基于深度学习的消防器材自动识别研究

在智慧消防城市救援平台项目中,消防维保需要定期巡检消防设施来防止消防设备遗失或者破损失效,为了使公司的消防救援平台更为科学精准的掌握消防救援设备的维保情况。针对维保中需要依靠人为识别消防器材的问题,提出了基于这种特定场景下改进的YOLOv5算法,即YOLOv5Fire。本文根据场景增加了一个便于识别小特征的输出框,改进了SPP小内核的参数以及输入端。并通过自建数据集FireBox验证方案提高了六种消防器材自动识别,达到较为准确识别消防器材的目的。     

基于学习率自增强的图像识别深度学习算法

在深度学习模型中,为了进一步提高网络的收敛速度和识别精度,提出一种学习率自增强的图像识别算法.当距离极值点比较远时,以大于1的常数进行学习率自增强,加快网络向极值点附近逼近的速度.随着模型接近收敛,根据代价函数的变化情况调整学习率,学习率的变化和代价函数的变化情况成反比.在MNIST数据集和CIFAR-10数据集上进行实验.实验结果表明,结合该算法的深度学习模型在进行图像识别时,能有效地提高识别的准确率和收敛速度,并具有较好的表现能力.     

水位图像识别的场景问题处理方法和技术

水位图像识别系统基于人工智能图像识别技术,通过对水尺进行智能识别,直接获得水位的数值,但在实际应用中,由于受场景因素的干扰,稳定性大受影响。通过采用深度学习算法、多帧识别、曝光参数优化,以及摄像机硬件及光学的定制等多种手段相结合,解决各种场景因素的干扰,并在杭州之江水文站进行比测。比测结果表明,智能图像识别水尺系统满足水位观测标准中自记式水位计的要求,与传统水位测量相比,具有建设成本低、测量方式高效的优势,具有广阔的应用前景。     

基于深度学习的表格检测识别算法综述

信息时代的高速发展导致数据的大量产生与频繁传输,单单依靠人力很难处理这些数据.依托于人工智能的兴起与发展,数据的利用变得更加高效.表格作为一种特殊的数据形式,逐渐引起了广泛关注.概述了表格识别技术的发展,介绍了传统的表格识别技术及其缺点;介绍了基于深度学习技术的表格检测、表格结构识别、端对端检测与识别以及字符识别,重点...     

基于动量项分离的深度学习优化算法

针对神经网络处理参数更新的优化算法中出现的局部最优点振荡问题,改进带动量项的随机梯度下降算法,提出了一种动量项分离的优化算法。通过计算当前时刻目标函数的曲率半径,根据阈值适时分离动量项,从而缓解局部最优点振荡问题。实验表明,动量项分离的优化算法能够适用于不同的模型结构和不同数据集。相较于带动量项的随机梯度下降算法,具有更高的准确度,能够更快地稳定收敛。与同类一阶动量算法相比,其准确率上升明显,为深度神经网络的参数更新提供了一种新的有效的解决方案。     

基于深度学习的图像识别技术的研究

随着科技的蓬勃发展,人工智能逐渐应用于图像处理领域。传统图像处理与识别以人为提取特征为手段,但大量特征提取给图像识别造成了一定困扰,由此引进了深度学习图像识别技术。相比于传统方法,深度学习能够提供基于学习的特征表示,在自动特征提取和分割识别准确率方面具有良好表现。基于此,针对深度学习的图像识别技术进行综述,并总结了讨论内容。     

基于深度学习的车联网图像识别系统设计

由于传统系统在车联网图像识别应用中的漏识率较高,基于深度学习设计车联网图像识别系统。硬件方面,设计了高清摄像机和发光二极管（Light Emitting Diode,LED）补光灯,获取道路车辆图像信息;软件方面,根据图像对比结果将车辆图像分成两类,对亮度较低的一类进行增强处理,利用深度学习网络模型对图像特征进行深度挖掘,并对提取的图像特征进行降维处理,根据图像特征与车联网数据库中的车辆图像进行对比,计算出图像相似度,识别到图像属性信息,从而实现基于深度学习的车联网图像识别系统设计。实验结果表明,设计系统对于车联网图像识别的漏识率低于传统系统,能够为图像识别提供精准的依据。     

基于深度学习和肺部CT的新冠检测系统

深度学习作为机器学习领域的一个新兴分支,已经广泛应用于医学图像处理区域,为医学影像智能化提供了基础,利用深度学习的方法学习医学影像的识别与检测,提出了一种基于深度学习和肺部CT的新冠检测系统,该系统能快速定位CT影像中病灶区域,从而获得更准确的检测结果。     

基于深度学习的三维目标检测算法综述

随着自动驾驶行业的快速发展,基于深度学习的三维目标检测技术也得到了快速发展,目前自动驾驶汽车主要依赖图像与激光雷达点云进行环境感知。基于这两种数据的三维目标检测技术可提取出物体的空间结构信息,包括物体的姿态、尺寸、运动方向、形状等,因此该技术不仅可用于自动驾驶的感知,还可用于工业机器人对物体的识别与抓取,以及仓储机器人的视觉导航等。近年来,计算能力的提升、数据集的公开、深度学习的发展,为三维目标检测算法带来了巨大的变革。     

基于可见光视觉图像的路面裂缝识别深度学习方法述评

基于可见光视觉图像的表面裂缝识别为非接触式,不受被测对象材质限制,可在线自动检测,具有速度快、成本低和精度高等优势。首先较为全面地搜集了典型的路面裂缝公开数据集,整理归纳了样本特征及其随机可变影响因素,并比较了传统手工设计特征工程、机器学习和深度学习3种主要裂缝识别方法的优缺点。然后,从网络架构、性能和效果方面着重评述了自搭架构、迁移学习和编码-解码器等易于训练和部署的深度学习算法新进展,通过算法优化和算力提升可显著提高识别的效果和性能,测试结果表明能够在低算力平台上实现裂缝补丁级快速检测和像素级实时检测。     

深度学习模型可解释性的研究进展

深度学习在很多人工智能应用领域中取得成功的关键原因在于,通过复杂的深层网络模型从海量数据中学习丰富的知识。然而,深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果,造成深度学习模型的不可解释性,从而限制了模型的实际部署。因此,亟需提高深度学习模型的可解释性,使模型透明化,以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路。     

深度分层强化学习研究与发展

深度分层强化学习是深度强化学习领域的一个重要研究方向,它重点关注经典深度强化学习难以解决的稀疏奖励、顺序决策和弱迁移能力等问题.其核心思想在于:根据分层思想构建具有多层结构的强化学习策略,运用时序抽象表达方法组合时间细粒度的下层动作,学习时间粗粒度的、有语义的上层动作,将复杂问题分解为数个简单问题进行求解.近年来,随着研究的深入,深度分层强化学习方法已经取得了实质性的突破,且被应用于视觉导航、自然语言处理、推荐系统和视频描述生成等生活领域.首先介绍了分层强化学习的理论基础;然后描述了深度分层强化学习的核心技术,包括分层抽象技术和常用实验环境;详细分析了基于技能的深度分层强化学习框架和基于子目标的深度分层强化学习框架,对比了各类算法的研究现状和发展趋势;接下来介绍了深度分层强化学习在多个现实生活领域中的应用;最后,对深度分层强化学习进行了展望和总结.     

基于机器学习的非接触式水位计校准算法研究

由于环境等因素影响,用于测量水位的超声波、雷达式等非接触式水位计存在一定的测量误差,更换高精度设备会增加成本,为解决测量误差,提出基于机器学习的水位计校准算法。该算法融合测量误差产生的环境因素,采用迭代 Boosting 学习算法,构建 Adaboost 的单层决策树模型,采用误差辗转递送的强学习算法对测量误差进行校准。算法仿真结果显示,校准结果可以很好地拟合标准设备测量值,校准算法不仅克服更换设备带来的成本,还将传统的仪器校准迁移至后端软件层面,为解决非接触式水位计校准提供新手段。     

基于深度学习的机场危险鸟类识别算法

机场中飞翔的鸟类对于飞机安全飞行的危害极大,为避免飞鸟撞击飞机事故的发生,机场需识别出飞鸟的种类并自动做出对应的驱鸟措施,如声波驱鸟、光驱鸟等等,相比于直接采用混合驱鸟方式,上述方法节省了大量人力和物力。但机场飞鸟种类识别是一个十分棘手的问题。首先,作为细粒度分类问题,飞鸟类间相似度较高且类内对图像的变化十分敏感;其次,每种飞鸟图像较少,易造成过拟合问题;最后,机场采集的飞鸟图像呈现出剪影化、重影化、遮挡的形态,相比于正常拍摄的图像,丢失了许多特征细节。为了解决上述问题,根据实际情况提出了涵盖危险鸟类的数据集,并提出了以二值化算法为核心的预处理方法,同时在细粒度图像分类算法层面,提供了两种思路：第一,为解决类间相似度高的问题,本文使用堆叠的Swin Transformer作为骨干网络提取细腻的特征表示,并结合中心损失函数与有监督的Softmax损失函数,得到了比常规架构和损失更佳的结果;第二,考虑到图像质量低、样本少的问题,使用集成学习的方法,用不同的网络架构提取特征表示,达到充分利用图像信息的目的。上述两种方法的实验结果表明,前者在Nabirds数据集上识别率达到90%以上,而在整合的数据集上识别率达到64%;集成学习则有效地提取了低质量图像的特征,达到了理想的效果。     

深度学习模型可解释性研究综述

深度学习技术以数据驱动学习的特点,在自然语言处理、图像处理、语音识别等领域取得了巨大成就.但由于深度学习模型网络过深、参数多、复杂度高等特性,该模型做出的决策及中间过程让人类难以理解,因此探究深度学习的可解释性成为当前人工智能领域研究的新课题.以深度学习模型可解释性为研究对象,对其研究进展进行总结阐述.从自解释模型、特...     

基于深度学习的青少年手腕骨骨龄评价

利用人工智能中的深度学习方法自动检测并评价西南地区青少年左手腕关节X线片的骨龄。在四川大学华西第二医院共收集2426例1-18岁青少年左手腕X线片,利用YOLOv3框架和少部分数据进行标定、训练以检测X线片上传统骨龄评价方法需要的区域,将关键区域截图并调整姿态组成新的图片。再利用caffe框架将扩展后的数据集分成训练集、验证集、测试集,以骨龄为标签对不同性别数据分别进行训练以获得男性和女性骨龄预测的模型,并计算误差在±1岁以内的准确率。选择caffe框架训练出来的最好模型,测试出测试集中±1岁的准确率为男性81.06%,女性85.08%。利用深度学习中简单的神经网络训练少量数据即可得到不错的骨龄评价准确率,表明了深度学习方法在西南地区青少年骨龄评价的可行性以及在数据增加和网络优化之后准确率存在的极大提升空间。     

深度学习可解释性研究进展

深度学习的可解释性研究是人工智能、机器学习、认知心理学、逻辑学等众多学科的交叉研究课题,其在信息推送、医疗研究、金融、信息安全等领域具有重要的理论研究意义和实际应用价值.从深度学习可解释性研究起源、研究探索期、模型构建期3方面回顾了深度学习可解释性研究历史,从可视化分析、鲁棒性扰动分析、敏感性分析3方面展现了深度学习现有模型可解释性分析研究现状,从模型代理、逻辑推理、网络节点关联分析、传统机器学习模型改进4方面剖析了可解释性深度学习模型构建研究,同时对当前该领域研究存在的不足作出了分析,展示了可解释性深度学习的典型应用,并对未来可能的研究方向作出了展望.     

基于深度学习的知识追踪研究进展

知识追踪是教育数据挖掘领域的一个重要研究方向,其目标是通过建立学生知识状态随时间变化的模型,来判断学生对知识的掌握程度并从学生的学习轨迹中挖掘出潜在的学习规律,从而提供个性化的指导,达到人工智能辅助教育的目的.深度学习因其强大的特征提取能力,已被证明能显著提升知识追踪模型的性能而越来越受到各方重视.以最基本的深度知识追踪模型为起点,全面回顾了该研究领域的研究进展,给出了该研究领域技术改进、演化脉络图,并从针对可解释问题的改进、针对长期依赖问题的改进、针对缺少学习特征问题的改进3个主要技术改进方向做了深入阐述和比较分析,同时对该领域中的已有模型做了归类,整理了可供研究者使用的公开数据集,考察了其主要应用,最后,对基于深度学习的知识追踪的未来研究方向进行了展望.     

深度学习模型鲁棒性研究综述

在大数据时代下,深度学习理论和技术取得的突破性进展,为人工智能提供了数据和算法层面的强有力支撑,同时促进了深度学习的规模化和产业化发展.然而,尽管深度学习模型在现实应用中有着出色的表现,但其本身仍然面临着诸多的安全威胁.为了构建安全可靠的深度学习系统,消除深度学习模型在实际部署应用中的潜在安全风险,深度学习模型鲁棒性分...     

深度学习在游戏中的应用

综述了近年来发展迅速的深度学习技术及其在游戏(或博弈)中的应用. 深度学习通过多层神经网络来构建端对端的从输入到输出的非线性映射, 相比传统的机器学习模型有显见的优势. 最近, 深度学习被成功地用于解决强化学习中的策略评估和策略优化的问题, 并于多种游戏的人工智能取得了突破性的提高. 本文详述了深度学习在常见游戏中的应用.