基于卷积神经网络进行电影院人群分布统计

基于传统算法检测人脸提取特征来预测人的性别和年龄,构建一种基于卷积神经网络(Convolutional Neural Network,CNN)的电影院人群分布统计模型.该模型包括人脸检测模型和卷积神经网络模型两部分,根据性别和年龄对人群进行精确分类,从而得到电影院人群的分布,为电影院投放电影提供可靠的依据.在Adience公开数据集上的实验结果表明:该模型对于电影院人群分布统计的准确率高达77.92%.     

基于卷积神经网络的重力异常反演

重力异常反演是地球勘探中常用的方法,它是通过地表观测重力异常推断地下介质的密度分布。针对传统反演方法存在的多解性、初始模型依赖和计算时间较长等问题,提出一种基于卷积神经网络(convolutional neural network, CNN)的重力异常反演方法,该方法首先通过大量正演计算获得训练数据集;然后采用该数据集训练CNN网络,使其建立从地表观测重力异常到地下密度模型之间的映射关系;最后将重力异常数据输入到训练好的卷积神经网络,得到对应的地下密度模型。实验结果表明,该方法能快速、准确的反演出地下重力异常体的密度、位置和形状,具有较强的泛化能力,能有效解决重力异常反演问题。     

一种基于双流卷积神经网络跌倒识别方法

针对跌倒行为的视觉特征难以提取的问题,提出一种由两路卷积神经网络和模型融合部分组成的双流卷积神经网络(Two-Stream CNN)的跌倒识别方法.该方法的一路对视频帧的运动人加框标记后,送三维卷积神经网络(3D-CNN)处理来消除视频背景的干扰;另一路从相邻视频帧获取光流图后,送VGGNet-16卷积神经网络处理;最后将3D-CNN和VGGNet-16的Softmax输出识别概率加权融合作为Two-Stream CNN输出结果.实验结果表明:标记运动人并经3D-CNN处理有效地消除了视频背景的干扰;Two-Stream CNN跌倒识别率为96%,比3D-CNN提高了4%,比VGGNet-16网络提高了3%.     

小样本卷积神经网络井震映射反演

针对常规卷积神经网络(Convolutional Neural Networks,CNN)在井少地区因无法获得大量测井数据而易于出现过拟合现象的问题,提出了一种小样本CNN井震映射反演方法。通过网络结构优化设计,选出了最佳的网络层数、卷积核大小、特征图规模和激活函数,并将优选出的最好网络模型应用于实际资料反演。实际应用表明,小样本CNN井震映射反演方法可以防止过拟合、提高泛化能力和反演精度,为精细刻画薄互层油气藏的空间展布提供了一项智能化的新技术。     

分布式CNN中基于参数优先级的细粒度调度算法

随着卷积神经网络模型日益复杂,训练数据类型更加丰富,数据量急速增长,单一机器已经无法满足模型训练的需求,分布式CNN成为新的解决方法.在参数服务器架构下,分布式CNN模型训练会产生大量的通信数据,可能会在每次迭代后产生突发流量,从而造成网络阻塞.在TensorFlow这种用图来表示计算的平台中,节点之间接收参数的顺序是...     

基于改进型CNN的多聚焦图像融合方法

针对多聚焦图像融合问题,提出一种基于改进型卷积神经网络(convolutional neural network,CNN)的图像融合方法.首先,阐述了多聚焦图像融合问题与CNN中分类问题的一致性关系;其次,对经典的CNN模型加以改进,构建了改进型CNN模型;最后,将待融合源图像输入改进型CNN模型进行实验仿真.仿真结果表明,与现有的代表性融合方法相比,该方法无论在直观视觉效果还是客观评价指标方面均具有显著的优势.     

基于局部-全局双分支网络的密集人群计数方法

基于卷积神经网络的人群计数方法促使人群计数精度取得了显著提高. 然而,密集人群中的人头尺度变化与复杂环境干扰仍是影响网络计数精度的主要因素. 本文提出了一种基于局部-全局双分支网络对密集人群计数. 局部分支主要由尺度感知特征提取模块实现,以建模密集人群中人头的尺度变化. 全局分支主要由位置感知注意力模块实现,以增强网络对人群与背景之间的判别力. 提取到的局部特征与全局特征会送入特征融合分支处理,回归人群密度图. 本文方法在3个常用的人群计数数据集与一个遥感目标计数数据集上进行了实验. 定量与定性结果表明了本文方法的有效性.      

基于卷积核滤波器筛选的CNN模型精简方法

近年来,卷积神经网络(CNN)在计算机视觉领域中取得了令人瞩目的成绩,在各类的图像竞赛中取得了可喜的成绩.然而,CNN带来的高精度和鲁棒性的背后是计算量大幅增加的支撑,复杂的深层卷积神经网络往往需要在计算机集群或是高端GPU才能运行,因此CNN很难运行在嵌入式设备中,尤其是运行在手持设备中.这就导致CNN不能从实验室进入到人们的日常生活中.本文提出了一种基于卷积核滤波器筛选策略的CNN模型精简方法.通过分析CNN在前向传播中各神经元的激活情况,来找出对网络模型贡献度高的卷积核滤波器,并将这些滤波器重新封装成一个新的"小CNN模型".这个小模型在不仅在识别率上拥有很高的性能,而且还有效减低了模型体积和计算时间,在本文中通过实验表明CNN模型能够通过精简的方式使运算速度显著加速,而准确率仅仅只下降了两个百分点.     

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法 ,该方法在卷积神经网络的训练过程中融入Dropout优化方法 ,使整个故障诊断模型按照一定的比例随机"关闭"隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的"基于信号处理提取到的特征和机器学习模型"方法 ,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.     

基于卷积神经网络的壁面清洗机器人障碍物检测识别算法

结合机器人的工作原理以及卷积神经网络(CNN)在图像分类中的应用,提出了一种基于卷积神经网络的壁面障碍物检测识别算法.首先,以壁面障碍物准确识别为目标,构建壁面障碍物图像库;然后,通过对VGG-16网络简化后进行优化,得到适合壁面障碍物准确识别的卷积神经网络模型.在此基础上,设计该网络由输入层、4层卷积层、2层池化层、1层全连接层以及输出层组成,进一步利用3×3卷积核对训练样本进行卷积操作,并将所获取的特征图以2×2领域进行池化操作.重复上述操作后,通过学习获取并确定网络模型参数,得到最佳网络模型.实验结果表明,障碍物的识别准确率可达99.0%,具有良好的识别能力.     

基于LSTM的监控视频中步态识别方法研究

卷积神经网络(Convolutional Neural Networks,CNN)已广泛应用于步态识别领域,但CNN进行分类时仅考虑单张步态图片,未考虑到步态的连续性特征,这直接影响到最终识别准确率。因此,提出利用长短期记忆网络(Long Short-Term Memory networks,LSTM)来获取步态的连续特征,结合步态能量图(Gait Energy Image,GEI)构建一种新的步态识别模型。将该模型在OU-ISIR Treadmill dataset B数据库上进行测试,识别准确率和网络训练时间两个方面都优于CNN,表明LSTM在步态识别领域上具有良好的应用前景。     

基于卷积神经网络的监控视频人数统计算法

监控视频中人数统计是现代安防的重要任务之一,具有较高的研究意义和应用价值.虽然近年来取得较大的进展,但仍无法很好地解决监控场景人数统计精度、高清图像耗时问题.为此,作者提出一种基于卷积神经网络与岭回归联合的人数统计方法.通过卷积神经网络回归图像中人头中心点获得人群密度分布特征图,然后使用岭回归模型分析人群密度分布特征图得到该帧图像对应的人数.作者提出的算法通过在多组视频图像上进行了测试,并与经典算法做了比较.实验结果验证了作者方法的有效性.     

基于超像素分割的图注意力网络的高光谱图像分类

针对卷积神经网络(CNN)仅能应用于欧氏数据,无法有效获取像素间的全局关系特征以及长距离上下文信息的问题,构建一个基于超像素分割的图注意力网络SSGAT.该网络将超像素分割后的超像素块视为图结构中的图节点,有效减少了图结构的复杂度,并降低了分类图的噪声.在3个数据集上对SSGAT及对比算法的分类精度进行测试,分别获得了94.11%,95.22%,96.37%的总体分类精度.结果表明该方法性能优异,在处理大尺度区域的分类问题时优势明显.     

卷积神经网络声学模型的结构优化和加速计算

将卷积神经网络(convolutional neural networks,CNN)声学模型应用于中文大词表连续电话语音识别任务中,分析了卷积层数、滤波器参数等变量对CNN模型性能的影响,最终在中文电话语音识别测试中,CNN模型相比传统的全连接神经网络模型取得了识别字错误率1.2％的下降.由于卷积结构的复杂性,常规的神经网络加速方法如定点量化和SSE指令加速等方法对卷积运算的加速效率较低.针对这种情况,对卷积结构进行了优化,提出了2种卷积矢量化方法:权值矩阵矢量化和输入矩阵矢量化对卷积运算进行改善.结果表明,输入矩阵矢量化方法的加速效率更高,结合激活函数后移的策略,使得卷积运算速度提升了8.9倍.     

基于特征优化的广告点击率预测模型研究

针对互联网广告数据具有高维稀疏性的特点,在现有的点击率(Click-Through Rate, CTR)预测问题的相关理论和技术基础上,给出了一种基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的卷积神经网络(Convolutional Neural Networks, CNN)在线广告特征提取模型(CNN Based on GBDT,CNN+). CNN+模型不仅能从原始数据中提取出深度高阶特征,还能解决卷积神经网络在稀疏、高维特征中提取特征困难的问题.在真实数据集上的实验结果表明,与主成分分析(Principal Component Analysis,PCA)和梯度提升决策树这两种特征提取方法相比, CNN+模型提取的特征更加有效.     

基于特征金字塔卷积循环神经网络的故障诊断方法

变工况、变载荷设备部件不同故障的特征在信号中所占比例和位置不固定,且包括大量不同场景下的原始振动信号的多尺度复杂性.对此,提出一种基于特征金字塔网络(FPN)的卷积循环神经网络(CRNN)滚动轴承故障诊断方法.利用卷积神经网络(CNN)框架,并联CNN的卷积层和循环神经网络(RNN)中的长短时记忆(LSTM)层,形成新的CRNN,以充分利用CNN对空间域信息和RNN对时域信息的学习能力;在每一层中权值共享,减少网络参数;利用FPN构建全新特征图,输入一维信号和堆叠后形成的二维信号,对传感器采集的信号进行特征提取,实现故障诊断.利用行星齿轮箱进行故障试验,并进行5折交叉验证,该方法的诊断准确率平均值为99.20%,比基本神经网络模型至少高3.62%,表明该方法诊断精度高、鲁棒性强;利用凯斯西储大学轴承数据集进行验证,证明该方法具有良好的泛用性;利用t-SNE方法对模型的特征学习效果进行可视化分析,结果表明不同故障类别特征具有良好的聚类效果.     

基于CNN的假冒域名识别方法研究

近年来,以僵尸网络为载体的各种网络攻击活动是目前互联网面临的安全威胁之一,各种恶意软件使用域名生成算法(domain generation algorithm, DGA)自动生成大量伪随机域名以连接到命令和控制服务器.为此提出以基于卷积神经网络(CNN)的方法来检测和分类伪随机域名.简要介绍了僵尸网络的危害、基本原理以及假冒域名在僵尸网络中的作用.在分析DGA算法的原理以及传统的DGA域名识别算法的缺陷以后,将重点放在基于卷积神经网络的假冒域名识别方法研究.阐述了关于卷积神经网络的基本概念,模拟了在不同的超参数,不同的激励函数下模型对于解决分类问题效果的差异.分析了数据预处理的原理、模型定义中对于超参数和激励函数、学习速率等选择的合理性.在模型运行结果分析时,给出了卷积神经网络模型识别域名的准确率和损失函数的变化,使用准确率、召回值、F₁值、ROC曲线等评估指标,各项指标均显示模型取得了优秀的分类效果,证明了基于CNN的假冒域名识别是一个可靠的方法.     

基于弹性融合的人群密度估算技术的应用

人流密度估计被越来越多的机构所重视。由于人眼的估计速度和准确率无法满足应用需求,基于深度学习和卷积神经网络的相关理论,构建了一个卷积神经网络模型来实现人群密度检测。采用百度的paddle框架构建实验,使用YOLOv3目标检测+加权图融合方式,对不同人群数量的样本进行实验。对0～30人和50～540人分别进行了crowdnet和混合图融合模式模拟实验,通过调整学习率、采用Adam优化器、训练权重衰减率等参数调整,达到了93.68%的准确率,比近些年的crowdnet(87.84%)高出近6个百分点,达到了预期要求。     

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Gabor卷积神经网络的图像分类算法研究

为了研究Gabor滤波器在卷积神经网络中的性能和特征提取能力,提出了模拟视觉神经元特性的Gabor卷积神经网络计算模型.利用符合视觉神经元感知特性的Gabor滤波器作为建议神经网络的卷积核,将Gabor滤波器与CNN相结合,从而构建Gabor卷积神经网络.实验采用3个公共图像数据集进行图像分类任务,验证GaborCon...