人体动作识别的特征级融合LSTM-CNN方法研究

近年来,深度学习方法在人体动作识别有着良好的表现,其利用陀螺仪和加速度计等可穿戴传感器获得的时间序列数据,经过预处理和数据级融合之后进行训练分类。本文针对数据级融合方法对多传感器的识别有一定局限性的问题,提出了一种特征级融合的LSTM和CNN方法。该方法将独立的传感器数据依次接入到LSTM层和卷积组件层用于特征提取,之后汇聚起多传感器的特征再进行动作分类。该方法在三个公开数据集UCI-HAR、PAMAP2和OPPORTUNITY上分别取得的平均F1分数为96.06%、96.17%和94.44%。实验结果表明,本文所提出的方法在多传感器识别人体动作上有较好的精度。     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

基于骨骼的双支融合模型的人体行为识别

针对循环神经网络存在提取特征单一,对特征的空间信息处理不充分的问题,提出一种基于骨骼的双支融合的人体行为识别模型。该模型由双向循环门网络和多尺度的残差网络融合的双支网络中进行特征提取,得到丰富的时间和空间上的特征信息,并且在双向循环门网络中增加注意力机制,进一步提升整个网络的性能,最后将特征信息经过分类器进行分类得到动作。分别使用UCF101和HMDB51数据集进行实验,准确率分别为98.0%和67.8%。通过实验测试,证明该模型能够获得更加完整的特征信息并且具有良好的性能指标。     

基于波形优化的深度调制识别方法

自动调制识别技术,可在接收信号在样式未知、内容未知的前提条件下,自动对其调制方式进行估计。 提出一种基于深 度学习的调制识别方法,该方法通过波形优化的方法迭代更新滤波器参数,对接收信号样本进行滤波,再通过深度识别网络进 行识别。 该方法在处理流程中存在识别结果对滤波器参数的反馈回路,能够减轻信道对调制识别结果的不利影响。 通过开源 数据集进行验证,证明了该方法相比于几种利用经典深度学习网络的方法,识别率均有所提高。 特别是相比于传统的 CNN 方 法,识别率提高了约 7%。     

基于图像融合特征的水工岩体完整性评价方法

水利工程多建设在地质条件复杂多变的高山峡谷,因此坝址及库区的岩体完整性评价对于工程建设具有重要意义。但岩体完整性评价常采用手工作业的方式,经济成本和时间成本较高。针对这一问题,本研究采用知识迁移的方法实现岩心图像特征的深度融合,进而提出基于权重支持向量机（Weighted Support Vector Machine,WSVM）的岩体质量评价模型,最终实现水工岩体完整性的智能评价。通过对比基于单一深度模型特征和深度融合特征的水工岩体完整性智能评价模型可以发现,深度特征融合能有效提升模型性能,准确率提升5%以上;另一方面,本文也对比了WSVM和SVM及其他机器学习模型,证明了WSVM模型在水工岩体完整性智能评价中的有效性。本文提出的方法能在一定程度上实现水工岩体完整性评价的自动化和智能化分析,为水工地质勘察和水利工程建设提供新的方法。     

基于直线和SIFT融合特征的物体识别研究

本文阐述了基于直线特征和SIFT（scale invariant feature transform）特征融合的物体识别研究,直线特征是最普遍的图像特征之一,而SIFT特征是最鲁棒的局部特征,其对旋转、尺度缩放、亮度变化保持不变性。本文以家用遥控器作为目标物体,首先提取平行直线特征作为本问中的主要图像特征,通过与物体模型进行匹配可以产生出很多的假设匹配结果,SIFT特征作为辅助特征,用来降低匹配的不确定性,从而提高识别率。试验结果表明该方法在复杂的环境中达到了鲁棒的识别效果。     

多模型融合动作识别研究

提出了一种多模型结融合的动作识别方法,目的是利用大数据时代下数据形态的多样性并结合已有模型,以提高识别准确率。该方法使用视频或图像序列与骨架序列对整个模型进行训练。对于骨架序列提取其关键帧,然后使用长短时记忆（LSTM）编码器对骨架序列进行特征提取得到骨架特征。接着使用卷积神经网络得到RGB视频或者图像序列的特征,进一步经过循环神经网络提取特征,得到RGB特征。网络的损失函数方程组由分类误差与上述两种特征的L2范数组成。使用混合最速下降进行网络优化。该方法使用关键帧训练LSTM编码器,大大缩短了训练时间。结合手工提取的关键帧与非监督方式获取的卷积特征,提高识别准确率。在Florence和MSR3D数据集上的实验结果表明,该方法对动作识别具有良好的分类效果。     

基于局部特征和焦点融合的车辆重识别算法

由于城市监控中存在大量相似的车辆,造成了车辆重识别匹配率低。车头、车窗、车顶等局部特征是相似车辆细微差异性的所在。根据车辆检测算法卷积特征热力图注意力分布特性,提出了针对车辆局部特征区域检测的MCRF-SSD算法,并与GMM-EM聚类算法相结合,检测性能在公开的数据集上均优于目前主流算法。同时为了增大类间距离、缩小类内距离将arcface损失函数引入到了特征提取阶段。为了提高车辆重识别匹配性能,在全局特征与局部特征融合阶段提出了一种保留特征图空间分布的焦点融合（Ffs）方法,并引入了一个可学习参数,提高了特征融合效率。实验结果表明,所提出的算法在公开的VehicleID和VeRi数据集中性能表现优于目前性能最优的方案。     

基于改进瞬时特征参数的数字调制识别

自动调制识别作为非协作通信系统的关键技术,仍然是通信对抗领域的研究热点。在此背景下针对基于瞬时特征调制识别算法在低信噪比条件下识别率低、识别信号有限等问题,提出了一种基于改进瞬时特征参数调制识别算法。该算法首先在I/Q基带信号中提取6种改进瞬时特征参数,然后依据改进特征的区分度构建决策树分类器,最终结合仿真实验与特征理论值给出恰当的判决门限。仿真实验结果表明,当信噪比低至1 dB时,10种数字调制信号的平均识别率在92%以上。     

基于多残差和多重特征融合的去雾算法

针对目前大多数图像去雾算法由于细节丢失导致去雾后的图像颜色失真,雾霾残留以及纹理细节模糊等问题,提出 一种基于多残差和多重特征融合端到端的去雾算法。首先通过设计浅层特征提取模块,为深层网络提高丰富信息的特征图; 其次设计多残差级联模块,提取多层次特征,帮助模型学习更加复杂的特征表示;然后设计局部-全局特征融合模块,捕获从最 细微到最广泛的特征;最后设计结合残差注意力的跨层特征融合模块,避免上下采样后的细节缺失,更好地提取图像中的局 部与全局信息特征。实验结果表明,所提算法在 SOTS 室内、室外测试集上峰值信噪比(PSNR) 分别取得了33.12、31.07 dB, 结构相似性(SSIM) 分别取得0.986、0.983,与当前大多数主流算法相比得到了明显的提升,且在合成雾图像和真实雾霾图像 均取得了不错的去雾效果,复原图像细节更加清晰,更符合人类视觉感知。     

基于分割注意力的特征融合CNN-Bi-LSTM人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

基于幅值滤波与分层特征融合策略的语音情感识别

针对语音情感识别在多语言联合数据集上识别准确率低的问题,提出了一种基于幅值滤波与分层特征融合策略的语 音情感识别方法。该方法首先对梅尔谱图内幅值分布规律进行幅值滤波,通过概率叠加扩大梅尔谱图内相近幅值之间的差 异,实现谱图内的高频强增益、低频弱增益;同时,通过概率相乘缩小梅尔谱图内相远幅值之间的差异,以显示谱图内中频的 细节部分。在此基础上,使用矩形卷积提取音频信号的时间动态特征,生成梅尔谱图动态特征图,并将其作为分层特征融合 策略的输入。分层特征融合策略通过压缩特征图来提取不同尺度的时间动态特征,并提取不同深度中的时间动态特征。在 多语言联合数据集 CER 上取得了84.44%的分类准确率。     

基于域特征融合网络的跨工况下多组件设备 寿命预测方法研究

针对不同工况下多组件设备退化数据分布存在差异导致设备的寿命预测模型精度下降的问题,本文提出一种能适应于 不同工况的域特征融合网络(DFF-Net)。 首先,把不同工况的退化数据输入到特征提取网络以获取跨工况特征,然后利用域特 征融合网络(DFF-Net)对跨工况特征进行域适应调整,最后把调整后的数据输入寿命预测模型,输出不同工况下设备的寿命预 测结果。 通过在公开数据集上的试验表明,相比于没有增加域特征融合网络的寿命预测模型,本文模型在测试集上预测结果的 MAE 和 RMSE 分别降低了 6. 5%和 7. 4%,说明本文模型能有效地提高跨工况设备寿命预测的准确率。     

基于双特征融合与自适应提升机制的图像动作识别算法

针对复杂环境中动作识别易受到光照变化、目标旋转,遮挡等导致目标位置不精确,目标漂移以及识别错误等问题,提出了一种基于双特征融合与自适应提升的动作识别算法。首先,基于时空上下文(spatio-temporal context,STC)机制,通过时空上下文关系与视觉系统特性来提取图像序列特征,降低光照变化、遮挡对行为动作的影响;同时,利用卷积神经网络(convolution neural network,CNN)来处理图像序列,分别获得STC特征与CNN特征;其次,引入主成分分析算子,定义双特征融合规则,对获得STC特征与CNN特征进行组合,形成一种更准确、完整的特征表示;然后,通过得到的新特征,利用自适应提升算法(adaptive boosting algorithm,ABA)进行分类训练,完成对行为动作决策判断。在Weizmann、Hollywood数据集上测试表明,相对于当前常用的动作识别方法,所提算法对各种行为动作具有更高的识别精度与鲁棒性,更能适应复杂背景和动作变化。所提算法具有较高的人体动作识别精度,在视频监测、人机交互等领域具有一定的应用价值。     

基于集成Gabor特征的步态识别方法

步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图是一种有效的步态表征方法.通过提取步态能量图中的动态区域并利用Gabor小波变换对其特征提取,但经过Gabor变换后特征维数较高,必须经过有效的特征融合和选择。由此针对传统的Gabor特征提取后存在特征维数较高的缺点,提出了一种基于集成Gabor特征的步态识别方法。首先,采用均值融合和差分二值编码这两种集成方法,对动态区域Gabor特征图进行多尺度和多角度的集成,获得26张集成Gabor特征图;然后从26张集成Gabor特征图中选出4张作为最终的特征向量;最后将特征向量输入KNN分类器进行步态识别。实验结果表明,基于集成Gabor特征的步态识别方法,能够对步态特征进行有效分离和表达,同时降低维数并紧凑表征数据,对步态信息进行正确归类。     

基于深度学习和多模型融合的局部放电模式识别方法

局部放电与电力设备的绝缘状态息息相关,准确识别局部放电类型对于保障电网运行具有重要意义。文中提出一种基于深度学习和多模型融合的局部放电模式识别方法。首先,设计并搭建开关柜内4类典型局部放电缺陷模型,采集局部放电相位分布(phase resolved partial discharge,PRPD)图谱并建立样本集;其次,搭建基于迁移学习的深度残差网络,对局部放电缺陷进行识别;最后,利用Sugeno模糊积分将深度残差网络(deep residual net￣work,DRN)模型与传统识别模型进行融合。实验结果表明：迁移学习模型相比于无迁移学习模型有着更好的更新能力和泛化性能;融合模型与单一模型相比具有更高的识别准确率。所提方法能够准确识别局部放电缺陷类型,对于电力设备的运维检修具有一定的参考价值。