融合全局与局部特征网络的指静脉识别算法

手指平移、轴旋转等特殊姿态变化时,指静脉识别算法的识别率并不高,为此,提出一种融合全局与局部特征网络的指静脉识别算法。首先,根据特殊姿态指静脉图像全局静脉信息差异较大而局部显著静脉信息相似度较高的特点,通过多分支网络结构学习不同粒度下的全局特征与局部特征并进行融合识别,提高了指静脉特征对手指放置姿态变化的鲁棒性;其次,使用CurricularFace损失以及交叉熵损失对网络进行联合监督,扩大指静脉特征类间差,缩小类内差,并引入在线困难样本挖掘机制,使得网络重点训练手指姿态变化较大的样本,进一步提高了算法在手指出现平移、轴旋转等姿态变化时的识别率;最后,采用Mish激活函数作为激活层,提高了网络提取指静脉特征的能力。分别在FV-USM数据集、FV-Normal数据集、FV-Special数据集上进行仿真实验,结果表明,相比于指静脉改进残差网络算法,提出算法的零误识识别率分别提高了11.33%,8.11%,22.57%,Top1排序分别提升了4.00%,4.96%,12.23%。     

基于深度残差网络的轻量级指静脉识别算法

提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。     

基于多特征融合的表情识别算法

针对轻量级面部表情识别算法泛化能力的不足,提出了一种结合多特征融合和注意力机制的表情识别方法。使用局部二值模式(Local Binary Pattern, LBP)算子减少面部图像中无关信息的干扰,双分支神经网络提取原始人脸图像和LBP图像的特征,融合两个网络提取的中高层特征,并通过注意力机制加强重要特征,在保持较少参数量的同时生成大量的有效特征信息提高算法的识别效果。实验结果表明,该方法在Fer2013和CK+数据集上的识别率分别为70.21%和95.59%,有效地提高了轻量级表情识别算法的性能。     

联合损失下深度可分离残差网络的表情识别算法

为了增强神经网络特征提取能力进一步提高人脸表情识别准确率,提出了一种联合损失下深度可分离残差网络模型DSResNet-JLoss(deeply separable residual network under joint loss),该网络是基于深度可分离卷积与残差学习方法的轻量级网络模型。使用逐通道卷积和逐点卷积的方法取代常规卷积运算,解决了传统卷积神经网络参数冗余大,训练时间长收敛慢,且易过拟合的问题。并在网络中加入残差单元,使用shortcut连接,通过恒等映射,来解决因网络模型层数过多导致的梯度爆炸或衰减问题。提出联合损失函数,充分结合了交叉熵损失,中心损失和对比损失的优点,以减小表情特征的类内距离,增大类间距离。实验表明,该模型在FERPlus和RAF-DB两个公开数据集上均取得较好的成绩,表现出良好的泛化能力和鲁棒性。     

基于门控特征融合与中心损失的目标识别

针对目标活动、光线及摄像头距离等问题,提出一种基于门控特征融合与中心损失的目标识别方法.门控特征融合是为了弥补单一特征信息丢失时,身份识别准确率下降的缺陷.门控结构指导网络对输入的人脸、行人特征进行贡献量评估,再根据贡献量去分配权值,组合产生识别性更强的身份特征.通过添加中心损失函数,在引导网络下减少了特征的类内距离,使得特征更具判别性.实验结果表明,在自建数据集上所提方法的最终识别准确率最高可以达到76.35%,优于单特征识别方法以及多种融合方法,使用所提的融合损失函数后,平均识别准确率可提高2.63%.     

融合多分支与多粒度特征的东北虎重识别

为解决东北虎重识别研究中存在的细节特征提取不充分等问题,提出了一种融合多分支与多粒度特征的东北虎重识别模型CMM-Net。其中,全局分支负责提取宏观上的粗粒度特征;注意力分支通过插入坐标注意力模块加深了网络对重要特征的关注度;局部分支通过将特征图切分成不同条带块,从而提取东北虎更细粒度的局部特征。通过多个分支结构和多个细粒度特征结合来对模型进行优化学习,加强全局特征与局部特征的关联性。同时提出用Circle Loss与Softmax的联合损失来提高网络精度。实验结果表明,在ATRW数据集上所提模型在单摄像头环境下mAP为93.6%,跨摄像头环境下mAP为77.4%,均优于多数文献所提方法,证明了本文模型的有效性。     

基于相位融合特征和残差网络的调制智能识别

针对调制识别依赖人工提取的经验特征、识别准确率低的问题,提出基于相位星座图和矢量轨迹图融合聚类的智能识别算法.通过对接收信号进行滤波、定时同步预处理,恢复出较理想的基带信号,将信号的波形数据转化为星座图和矢量轨迹图特征.利用深度学习（DL）将调制识别转换成图像的分类问题,将所提取的特征通过2路并行输入的轻量级残差结构网络,开展分层学习和特征融合训练,完成对目标调制方式的识别.仿真实验表明,基于融合特征的识别结果优于目前的基于高阶累积量、星座图和波形数据的识别结果,当信噪比（SNR）高于2 dB时,对MPSK（调制的阶数为2、4、8）、MQAM（调制的阶数为16、64）、MAPSK（调制的阶数为16、32）这7类调制的识别率可以达到95.14%.     

基于多尺度二维小波变换的静脉图像融合

静脉可见光图像血管细节较丰富,但血管轮廓模糊;静脉红外图像血管轮廓明显,但细节欠缺。针对单一静脉图像存在的不足,提出了一种基于多尺度二维小波变换的静脉图像融合方法,通过实验证实融合后的静脉图像保留了源图像更多的信息,静脉血管细节丰富、轮廓清晰、视觉效果良好,为临床静脉穿刺提供辅助作用,具有很好的临床应用价值。     

基于三级信息融合结构的多平台多雷达目标识别算法

为了解决多平台多雷达目标识别时空信息融合过程中存在的时效性不高,识别特征信息模糊和雷达识别结果高冲突等问题,提出了一种基于三级信息融合结构的多平台多雷达目标识别算法。一级特征融合中,基于模糊评判法解决了多特征识别信息模糊问题。二级空域融合中,基于DS融合规则和折扣融合规则,提出了以平均证据距离为阈值的自适应证据融合算法。三级时域融合基于多雷达序列信息,给出了时域自适应融合算法。仿真计算结果表明文中提出的融合结构能够在保证结果正确的同时,每个周期都能输出结果,时效性较之以往的融合结构有了明显改善。文中的自适应证据融合算法能够克服证据间可能存在的高冲突性,并且与采用折扣证据融合算法相比计算量显著减少。     

基于冒泡原理的多轨迹识别算法

多轨迹识别算法广泛应用于网络监控和信息安全领域，提高算法准确性并降低误判率是该领域一直重点研究的方向。本文通过引入恒变循环轨迹的概念，将一类问题都归结于剩余类循环轨迹的问题，并提出了一种基于冒泡原理的多轨迹识别算法，实验表明，使用该算法检测共享接入主机，具有很高的收敛性和准确性，更满足现网场景需求。     

基于多特征融合的手指静脉图像检索方法

为进一步提高手指静脉图像检索的精度,提出一种基于多特征融合的手指静脉图像检索方法。从手指静脉图像中分别提取纹理特征、方向特征、静脉主干特征,使用改进的多基元直方图方法计算纹理直方图和方向直方图,将两种直方图串联作为检索特征。考虑到手指静脉血管的空间分布特性,对图像进行分块处理,基于图像块提取检索特征。该方法在两个公开手指静脉数据库上的最优检索精度分别为99.16%、99.15%。试验结果表明,该方法能够充分利用多种不同特征,有效提升手指静脉图像检索性能。     

基于多域特征融合学习的辐射源个体识别算法

现有的基于专家经验的特定辐射源个体识别（Specific Emitter Identification,SEI）方法和基于深度学习的SEI方法,通常在单一类型辐射源畸变存在的场景下性能较好,然而在多种辐射源畸变同时存在的复杂场景下表现较差。为此,提出一种基于多域特征融合学习的辐射源个体识别算法,将原始接收辐射源信号转换为I/Q眼图、矢量图和Hilbert-VMD时频谱图等多域信号表示作为网络输入,并结合神经网络进行多域特征融合提取。实验结果表明,与现有的基于专家经验的SEI算法或其他单一信号表示输入的基于深度学习的SEI算法相比,该算法在符号信噪比10 dB下的识别增益约10%。     

基于Affix-Attention的命名实体识别语义补充方法

针对现有命名实体识别方法存在的语义信息获取不全面问题,提出基于Affix-Attention的命名实体识别语义补充方法。将句子和句子中每个单词对应的词缀输入到编码层,使用Bi-LSTM提取上下文特征。在编码层设计特征融合模块、建模文本特征与词缀特征的对应关系,使用Affix-Attention同时关注文本信息和词缀信息进行语义补充。解码层使用CRF层得到目标序列。在生物医学领域的JNLPBA-2004和BC2GM基准数据集上的试验结果综合评价指标F₁达到81.73%、84.73%;在公共数据集CONLL-2003中试验结果综合评价指标F₁达到91.35%。试验结果表明,本研究方法能够有效获取词的内部语义特征,融合文本信息和词缀信息,达到语义补充的效果,提升命名实体识别的性能。     

用户无关的多分类器融合行为识别模型

为了提高行为识别模型的准确率,给出一种与用户无关的多分类器融合行为识别模型。采用决策树C4.5自顶向下构建基分类器,将基分类器对各行为的识别准确率作为权值,利用融合算法对行为识别结果进行融合处理,生成与用户无关的行为识别通用模型。采用未参与基分类器训练用户的加速度数据对该模型进行测试,对比结果表明,多分类器融合模型对步行、跑步、上楼、下楼等日常行为识别准确率均有所提高。     

基于注意力机制的多尺度特征融合图像去雨方法

雨纹分布和形状具有多样性,现有去雨算法在去雨的同时会产生图像背景模糊、泛化性能差等问题.因此,本文提出一种基于注意力机制的多尺度特征融合图像去雨方法.特征提取阶段由多个包含两个多尺度注意力残差块的残差组构成,多尺度注意力残差块利用多尺度特征提取模块提取及聚合不同尺度的特征信息,并通过坐标注意力进一步提高网络的特征提取能力.在组内进行局部特征融合,组间利用全局特征融合注意力模块更好地融合不同层次的特征,通过像素注意力使网络重点关注于雨纹区域.在仿真和真实雨像数据集上与其他现有图像去雨算法相比,本文方法的定量指标有着明显提高,去雨后的图像视觉效果较好且具有良好的泛化性.     

基于LGRP和多特征融合的人脸表情识别

针对复杂的Gabor滤波器直接抽取人脸特征数据存在一些冗余信息以及提取的表情特征较为单一的缺点,提出了基于LGRP和多特征融合人脸表情的识别方法。首先,提取人脸表情图像的Gabor多方向和多尺度特征,进一步编码得到局部Gabor排序模式(LGRP),以增强鲁棒性以及区分能力;其次,引入Haar小波和Otsu阈值分割法分别提取表情特征,通过级联融合3种不同的特征,可以全面地表达图像的局部特征和全局特征;最后,采用支持向量机(SVM)对人脸表情进行多分类。在CK+表情库上进行仿真实验,平均识别率达到94. 36%。与其他方法的比较结果表明,该方法取得了很好的识别率和鲁棒性。     

基于多类别Focal Loss损失函数的变电站场景图像语义分割研究北大核心

图像语义分割技术在变电站智能机器人抢险作业以及日常巡检中起重要作用。针对变电站场景中的类别不平衡问题,提出了一种用于训练多类别图像语义分割模型的多类别Focal Loss损失函数。多类别Focal Loss损失函数可以动态调整各类别的权值,对出现频率小的类别更加友好。基于深度学习和变电站场景图像,分别使用多类别Focal Loss损失函数和交叉熵损失函数训练基于FCN、SegNet和DeepLabV3网络的图像语义分割模型进行对比实验,并通过平均交并比和像素准确率等评价指标进行模型评价。实验结果表明基于多类别Focal Loss损失函数的图像语义分割模型具有良好效果,有助于缓解类别不平衡现象。     

基于局部特征融合Transformer的牛身识别算法

目前,牛身识别技术大多采用卷积神经网络(Convolutional Neural Networks, CNN),CNN只能处理局部邻域信息,容易丢失细节信息。为此,提出一种基于局部特征融合Transformer的牛身识别算法。首先,运用卷积将相邻空间内的牛身局部信息进行融合,增强融合后局部特征信息在不同姿态下的辨别力和鲁棒性;其次,将融合后的局部信息和全局分类信息通过数个多层感知机模块进行分类训练,损失函数采用三元组和标签平滑交叉熵损失,有效提高了牛只多姿态场景下特征的提取。仿真实验结果表明,在复杂场景下,与基于CNN的牛身识别算法相比,提出的算法有效降低了拒识率,提高了Top1排序性能和AUC值。