基于兴趣区域深度神经网络的静态面部表情识别

通过在面部表情数据集上训练深度卷积神经网络、深度稀疏校正神经网络两种模型,对两种深度神经网络在静态面部表情识别方面的应用作了对比和分析.基于面部表情的结构先验知识,提出一种面向面部表情识别的改良方法——K兴趣区域方法,该方法在构建的开放实验数据集上,降低了由于训练数据过少而导致深度神经网络模型泛化能力不佳的问题,使得混合模型普遍且显著地降低了测试错误率.进而,结合实验结果进行了深入分析,并对深度神经网络在任意图像数据集上的可能有效性进行了深入剖析和分析.     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

一种新型的城市火灾检测方法

在图像型火灾检测方法中,火灾特征的选取有一定的随机性和复杂性,仅仅依靠低层次的图像特征难以完整地描述复杂背景下的火灾图像。将深度学习技术应用到火灾检测领域,提出基于卷积神经网络的火灾检测方法,搭建包含3层全连接层的网络模型,使用Relu函数作为激活函数;然后基于Tensorflow平台实现该网络结构模型。在公开的火灾数据库上进行实验,结果表明,所提方法的火灾检测效果优于传统的图像型火灾检测算法,避免了由于选取特定火灾特征进行检测识别带来的局限性。     

基于深度卷积神经网络的图像分类识别方法

图像分类是通过图片所给的特征信息将不同的事物进行识别的一种图像处理技术。随着科学技术的快速发展以及人们对生活质量越来越高的需求,图像的自动分类技术已经运用到各个发展领域当中。当我们在图像上进行分类操作时,传统的图像分类方法由于不能准确掌握识别对象之间的内在联系,同时传统方法也因数据的特征性维度太高而导致识别对象的特征表达受到限制,所以取得的实验结果并不理想。针对以上内容文章提出了一种基于卷积神经网络的图像检测方法,该实验的算法主要借鉴了深度学习及卷积神经网络。与以往的传统图像分类方法不同,深度卷积神经网络模型可以同时进行特征学习和图像分类。通过对实验的各个部分结构进行改进和对卷积神经网络模型进行优化,从而防止过拟合现象,继而提高图像检测的准确度,在CIFAR-10数据库上进行的实验表明,该方法改进后的深度学习模型在图像检测方面取得了有效的结果。     

基于TensorFlow深度学习的Minist手写数字识别技术

目前,人类手写字的识别问题成为了研究热点。针对手写体识别领域广泛使用的Minist数据集,基于深度学习中的Tensorflow框架,介绍了Softmax模型与卷积神经网络(Convolutional Neural Network,CNN)模型,并分析了CNN模型的激活函数。选择ReLUs函数代替传统的Sigmoid函数和Tanh双曲正切函数,提高识别过程中的收敛速度。此外,对上述两个模型进行实现,对比模型的识别准确度,以期为手写体数字识别的研究和发展提供参考。     

基于深度卷积神经网络的交通流量预测数学模型设计

精确的交通流量预测是实现未来智能交通的关键技术。神经网络模型在该领域的预测方面具有一定的优势。因此,为了提高预测精度,设计一种基于深度卷积神经网络的交通流量预测数学模型。首先,对交通流量数据的预处理方法进行分析,然后结合特征训练过程和卷积神经网络构建深度神经网络结构,并给出深度神经网络的配置参数。利用美国明尼苏达大学UMD分校的交通流数据集进行仿真实验,结果表明,提出的模型可以对短时交通全局趋势进行预测,并具有较好的稳定性和预测精度。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。     

深度神经网络的发展现状

深度神经网络已经在语音、图像、文本等信息处理领域取得了巨大的成果,本文简述其起源及成果,并介绍现代深度神经网络模型的三种基本结构:序列到序列神经网络、卷积神经网络、对抗式生成网络,最后展望了深度神经网络研究领域所面临的挑战。     

用于语音控制的低资源关键词检索系统

基于深度神经网络的低资源条件下关键词检索已经取得了很大的进展，但这些方法仍旧需要较多的参数才能保证模型的精度。为了进一步减少模型的参数量，本文将Squeeze-and-Excitation网络和深度可分离卷积应用在关键词检索任务中。首先利用Squeeze-and-Excitation网络对不同特征通道之间的相互依赖关系建模的能力进一步提升模型的精度，然后通过将标准卷积替换为深度可分离卷积来有效的减少模型所需要的参数。在谷歌语音命令数据集上的实验证明我们的模型可以在保证高精度的同时把参数量限制在一定的范围内。      

基于深度学习的命名实体识别研究综述

命名实体识别是自然语言处理领域的一项关键任务,其目的在于从自然语言文本中识别出具有特定含义的实体,如人名、地名、机构名和专有名词等。在命名实体识别任务中,研究人员提出过多种方法,包括基于知识和有监督的机器学习方法。近年来,随着互联网文本数据规模的快速扩大和深度学习技术的快速发展,深度学习模型已成为命名实体识别的研究热点,并在该领域取得显著进展。文中全面回顾现有的命名实体识别深度学习技术,主要分为四类：基于卷积神经网络模型、基于循环神经网络模型、基于Transformer模型和基于图神经网络模型的命名实体识别。此外,对深度学习的命名实体识别架构进行了介绍。最后,探讨命名实体识别所面临的挑战以及未来可能的研究方向,以期推动命名实体识别领域的进一步发展。     

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用。随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度。文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN)。该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点。该模型无需人工提取特征,并可直接从训练数据集中的原始时域幅度和相位样本中学习。仿真结果表明,该模型在高信噪比下的分类精确度达到93.5%。此外,对模型的噪声敏感性进行了研究,并证明在一定信噪比范围内,LCDNN模型较现有的基础模型在噪声破坏方面更具弹性。最后,为降低模型计算的复杂度,提出了一种结构更为简洁的LCDNN模型,该模型仅使用原始LCDNN模型的0.6%的参数即可实现高精确度的分类准确率。     

基于AE-CNN的手势识别算法的探讨及实现

近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出了一种自适应增强卷积神经网络(Adaptively Enhanced Convolution Neural Network,AE-CNN)的识别算法。结果表明,文中算法不仅实现了分类特征的自适应增强,同时也提高了收敛速度和识别率。     

卷积神经网络的发展与应用综述

在深度学习大热的现今,人们创造出了许多足以颠覆以前对于机器的认知的程序,如击败李世石的Alpha GO以及之后青出于蓝的Alpha Go Zero,在网络春晚上大放异彩的钢琴机器人特奥等。这些都是以前的浅层网络难以达到的水准,因此越来越多的研究者投入到深层神经网络之中,使得其逐渐成为了目前深度学习的主要形式,本文所介绍的卷积神经网络便是其中的一种代表性的结构。文章主要先讲述了卷积神经网络的发展;之后了解其结构以及各个部分分别在其中起到了怎样的作用;再次,介绍卷积神经网络的改进方法和目前的几个改进网络;最后,文章会介绍一下卷积神经网络具体应用的领域并且在结尾提出目前这一领域所需要面对的需要解决的问题。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于TensorFlow卷积神经网络的图像识别

TensorFlow是Google公司发布的开源人工智能深度学习框架,卷积神经网络是进行图像识别的一种有效方法。本文在研究Tensorflow深度学习框架以及卷积神经网络的基础上,利用keras官方下载的cifar数据集,采用LeNet-5算法对数据进行了处理、建模、训练、并对模型进行了评估以及保存,利用测试集完成测试后,不同图像识别的准确率有所不同,青蛙识别的准确率最高,为79%,汽车的识别准确率为78%,猫和狗的识别准确率最低,分别为41%和53%,所有图像识别的平均准确率为65%。     

基于深度卷积神经网络的图像语义分割

近年来,以深度卷积神经网络(DEEP Convolutional Neural Network,DCNN)为代表结合条件随机场(Conditional Random Field,CRF)的深度学习算法在图像分割领域中有非常出色的表现。文中首先介绍传统的深度卷积神经网络在图像分割中面临的三个问题以及所借鉴的相关理论;其次介绍对传统深度卷积神经网络三个方面的改进;最后是本次实验的结果和分析。     

TensorFlow平台深度学习寻找最优路径问题研究

现有的网络策略还不够成熟,无法应对由于巨大的流量增长而引起的不断变化的网络条件。随着人工智能领域的不断发展和研究,深度学习似乎是网络运营商以更加智能和自主的方式控制和管理其网络的可行途径。文中阐述并指出深度学习应用在网络路由路径优化中的必要性,即基于深度学习的智能路由。通过Tensorflow这一平台构造深度卷积网络,仿真后与传统的路由策略相比,证明了基于深度学习的路由方法的有效性。     

基于数据扩维的SAR目标识别性能提升技术

卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。     

卷积神经网络对SAR目标识别性能分析

近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。