关系,指出采用模糊理论方法能够更好地对足底压力分布模式进行识别.在实验统计的基础上采用拟合方法得出表征足底压力大小的隶属度函数,结合实验数据固定了FCM算法的聚类中心,精简了算法,能够快速确定受试者处于步行状态中的何种支撑相,并对该算法进行仿真验证,实验结果验证了该方法的可行性.     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于深度学习的金属表面缺陷检测

由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷．这会降低材料强度,缩短工件寿命,并且增加安全风险．因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节．与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点．提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力．为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试．结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%．通过大量图片的学习,可以获得更好的精确率．     

基于深度图像分析的细粒度矿石分级测定方法

针对图像处理技术在细粒度矿石分级测定时存在的精度不足问题,提出基于深度图像分析的分级测定方法.在灰度共生矩阵(gray-level co-occurrence matrix, GLCM)的基础上提出点对生成步长与图像灰度压缩等级的自适应选取方法,通过网格搜索与交叉验证来优化支持向量机(support vector machine, SVM)分类器,提高粒度测定精度.实验结果表明,该方法对0～0.9 mm、0.9～3.0 mm、3.0～5.0 mm、5.0～7.0 mm这4种等级的细粒度矿石分级准确率可达92%以上,能够充分满足细粒度矿石分级测定的要求.     

基于改进局部保持映射的图像特征提取算法

针对目前局部保持映射算法(LPP)因忽略类标识信息而造成的计算效率问题,提出了基于类标识信息的监督局部保持映射算法,并将其用于图像特征提取中,该算法通过用类标识信息指导最邻近图构造过程来提高算法的效率,仿真实验的结果表明,该方法可以有效提高传统局部保持映射算法的运算效率,提高图像特征提取性能.     

基于深度学习的医疗电子数据特征学习方法

面向高维异构的医疗电子数据,如何才能有效开展特征学习以优化患者联合用药不良预后的风险预测？针对此问题,提出一种基于深度学习的医疗电子数据特征学习方法。首先结合深度学习长短期记忆网络模型和深度稀疏自动编码模型学习具有时序特性的患者联合用药数据的特征表示,并通过二分k-均值聚类方法形成联合用药综合表达因子。然后构建风险预测特征向量和风险相关特征向量,分别用于联合用药的不良预后风险预测和风险相关性分析。最后将该方法与已有的传统方法在真实医疗电子数据集上进行对比实验,结果表明：该方法在患者联合用药的不良预后风险预测中,准确率比传统方法提高了5%～10%,误判率降低了3%～5%,具有较好的风险预测性能。     

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%。     

基于模糊预测的迭代学习控制器设计

<正>一、引言间歇生产过程是以顺序的操作步骤进行批量产品生产的过程,广泛应用于精细化工、药品生产、生物制品、现代农业等领域。由于传统的间歇生产过程中人工操作比重大,自动化水平低,间歇过程单元存在非线性、大滞后、时变和数学模型不确定等因素,难以达到理想的控制效果来满足工业生产柔性化趋势和产品多样化的要求。又由于间歇过程的运行一般是在没有稳     

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。     

基于模糊预测的迭代学习控制器设计

一、引言间歇生产过程是以顺序的操作步骤进行批量产品生产的过程,广泛应用于精细化工、药品生产、生物制品、现代农业等领域.由于传统的间歇生产过程中人工操作比重大,自动化水平低,间歇过程单元存在非线性、大滞后、时变和数学模型不确定等因素,难以达到理想的控制效果来满足工业生产柔性化趋势和产品多样化的要求.     

基于Gabor小波和神经网络的图像目标识别

针对目前数字图像目标识别方法中存在识别精度和实时性的问题,提出一种结合Gabor小波和神经网络的图像目标识别方法.该方法首先对图像进行预处理,用Canny算子进行边缘提取,然后通过神经网络获取最优的双Gabor小波复合滤波器参数,再采用参数优化过的滤波器组提取目标的特征向量,最后进行目标的分类和识别.实验表明这种方法鲁棒性好、识别率高,具有较广泛的实际应用价值.