基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于Co-training的用户属性预测研究(研究生论坛)

针对当前基于第三方应用数据的用户属性预测算法较少考虑应用前台实际使用时长问题,提出了“手机应用前台均使用时长”特征,同时采用基于稀疏自编码器和神经网络的Co-training框架,充分利用大量未标注数据,从应用类别和前台均使用时长两个角度进行属性预测。实验进行时,首先使用未标注数据对网络进行初始化,然后采用基于准确率的梯度下降算法对参数进行更新。实验结果表明,本文算法提高了用户属性预测准确率。     

一种新闻文本标注方法

基于改进语言表示,通过预训练模型ERNIE,根据上下文计算出文本数据向量表示.使用LCNN模型对该向量表示进行标注.该方法与CNN、FastText、BERT、BiLSTM、Transformer算法等在准确率、召回率、F1值等评价指标上进行了仿真对比.     

基于主动学习的中文问题分类数据集构建

为解决在开放领域问题回答问题中语料规模较小、难以满足问题分类训练需要的问题,用主动学习 方法来构建中文问题分类数据集,根据主动学习的方法进行中文问题类别标注,并且通过主动式特征选择方 法来提升性能．实验结果表明：在使用主动学习方法时可以快速收敛到最佳准确率(85%),在使用人工标注 特征下特征集明显的减小．基于主动学习的标注方法在需要较小人工标注同时取得很好的分类性能,并且在 一定程度上还可以明显提高问题分类的准确率     

基于Co-training的用户属性预测研究

针对当前基于第三方应用数据进行用户属性预测算法研究,其较少考虑应用前台实际使用时长问题,由此,本文在应用的使用频率及使用时长的基础上,构造了应用前台均使用时长特征,该特征能进一步刻画用户对应用的兴趣度;同时,为充分利用大量未标注数据,从多角度特征对用户属性进行预测,由此本文采用了Co-training框架,该框架包含两个均由栈式自编码器与神经网络相结合的网络结构。实验过程中,对于栈式自编码算法,先利用未标注的数据对网络进行参数初始化,使得网络参数处于一个较优的位置,再利用有标注的数据,采用基于准确率的梯度下降算法,对网络参数进行更新,最终达到收敛。实验结果表明,本文算法在准确率、召回率、F1值上均有所提高。     

基于ABC、XGBoost与迁移学习的入侵检测方法

传统的入侵检测机器学习算法,面对有差异的新旧数据尤其是未知的攻击行为,会出现检测准确率较低、漏检率较高的问题.为此,提出了一种将人工蜂群(ABC)算法、XGBoost模型与迁移学习相结合的ABC-XGBTrl算法.首先通过使用少量有标签的新数据训练初始分类模型,然后将有标签的旧数据中分类正确的部分与少量有标签的新数据合并,用于训练新的迁移分类模型,最终用来检测未使用的新数据.迁移分类模型中的分类算法使用XGBoost,并利用人工蜂群算法优化XG-Boost的参数.采用NSL-KDD数据集进行了测试,结果表明,这种方法比现有的一些经典集成学习算法具有更高的检测准确率.     

网络评论观点抽取的研究

使用HowNet知识资源建立极性词库,吸取语义块和依存关系的思想,提出了极性收缩传递算法,较好地处理主题词和极性成分的匹配问题,判断句子中每个主题的极性倾向,最终确立句子观点.通过测试,将自动抽取的观点与手工标注结果进行比较,得出召回率和准确率,并和其它算法结果数据比较,证明了极性收缩传递算法的有效性.     

基于融合型深度学习的人体动态特征提取

为了提高对不同运动状态下人体动态特征的分析能力,提出了一种基于融合型深度学习的人体动态特征提取算法。采用图像亮点流形标注方法进行人体图像的动态特征采样,对动态图像采用RGB颜色特征分解方法进行灰度像素二值化拟合处理,采用多尺度小波分解方法实现行人的差异性特征提取,对所提取的人体动态特征量采用深度学习方法进行自适应分类处理,使用融合型卷积神经网络对分类后的动态特征量进行超分辨融合,实现了人体动态特征的优化提取。仿真结果表明,采用该方法进行人体动态特征提取的超分辨性较好,在时间开销和图像识别精度方面具有优越性。     

面向标注的局部中心度传播聚类算法

现有的标注聚类算法大多采用传统的K-means或Single-linkage算法对标注数据直接聚类,但是K-means或Sin-gle-linkage本身固有的缺陷严重影响了聚类结果的质量.给出了一种局部中心度传播聚类算法LCIPC(local centrality in-formation passing clustering),该算法首先在标注相似度的基础上建立标注数据的KNN有向邻居图G;然后利用核密度估计方法计算每个标注的局部中心度;再通过随机游走方法在图G中传播局部中心度,以产生全局中心度等级;最后,调用图深度优先搜索算法发现标注聚类结果.在3个真实数据集上的聚类结果显示,LCIPC算法具有够获得高质量标注聚类结果的能力.     

基于深度自动编码器与Q学习的移动机器人路径规划方法

针对移动机器人在静态未知环境中的路径规划问题,提出了一种将深度自动编码器( deep auto-encoder)与Q学习算法相结合的路径规划方法,即DAE-Q路径规划方法。利用深度自动编码器处理原始图像数据可得到移动机器人所处环境的特征信息;Q学习算法根据环境信息选择机器人要执行的动作,机器人移动到新的位置,改变其所处环境。机器人通过与环境的交互,实现自主学习。深度自动编码器与Q学习算法相结合,使系统可以处理原始图像数据并自主提取图像特征,提高了系统的自主性;同时,采用改进后的Q学习算法提高了系统收敛速度,缩短了学习时间。仿真实验验证了此方法的有效性。     

基于深度学习的类SM4算法S盒逆向分析

在建模类攻击场景下,基于多元高斯分布的模板攻击是常用的侧信道逆向分析方法.在同样的场景下,分析了深度学习方法在逆向分析领域的应用,提出了基于深度学习的S盒逆向分析算法.通过选取适用于侧信道逆向分析的深度学习算法、损失函数和标签设计,对类SM4算法进行了S盒逆向恢复实验.实验结果表明,使用深度学习进行S盒逆向分析是可行的,且在一定的条件下优于模板攻击;另外,多层感知机算法预测的结果要优于卷积神经网络算法预测的结果.     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

基于样本不同属性综合的鲁棒偏倚赖主动学习分类算法研究

主动学习算法可以有效减少样本标注的工作量,每次选取最有信息量的样本交由专家标注。样本的代表性与不确定性都是衡量样本信息量的重要因素,将两者综合考虑能够获得更好的综合效果,但在两者的结合方式上一直存在不少问题,导致算法的适应性不强。为解决该问题,本文提出了基于样本不同属性的鲁棒偏倚赖主动学习分类算法,通过引入偏倚赖权值系数函数,在综合考虑样本的代表性和不确定性的同时,更可以突出样本的特性。同时由于样本代表性模型的渐变,在选择样本过程中更能突出代表性样本与不确定性样本的学习层次,前期训练以代表性样本为主,后期训练以不确定性样本为主,使得算法的适应性大大提高。在UCI机器学习数据库上的仿真实验结果表明本文的思路是合理可行的,在实验所用数据集上,与所提供的对比算法相比,本文的方法只需较少的标注样本便可以达到相同的分类正确率。     

结合主动学习的威胁情报IOC识别方法

威胁指标(IOC)作为网络威胁的特征描述，是识别和防御网络攻击的重要凭证。当前IOC识别主要依赖于神经网络模型，其效果取决于标注数据的数量。然而，目前IOC识别领域缺乏公认的数据集，且IOC的标注只能由安全专家手动完成，标注成本高，难以获取大量已标注数据。针对该问题，提出了一种结合主动学习的威胁情报IOC识别方法 ICAL。该方法首先基于样本的代表性选择初始样本进行人工标注，然后基于聚类假设对聚类样本进行伪标注，最后基于样本的不确定性继续迭代标注，直到满足终止条件。使用CNNPLUS作为分类模型，在自构建的威胁情报数据集上进行实验。结果表明，相比于传统IOC自动识别策略，ICAL的识别准确率达到94.2%、召回率达到94.1%，同时减少了58%的人工标注工作量，具有较高的实用价值。     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.     

面向可穿戴生理信号的压缩感知实时重构

传统的迭代式压缩感知重构算法由于计算复杂度高,数据处理实时性差,难以在实际的可穿戴设备中发挥作用。该文结合深度学习中的一维扩张卷积和残差网络,提出了一种适用于可穿戴健康监护的非迭代式压缩感知实时重构算法。该方法基于大量生理信号数据训练一个用于压缩感知重构的网络模型,该模型可以对生理信号进行快速精确重构。通过在两个公开的生理信号数据集上的实验表明,相比于已有的基于深度学习的生理信号压缩感知重构算法,该方法有着更高的重构精度,并且该方法在文中所使用的计算机上仅需约0.7 ms即可完成对一个2 s长度信号帧的重构,这比传统的迭代式压缩感知重构算法快了大约2～3个数量级,说明该方法有着出色的实时性能。     

基于大数据和机器学习算法引擎的电商侵权监测系统

提出一种基于大数据和机器学习算法引擎的电商平台侵权动态监测网络系统的设计方案. 重点介绍大数据远程采集系统、数据实时监测分析平台和核心算法引擎模型设计. 大数据远程采集系统包括远程服务器云平台和大数据分布式采集程序,系统通过Web信息采集器来完成精确采集各大商家、网络平台等的所有相关数据;数据监测分析平台是将信息的深度学习、单词嵌入、共同表征等相关算法转换为程序,用于分析处理由采集数据数字化的商品所涉及的知识产权信息. 核心算法引擎基于传统舆情分析和自然语义处理技术,构建商品特征及用户观点挖掘模型,从而实现电商产品知识产权数据的搜索、分析、保存、预测等功能. 该系统可有效降低侵权打假成本,为品牌商维权和知识产权保护建立一个可靠的渠道.     

基于深度学习的缓变故障早期诊断及寿命预测

为了克服传统的早期微小故障诊断方法不能区分多个不同时刻发生故障的不足,提出一种将深度学习和PCA相结合的方法实现微小缓变故障早期诊断及寿命预测。 对采集的数据进行深度学习实现逐层特征抽取,学习早期微小故障特征,建立微小缓变故障早期诊断模型,结合PCA方法将深度学习所抽取的高维故障特征向量集成为一个故障特征变量,根据历史故障数据特征变量演化规律定义数据驱动的故障演变标尺,并通过指数型非线性拟合方法建立寿命预测模型。 选取TE平台数据进行算法有效性检验,并与其他算法对比,从而验证了所提出算法的有效性。