基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.     

基于深度学习的人体行为识别检测综述

人体行为识别检测是计算机视觉领域的研究热点,主要包括行为识别和行为检测两大部分.目前,对行为识别检测的综述主要聚焦在行为识别领域,对行为检测的关注度偏低.针对这一现状,聚焦行为识别和行为检测两个方面,分别综述了行为识别以及行为检测的各种方法,介绍了常用的数据集.首先从网络结构的角度重点论述了基于深度学习的行为识别方法;而后将行为检测划分为时序行为检测和时空行为检测,总结行为检测的各种算法;最后对各种算法的特点进行了总结分析,探索行为识别与行为检测的区别与联系,对当前研究面临的问题以及下一步的工作进行了总结和展望.     

基于深度残差网络与迁移学习的地形识别方法

针对现有机器人基于深度网络的地形识别方法准确率低、网络训练时间长且需要大量训练数据的问题,提出一种基于深度残差网络与迁移学习的地形识别方法。首先,基于Resnet网络构建一种深度残差网络;其次,利用现有Imagenet大型数据集对构建的深度残差网络进行预训练,作为预训练网络,保留预训练网络除全连接层的训练权重,实现预训练网络大规模的参数迁移;最后,利用自建地形图像数据集对深度残差网络的全连接层进行训练,实现深度残差网络微调。实验结果表明,通过迁移学习的方法,利用深度残差网络对石子路、水泥路、砖地、沥青、草地、泥地6种自建地形图像进行分类,平均准确率达到了99.3%,同时网络训练时间也显著降低。     

基于卷积神经网络的掌纹识别方法

为避免在处理掌纹识别时人工提取掌纹特征,提出使用卷积神经网络(CNN)来处理掌纹识别问题。首先根据掌纹的几何形状特点进行预处理,切割出掌纹的感兴趣区域(ROI);然后将感兴趣区域进行归一化并组成一个二维矩阵作为卷积神经网络的输入;再使用批量随机梯度下降算法对网络进行训练,得到最优的网络参数;最后对测试掌纹进行分类识别,分类器使用Softmax。应用于香港理工大学掌纹数据库(v2)的掌纹识别率达到99.15%,单张掌纹的识别时间小于0.01 s,验证了方法的有效性。     

基于迁移学习的人脸口罩穿戴识别研究及应用

人脸口罩穿戴识别技术可以有效监督及管控人们佩戴口罩.本文基于迁移学习理论,共享经典卷积神经网络部分参数,修改其最后几层连接层,使用8 967张图像样本集进行训练,得到了新模型;同时结合了人脸检测技术,针对检测后人脸子图像,采用图像分类方法实现了快速识别.通过迁移学习对深度网络模型开展迁移训练,解决了因为样本量少导致的准确率低等问题,新模型能够有效解决人脸口罩穿戴识别问题,使源领域知识得到了迁移.通过MATLAB编写迁移学习程序和应用仿真主程序,调用了摄像头硬件实现了真实场景应用仿真.实践证明,该研究具有较强的应用价值.     

基于卷积神经网络的交通标志识别方法

针对卷积神经网络(CNN)在交通标志识别过程中出现的梯度弥散而引起的识别率低的问题,给出了基于改进CNN结构的交通标志识别方法.实验结果表明:该方法能够有效提高识别精度,防止梯度弥散.     

基于多尺度3D卷积神经网络的行为识别方法

近年来卷积神经网络(convolutional neural network,CNN)在行为识别任务中取得了较大的进展.然而,现有的神经网络方法往往只注重高层语义信息的利用,对浅层特征信息挖掘利用不够.针对这一问题,提出一种基于3D卷积(convolution 3D,C3D)的多尺度3D卷积神经网络的行为识别方法.该方法受到特征金字塔结构的启发,在原C3D的基础上融合C3D的浅层特征信息,实现端到端的行为识别.同时该方法以现有的深度学习理论为基础,利用迁移学习的思想,将C3D和该方法中相同模块部分的参数迁移到本方法中,以降低模型的训练时间.通过在UCF101数据集上进行实验,实验结果表明,提出行为识别方法的分类精度达到84.56％,分类效果优于原C3D分类网络.     

基于深度学习的实验鼠行为识别关键技术研究

实验鼠的行为识别和分析对于脑神经等学科的研究进展很重要,因此将深度学习模型应用于实验鼠的行为识别中。首先结合多纤维神经网络和合适的数据增强策略以实现高效的行为识别。然后使用视频剪切和动态亮度变化过滤器来实现视频增强。最后使用大量实验来评估本模型的识别性能。结果显示,与最先进的老鼠行为识别(RBR)系统相比,模型具有更好的识别性能。     

基于深度学习与图像处理的废弃物分类与定位方法

针对现有人工垃圾分类工作环境恶劣、自动化程度差等问题,提出基于深度学习与图像处理的废弃物分类与定位方法,为智能分拣提供理论依据.建立基于Inception模块与残差单元,搭建改进的卷积神经网络废弃物分类模型,预测目标物体种类.针对复杂环境采集到的图像,利用图像处理算法对图像降噪、阈值分割、边缘检测,有效提取目标轮廓信息,并结合质心定位算法实现废弃物准确定位.实验结果表明:该方法中废弃物分类模型预测准确率可达88.8％,基于轮廓信息的质心定位算法可以准确定位目标,具备较强的废弃物分类与定位能力.     

基于CNN的计算机生成图像识别方法

针对计算机生成图像(Computer Generated images, CG)与真实照片(Photograpgh, PG)识别率不高的问题,该文提出了一种改进的卷积神经网络方法来实现CG与PG的识别.该方法首先对识别问题进行卷积神经网络二分类建模,并选择VGG-19网络结构作为基础,建立不同的模型.该方法创新性地引入迁移学习,节省训练时间和大量计算资源,最后使用softmax分类器进行分类.实验结果表明,该文方法对PG图像的识别准确率达到92%.与其他方法比较,该文方法识别准确率最高,说明该文方法具有可行性与有效性.     

基于深度学习的输变电设备紫外放电光斑分割方法

随着紫外成像技术的发展,高压电力设备对于紫外成像图谱的量化分析提出了更高的要求。紫外图谱的量化分析需要用到除紫外成像仪所输出“光子数”额外的紫外光斑图像信息,所以需要将紫外放电光斑从可见光的背景中分割出来。然而,传统紫外图谱光斑分割方法仍存在复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题。基于上述问题,提出了一种基于深度学习的紫外图谱光斑分割提取的方法。首先,采用紫外成像仪拍摄电力设备放电缺陷紫外图谱;其次,分别构建FCN-32s、FCN-16s、FCN-8s 3种全卷积网络(fully convolutional networks, FCN)子模型架构,并利用随机梯度下降法进行模型训练;最后,实现输变电设备放电缺陷紫外图谱主光斑的自主分割提取。经过对FCN 3种子模型架构的训练、测试和对比分析,结果表明：FCN-16s模型为紫外光斑分割提取的最佳模型,测试准确率可达99.34%。结果表明基于深度学习的紫外图谱光斑分割方法准确高效,为紫外光斑的量化提取及电力设备放电缺陷的紫外诊断提供了参考。     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证.利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释.结果表明:所构建模型在测试集中的平均识别准确率达98.89％,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力.     

基于迁移学习的贝叶斯网络参数学习方法

针对贝叶斯网络参数迁移过程中对源域及目标域限定条件较多等问题,在考虑源域-目标域多种信息形式的情况下,提出一种基于贝叶斯网络参数迁移学习的统一框架.该方法综合考虑了源域结构和数据量在迁移中的作用,在结构相似性的基础上,探讨了备选源域数据量对参数迁移的影响.在迁移过程中引入与目标域数据相关的平衡系数.通过平衡系数将目标域...     

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.     

基于深度学习的盾构隧道衬砌病害识别方法

隧道衬砌病害的检测是隧道维护和保障运营安全的重要环节.以基于CCD线阵相机移动式地铁衬砌病害检测系统的采集图片为研究对象,利用计算机科学最前沿的深度学习方法,提出了一种完全区别于传统手段的隧道病害识别方法,通过提取并建立隧道病害样本库,搭建深度学习框架,利用深度卷积神经网络(Convolutional Neural Network,CNN)训练样本,建立隧道衬砌特征图像分类系统.针对既有的CNN模型GoogLeNet,采用优化的卷积核,并改进了其inception模块与网络结构,获得了准确率超过95%的网络模型.通过实例对目前流行的深度学习框架(Caffe与Torch)以及图像对比度增强处理方法(如直方图均衡化处理(Histogram Equalization,HE))进行了测试.测试结果表明,深度学习方法用于隧道衬砌图像处理,具有准确率高,速度快,可扩展性好等特点,特别是对背景复杂条件下的图像处理更具鲁棒性.     

基于深度学习SSD模型的人数统计技术

基于深度学习SSD模型，将检测目标的类别由20类修改为只检测人的单类，并对比了同一检测任务下2个模型的检测效果.实验结果表明，在对人的检测任务中，单类目标的SSD模型的检测效果优于20类目标的SSD模型.