迁移深度学习地基云图自动识别的网络微调学习过程

研究了一种将迁移学习引入到地基云图自动识别深度学习网络中的学习过程,其中深度学习网络采用Alex Net经典网络模型,数据集采用 Imagenet样本库进行预训练,学习过程中采用微调操作对网络的权值进行最佳调整,通过对10类地基云图的仿真实验,可以看出,由于云图类别较多,分类任务较难,将迁移学习和微调方法引入到深度学习地基云图自动识别中,是可行和有效的,该方法的有效实施,为深度学习在高精度的地基云图分类以及其他领域图像识别奠定了技术基础。     

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。     

基于深度学习的图像分类研究综述

近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。     

基于机器学习的头发自动分割研究进展

头发分割是图像分割领域的一大挑战,头发的自动分割对辅助性别分类、身份识别、医疗影像分析以及头部重构、AR染发等都有着重要的意义.基于机器学习方法对头发进行自动化分割是该领域的常用方法,具有效率高性能好的优点.文章梳理了基于早期机器学习的传统头发自动分割方法与基于深度学习的头发自动分割方法的发展历程,重点分析了贝叶斯网络图模型、区域生长算法、聚类算法、图割算法等传统分割方法以及全连接神经网络、全卷积神经网络、U-Net、MobileNet等基于深度学习的分割方法,并归纳对比各方法的分割效果、优缺点和发展方向.基于深度学习的头发分割方法需要使用大体量的数据集对网络进行训练,文章整理了头发分割常用公开数据集的各项属性,并对各方法使用不同数据集的各项分割性能进行对比.在此基础上,对基于机器学习的头发自动分割所面临的困难和挑战进行梳理和分析,针对存在的问题提出解决思路,对该领域的发展前景加以展望.     

基于GoogLeNet Inception V3的迁移学习研究

随着人工智能的再度崛起,使用深度学习模型进行图像分类的方法得到了广泛关注。针对典型深度卷积神经网络模型是在大型数据库和大算力的基础上进行训练得到的,但普通机器学习工作者很难拿到如此规模的数据集和算力现象,本文在GoogLeNet Inception V3深度学习模型的基础上,对GoogLeNet的特征提取模块进行迁移学习来训练特定的模型进行图像分类。实验结果表明,在硬件和数据集相对不足的条件下,采用迁移学习的策略可以高效地实现目标检测。     

基于深度学习的文本分类研究综述

与传统的机器学习模型相比，深度学习模型试图模仿人的学习思路，通过计算机自动进行海量数据的特征提取工作。文本分类是自然语言处理中的一个重要应用，在文本信息处理过程中具有关键作用。过去几年，使用深度学习方法进行文本分类的研究激增并取得了较好效果。文中简要介绍了基于传统模型的文本分类方法和基于深度学习的文本分类方法，回顾了先进文本分类方法并重点关注了其中基于深度学习的模型，对近年来用于文本分类的深度学习模型的研究进展以及成果进行介绍和总结，并对深度学习在文本分类领域的发展趋势和研究的难点进行了总结和展望。     

基于特征提取与机器学习的文档区块图像分类算法

文档区块图像分类对于文档版面图像的理解和分析至关重要。在传统机器学习分类模型中,直接使用图像作为输入会导致模型参数量过大因此无法进行训练。为了克服这个困难,我们在本文中针对文档区块图像设计了一组有效的特征,并提出了基于这些特征和机器学习的文档区块分类算法。在特征设计上,我们提取了几何、灰度、区域、纹理和内容五方面在内的32维特征,以增强特征针对区块类别的分辨能力。在分类器方面,我们在所提出的特征上对传统机器学习分类模型、自动机器学习方法以及深度学习均进行了实验。在公开数据集上的实验结果表明,我们提出的文档版面区块分类算法具有很高的分类准确率,并且十分高效。另外我们实现了一个简单的分步文档版面分析算法,以展示所提出的区块分类算法的推广能力。      

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。     

基于聚类算法的二分类问题研究

分类预测是机器学习的基础任务,在机器视觉、文本分析、在线广告等领域均有广泛的应用,对行业发展具有极大的促进作用。随着信息技术的发展,数据规模不断扩大,复杂的高维数据使得传统的分析方法变得困难,以至于现有的深度学习模型在对复杂数据集进行分类预测时,常常出现预测性能不够理想的情况。在广告点击预测领域,通过引入聚类方法,充分利用数据内在的隐式关系,有助于构建更准确、鲁棒性更好的分类模型。     

数据驱动的自动化机器学习流程生成方法

为有效解决自动化机器学习的数据处理时间较长等问题，文中提出了数据驱动的自动化机器学习流程生成方法。该方法的数据集匹配模块通过余弦相似性来计算数据集之间的相关性，获取和当前数据集时间匹配程度最高的数据集，并将其和历史数据搜索结果相结合，先选择最优选择动作，扩展和选择MCTS节点。该方法引入了服务关联关注约束模型，可以依据历史数据对所有的存在关联约束强度的选择动作进行指导，生成自动化的机器学习流程。测试结果显示，该方法对不同数据集的学习流程生成耗时均低于580s，生成的流程对单标签和多标签的数据分类结果均在0.92以上，数据完整度均高于95.5%，应用性良好。     

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。     

结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复

利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.     

Estimating pixel-scale land cover classification confidence usingnonparametric machine learning methods

Conventional approaches to accuracy assessment for land cover maps produced from remote sensing use either confusion matrices or the Kappa statistic to quantify map quality. These approaches yield global or class-specific measures of map quality by comparing classification results with independent ground-truth data. In most maps, considerable spatial variation is present in the accuracy of land cover labels that is not captured by these statistics. To date, this issue has rarely been addressed in the land cover remote sensing literature. The authors present a method to estimate pixel-scale land cover classification confidence using nonparametric machine learning methods. The method is based on recent theoretical developments from the domains of statistics and machine learning that explain the machine learning technique known as “boosting” as being equivalent to additive logistic regression. As a result, results from classification algorithms that use boosting can be assigned classification confidences based on probability estimates assigned to them using this theory. they test this approach using three different data sets. Their results demonstrate that classification errors tend to have low classification confidence while correctly classified pixels tend to have higher confidence. Thus, the method described in this paper may be used as a basis for providing spatially explicit maps of classification quality. This type of information will provide substantial additional information regarding map quality relative to more conventional quality measures and should be useful to end-users of map products derived from remote sensing     

基于维度注意力与多尺度卷积网络的脑电分类方法研究

针对脑电信号的非平稳性、时变复杂和分类准确率较低的问题,以及传统机器学习方法在提取复杂特征方面的不足,提出了一种基于维度注意力机制的多尺度时空卷积神经网络分类模型(DIMS-CNN),旨在提高分类准确率,以更好地适用于实际应用场景。首先,对数据进行带通滤波和去伪迹,并进行了降采样和通道选择等预处理;随后,将经过处理的数据输入构建的时空卷积模型中,为了进一步增强网络的特征提取能力,加入了时序和通道的多维度注意力机制以及正则化技术;对于数据量不足的问题,采用了频带互换的方法进行数据增强,且提高了模型的泛化性能。分别在HGD数据集和实验室自采集数据集上进行验证,获得了90.97%和90.21%的平均分类准确率,发现所提方法在分类准确率上有显著提高。     

基于卷积神经网络的海上微动目标检测与分类方法

该文利用深度学习的高维特征泛化学习能力,将卷积神经网络(CNN)用于海上目标微多普勒的检测和分类。首先,在海面微动目标模型的基础上,在实测海杂波背景中分别构建4种类型微动信号的2维时频图,并作为训练和测试数据集;然后,分别采用LeNet, AlexNet和GoogLeNet 3种CNN模型进行二元检测和多种微动类型分类,并进行比较,研究信杂比对检测和分类性能的影响。最后,与传统的支持向量机方法进行比较,结果表明,所提方法能够智能学习微动特征,具有更好的检测和分类性能,可为杂波背景下的雷达动目标检测和识别提供新的技术途径。      

云计算环境下的外语移动学习智慧平台研究

随着云计算技术在智慧校园教育教学中的应用,在高校的外语教育教学中也把云计算引入了进来,基于云计算的外语移动学习智慧平台不仅提高了学生外语学习水平,而且外语移动学习智慧平台改变了传统的外语教育教学方法,提高了学生对外语学习的能力.本文对云计算技术的概念及应用进行了分析,对外语移动学习的特点和意义进行了研究,提出了基于云计算的外语移动学习智慧平台体系结构建设,并对基于云计算的环境下外语移动学习智慧平台建设进行了分析和研究.     

面向图像视频取证的机器学习综述

近年来,随着机器学习技术,特别是深度学习技术的飞速发展,使得一般人也能够生成非常逼真的高质量造假图像和视频。这给社会和个人带来了极大的风险,也引起了世界各国相关部门以及学术界的高度重视。针对图像和视频的篡改技术和取证技术是相互对抗相互促进的矛盾双方。机器学习技术的飞速发展,同样地也触发了图像/视频取证技术的跨越式演化。本文对近年来,特别是过去三年面向图像/视频取证的机器学习技术的飞速发展现状进行了综述,展示了基于传统人工构造特征以及端到端的图像视频取证机器学习方法,并探讨了不同检测技术的优缺点,重点对Deepfake换脸视频的取证技术以及基于深度学习的取证与反取证的对抗进行了介绍。对现有的科研工作进行了科学的归类。最后对其未来的发展趋势进行了展望,旨在为后续学者的研究进一步推动图像/视频取证的机器学习技术提供指导。      

基于二值神经网络的大场景点云分类

近年随着3维数据采集技术不断发展,大场景 点云数据的获取越来越方便。目前深 度学习网络框架在2维图像处理领 域越来越成熟,而大场景点云是一种3维无规则化的数据,3维卷积神经网络直接处理大场 景3维数据会存在分类精度低和计 算复杂等问题。因此为了有效解决基于深度学习的点云分类任务中存在的计算时间长和分类 精度低的问题,本文提出基于二值 神经网络的大场景点云分类方法,针对不规则的3维点云数据设计特征值计算方法,基于IR -Net二值神经网络处理输入的点云 特征图像,进一步采用Dynamic ReLU激活函数,提高神经网络的计算效率,最后得出点云分 类结果。实验结果表明,所提出 的方法在Oakland数据集上分类精度达到97.6%,在GML数据集中取得 了92.3%和97.2%的分类精度,实验结果证明Dy -ResNet 能够有效提升了点云分类的精度,减少计算的复杂度,并提高了训练效率。