基于深度学习的非对齐人脸验证方法

当前大多数方法需要对人脸进行对齐等预处理,这不仅影响验证流程的连续性,还严重影响人脸验证的效率。本文设计了两种神经网络模型及三个阶段式的训练验证构架以及基于深度特征与SIFT特征相结合的高效的非对齐人脸验证方法:方法利用卷积神经网络的池化层中间结果同步生成SIFT特征描述符从粗粒度到细粒度进行多级联的非对齐的人脸验证,这极大的提高人脸验证的速度及准确度;在训练阶段提出了使用三元组样本作为输入,Triplet loss作为损失函数有效提高不同人之间的区分度提高人脸验证的准确率;本文根据不同应用场景设计了两种深度学习架构适应小型及大型设备的需要。本方法经过在Web-face数据集训练及在LFW,YOUTUBE等数据集上验证,结果表明该方法具有良好的性能。     

融合抽象层级变换和卷积神经网络的手绘图像检索方法

针对人工设计的描述子（HOG、SIFT等）在基于手绘的图像检索（Sketch Based Image Retrieval,SBIR）领域的局限性,提出了一种融合抽象层级变换和卷积神经网络构建联合深度特征描述子的手绘图像检索方法.首先,提取常规图像的边缘概率图,在此基础上进行不同抽象层级的图像变换,将抽象层级变换图像输入到深度神经网络并提取不同隐层的输出向量,最后,联合不同隐层的输出向量作为手绘图像检索的特征描述子（即联合深度特征描述子）.在Flickr15k数据库上对本方法进行了实验验证,结果表明：融合抽象层级变换和联合深度特征描述子的检索效果相较HOG、SIFT等传统方法有显著提高.本方法从图像预处理和特征描述子构建2个方面,对SBIR问题进行了改进,具有更高的准确率.     

基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.     

基于集群系统的并行图像灰度匹配

针对传统数字图像处理中匹配方法虽然精确度高,但计算量大、时间长等特点,将基于MPI（Message Passing Interface）的集群并行处理引入到图像灰度匹配中,对待匹配图像采用数据分割处理,而将传统的图像灰度匹配算法进行并行化改进,结合并行处理对图像灰度匹配进行并行实现．实验结果表明：并行化处理能显著地缩短灰度匹配时间,达到较高的加速比和效率,对进一步研究基于集群系统下的并行图像处理有一定的指导意义．     

基于改进SSD算法的遥感影像小目标快速检测

针对遥感影像小目标检测难度大、准确率低、耗时长等问题,本文提出一种基于改进SSD算法以提升遥感影像小目标实时检测精度的方法.(1)采用深度可分离卷积代替普通卷积层,从而减少计算量、加快目标检测速度;(2)修改SSD网络层数,最终使用7个卷积层的SSD作为检测器,选取其中4个卷积层的输出进行检测,进一步减少模型复杂度和训练难度;(3)修改了每个检测层所产生的候选框大小,提高检测精度.实验结果表明:所提出的模型平均准确率达到82.40%,平均每张影像检测耗时1.86 s,充分验证了该方法的有效性.本文提出的基于改进的SSD算法在遥感影像小目标检测中具备有效性和实时性,在遥感影像小目标检测任务中效果良好.     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

基于深度学习的高结构化恶意样本的检测方法

随着攻击检测及缓解等安全防护能力的增强,高结构化的文件(如PDF、HTML等)成为当前漏洞利用的主要目标。由于高结构化的文件具有结构复杂、格式多样、自定义规则灵活等特点,恶意样本的模式与规则难以抽取,导致传统基于模式和规则的检测方法难以应对高结构化恶意样本的检测问题。边界值填充、恶意代码嵌入等操作使得恶意样本字节流分布有所改变,依据样本字节流分布差异,本文提出了一种基于深度学习的高结构化恶意样本的检测方法(JLMethod)。该方法使用卷积神经网络对样本文件的字节流特征进行分类,能有效检测出恶意样本。在文档型PDF文件实验中以4. 1‰的漏报率、99. 59%准确率和在非文档型HTML恶意样本(WebShell)检测实验中以8. 5‰的漏报率、98. 89%准确率,验证了本文方法在高结构化恶意样本检测方面的可行性。     

基于排名学习和多源信息的地图匹配方法

融合多源信息能有效提高地图匹配的准确率。已有的地图匹配方法依赖于数学模型,当引入新类型的数据时, 需要重新设计数学模型或调整模型参数。为解决该问题,提出了一种端到端的数据驱动地图匹配方法。该方法不需要建立具体的数学模型，只需从匹配结果已知的数据中学习候选道路的评分函数：选出某GPS点的候选道路，利用评分函数对所有候选道路进行打分，选择分数最高的道路作为地图匹配结果。实验结果表明,该方法能直接利用新类型的数据提高地图匹配的准确率，能在数据缺失时避免准确率急剧降低。此外，具有与基于HMM方法相近的准确率和与基于夹角特征和距离特征方法相当的速度。     

基于支持向量机及遗传算法的光刻热点检测

提出一种基于支持向量机（SVM）及遗传算法（GA）的集成电路版图光刻热点检测方法.首先对版图样本进行离散余弦变换（DCT）以提取样本的频域特征,然后基于这些样本训练SVM分类器以实现对光刻热点的检测.为了提高光刻热点检测的精度及效率,采用遗传算法（GA）对频域特征进行选择,并同时优化SVM参数.实验结果表明,基于SVM及版图频域特征并结合遗传算法进行优化的光刻热点检测方法可以有效提高版图光刻热点的检测精度.     

基于集成学习的PET/CT混合成像肺癌检测

提出了一种基于多模态多尺度的Mask R-CNN集成学习模型对PET/CT混合成像进行人工智能肺癌检测。首先，通过5个深度学习模型对肺癌候选区进行提取。5个深度学习模型通过对不同尺度及不同模态训练数据进行Mask R-CNN迁移学习生成。然后利用集成学习方法将5个Mask R-CNN模型进行加权投票，有效减少假阳性数量，最终实现肺癌确诊。实验数据包括69例肺癌患者及11例正常例，训练数据集包括1242个肺癌横断面；验证数据包括270个横断面，其中58个PET肺癌横断面和58个CT肺癌横断面，77个PET正常横断面和77个CT正常横断面。该方法的F-score、Precision和Recall为0.95、0.90和1,与单模型和现有方法相比，本文方法对于PET/CT混合成像的肺癌检测具有更强的有效性，可以为医生提供有意义的辅助诊断信息.     

面向JPEG图像的隐写分析盲检测方法

隐写分析盲检测存在着检测模型的检测准确性和通用性难以兼顾的问题.本文提出一种用于隐写分析的快速支持向量分类算法FC-SS2LM(fast classification for small sphere with two large margins),通过构造最小超球体和双边最大间隔隐写分析模型,使检测模型既能准确构造分类边界又能考虑不同隐写样本的分布特点,达到了兼顾检测准确性和通用性的目的.在BOSSBase标准图像库上对提出的隐写分析盲检测模型进行验证,实验结果表明,该方法在一定程度上克服了传统隐写分析模型通用性差的缺点,同时提高了实际应用中训练数据样本不平衡情况下的检测准确率.即使在实际应用中训练集样本过大、支持向量较多的情况下,采用该方法计算也可以减小算法复杂度,提高泛化能力和分类速度.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

基于人类视觉系统的交通标志优化分割方法

交通标志的有效分割是交通标志识别系统中的关键问题.针对禁令标志颜色特征,结合人类视觉系统的颜色感知特点,首先以颜色分量R（红）、G（绿）、B（蓝）作为输入特征量构造颜色特征粗分类器,再通过计算粗分类结果的特征量与红色特征类标准样本中心的矢量余弦,得到颜色相似度特征灰度图,用改进的Otsu方法实现标志的最终分割,最后给出了通过训练粗分类器优化分割结果的方法.实验结果表明,本文的分割方法可在不同气候条件下,有效地提高交通标志分割效率,具有较好的鲁棒性.     

基于循环生成对抗网络的道路场景语义分割

在无人驾驶技术中,道路场景语义分割是一个非常重要的环境感知任务。传统的基于深度学习方法需要大量像素级标注样本,限制了应用范围。本文提出一种基于循环生成对抗网络的道路场景语义分割方法,无需成对数据也可实现图像语义分割,降低对数据集的要求;使用L2范数和最小二乘损失方法解决训练过程中出现的模式崩溃现象,增加了训练过程的稳定性,并提高了图像分割的质量。为了验证本文方法的有效性,在常用的道路场景数据集进行实验,结果显示该方法的分割精确度有明显提高。     

一种检测范围自适应的目标跟踪算法

为处理目标的消失重现、形变及环境变化等问题, 要求跟踪算法有一定的检测与学习能力. 针对全局检测方法因冗余检测而造成检测效率低下的问题, 在基于P-N学习的跟踪框架的基础上, 提出一种自适应生成检测范围的目标跟踪算法. 通过引入卡尔曼滤波器(Kalman filter)对目标位置、尺度以及两者的变化速度进行预估, 在检测前根据预估信息自适应生成检测范围, 提高检测效率. 在公开的CoGD数据集上进行实验, 结果证明该算法较原始算法在准确度基本不变的基础上, 速度得到显著改善.     

矿产预测中的成矿因子选择方法：以滇东南金矿预测为例

由于矿产地质信息的复杂性和不确定性,难以建立精确的数学模型来确定矿产资源的分布状况.非线性分析建模技术,如人工神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machine,SVM）等,给矿产预测工作提供了新的途径.这类方法在处理数据时可以避免数据分析和建模的困难,即不须理解各种成矿因子与矿床（点）之间的相互关系,只须选择已知的矿床（点）和非矿产（点）,进行＂黑箱＂学习.虽然经过合理的训练,这类方法能够得到较高的预测精度,但由于其分类过程的非线性特性,难以获得容易理解的分类规则,提供成矿因子的知识.本文采用基于SVM的迭代特征消去（Recursive Feature Elimination,RFE）技术（SVM-RFE）,即在SVM模型的训练过程中,采用RFE特征选择方法,从所有输入的成矿因子中选择出对矿床（点）能正确预测的重要因子,以提供对输入模型的成矿因子的客观评价.通过对滇东南地区金矿预测的实践表明,采用SVM-RFE技术从原始10类成矿因子中自动选择6类进行预测的精度从68.42%提高到94.74%,并且得到该区域进行矿产预测的成矿因子重要性依次是：Au异常、As异常、侵入岩、下三叠统与中三叠统之间的平行不整合面、上二叠统与三叠系的平行不整合面、断裂交汇点密度、石炭系和下二叠统间的平行不整合面、中上泥盆统和石炭系间的平行不整合面、Sb异常和Hg异常,从中选取前6类成矿因子进行SVM训练得到的预测精度最高.这一结论可为在该区域进行矿产预测的资料选取,以及对成矿因子的理解提供支持.     

基于粗糙集和BP神经网络算法的网络故障诊断模型研究

针对计算机网络故障诊断知识库冗余性高、神经网络与PCA、DS证据等理论相结合诊断精度不高的难题, 提出了一种新的基于粗糙集和BP神经网络的计算机网络故障诊断模型. 首先利用粗糙集算法对网络故障特征进行约简处理、提取最小诊断规则; 其次利用最小规则训练BP神经网络, 建立基于粗糙集和BP神经网络的计算机网络故障诊断模型; 最后将模型运用于真实网络故障数据诊断. 结果表明: 该模型具有学习效率高、诊断速度快、准确率高的特点, 能够快速诊断网络故障类型.     

基于改进Mask R-CNN的多标签甲状腺结节检测模型

基于符合中国国情的C-TIRADS甲状腺结节恶性风险分层指南来构建计算机辅助诊断模型具有重要的应用价值，能够提升甲状腺结节和分化型甲状腺癌诊断的规范化、标准化、同质化，提高医生诊断效率和降低劳动强度。本文提出基于深度学习的多标签目标检测模型用以检测识别甲状腺结节、预测甲状腺结节恶性等级以及结节的病理特征，经过在数据集上进行实验对比选取Mask R-CNN作为基准模型，并在基准模型基础上进行优化改进，主要改进包括使用ResNet152-FPN替换原有特征提取网络来提升模型特征能力，设计全新的卷积多标签检测头结构来对结节病理特征进行多标签预测，基于医学先验知识对模型锚框尺寸及比例进行自定义来提升模型的定位精度，最后为模型设计迁移学习训练方案来进一步提升模型性能。实验结果表明，改进模型对甲状腺结节的识别准确率达到了94.4%,对甲状腺结节病理特征的平均识别准确率达到了88.6%。