基于深度学习的番茄叶部病害识别模型

番茄叶病种类多、成因复杂,其预防和识别难度较大。传统基于机器学习的方法多靠人工识别,需要一定的专家经验,且具有主观性强、识别准确率不高等缺点。为实现番茄叶病特征的自动提取,并提高识别准确率,提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取,获得高维特征后,采用PCA降维算法去除冗余特征;从增大类间距离并减小类内距离的角度改进了softmax分类器,提高了识别准确率。将该模型在CrowdAI提供的数据集上进行了仿真验证,结果表明,该模型能够对番茄叶部常见10种病害进行自动提取特征和识别,综合识别准确率达到95%以上。     

Steganography using a 3-player game

Image steganography aims to securely embed secret information into cover images. Until now, adaptive embedding algorithms such as S-UNIWARD or Mi-POD, were among the most secure and most often used methods for image steganography. With the arrival of deep learning and more specifically, Generative Adversarial Networks (GAN), new steganography techniques have appeared. Among them is the 3-player game approach, where three networks compete against each other. In this paper, we propose three different architectures based on the 3-player game. The first architecture is proposed as a rigorous alternative to two recent publications. The second takes into account stego noise power. Finally, our third architecture enriches the second one with a better interaction between embedding and extracting networks. Our method achieves better results compared to existing works Hayes and Danezis (2017), Zhu et al. (2018), and paves the way for future research on this topic.     

基于Faster R-CNN的颜色导向火焰检测

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

基于双重金字塔网络的视频目标分割方法

针对复杂视频场景中难以分割特定目标的问题，提出一种基于双重金字塔网络（DPN）的视频目标分割方法。首先，通过调制网络的单向传递让分割模型适应特定目标的外观。具体而言，从给定目标的视觉和空间信息中学习一种调制器，并通过调制器调节分割网络的中间层以适应特定目标的外观变化。然后，通过基于不同区域的上下文聚合的方法，在分割网络的最后一层中聚合全局上下文信息。最后，通过横向连接的自左而右结构，在所有尺度中构建高阶语义特征图。所提出的视频目标分割方法是一个可以端到端训练的分割网络。大量实验结果表明，所提方法在DAVIS2016数据集上的性能与较先进的使用在线微调的方法相比，可达到相竞争的结果，且在DAVIS2017数据集上性能较优。     

一种基于雷达图表示的数值型数据的CNN分类方法

卷积神经网络（convolutional neural networks， CNN）是一种广泛用于分析视觉图像的分类方法.由于数值数据存在着非线性、耦合性等复杂的空间关系，因此基于CNN的数值型数据的研究较少.本文的目的是找到一种可行的方法，将CNN的应用领域扩展到数值数据.于是提出了一种基于雷达图表示的数值型数据的CNN分类方法（Radar-CNN）.该算法首先将数值数据表示成雷达图形式，然后将其输入CNN中构建分类模型.为了进一步研究特征尺度和序列对性能的影响，提出了两种改进算法Rank Radar-CNN和SFS Radar-CNN.为了验证所提算法的有效性，引入TE化工过程数据集进行实验测试并比较，实验结果表明Radar-CNN及其改进算法具有优异的性能.     

基于CNN的人体姿态识别

姿态识别是人机交互中重要的研究课题之一，随着机器学习与神经网络的发展，研究的方式和成果趋于多样化，姿态识别的应用价值也日趋广泛。本文通过构建卷积神经网络模型，该模型共有11层，在对采样的数据集中5种人体姿态进行卷积与池化操作，最后进入全连接层进行分类，从而完成对数据集的训练和识别。结果显示，相较于机器学习方法，该模型的识别性能更加优秀，且免去了复杂的特征提取方式设计，让网络自身提取特征进行识别分类，效果更好。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于卷积神经网络的服装领型识别与分类研究

针对服装领型特征识别困难、分类效果不理想等问题,提出了一种基于Alex Net卷积神经网络的服装领型识别与分类方法,实现了服装衣领造型的自动识别与分类。首先,从电商平台收集服装样本图并对其进行剪裁和预处理,建立一个包含圆形领、方形领、一字领、V形领等15类服装领型的样本库;其次,利用Alex Net卷积神经网络中的卷积、池化操作,提取服装领型样本中的领型特征;最后,运用Softmax回归分类器来实现服装领型的分类。结果表明,该方法可以有效地对服装领型进行识别与分类,分类准确率达到98.67%,可以有效解决服装领型识别分类困难等问题,为服装商品的可视化分类提供有效方法。