基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),...     

基于递归卷积神经网络的行人检测方法

为了提高视频中行人检测的准确度,提出了一种基于递归卷积神经网络的行人检测方法.该方法利用递归卷积神经网络融合视频中连续图像的上下文信息,以实现准确的行人检测.首先,利用卷积神经网络提取连续图像的多个特征图组;然后,根据先后次序,将多个特征图输入到递归卷积神经网络中,形成一张关于行人位置的掩码图;最后,通过在掩码图上预测...     

基于卷积神经网络的辣椒识别

农产品检测技术一直以来都是农业领域研究的热点问题,但以往的识别的错误率都居高不下,该文采用了基于有深度学习机制的卷积神经网络方法来提高识别率.首先对采集到的图像进行预处理得到规范化的二值化图像,再利用Matlab软件进行神经网络的建模,利用其网络自学习能力进行训练与测试,通过仿真验证卷积神经网络对辣椒图像的精确识别率.并与传统BP神经网络进行比较,表明其具有很好的鲁棒性和泛化能力.     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

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。     

基于卷积神经网络的宽带合作频谱感知

利用认知无线电网络中的多个次用户所能提供的大量频谱观测数据,提出一种基于卷积神经网络(convolutional neural network, CNN)的宽带合作频谱感知方案。宽带频谱感知旨在灵活地检测跟踪目标宽带授权频段上的可供使用的频谱空穴,该方案考虑利用宽带频谱上被占用的子带与未被占用的子带之间在信号能量及占用位置方面所体现出的类别差异,通过设计一种CNN模型并基于此对频谱观测数据进行训练学习,得到频带占用模式分类模型,从而实现宽带合作频谱感知。仿真结果证明,与传统的基于能量检测技术和典型机器学习(machine learning, ML)分类算法的宽带合作频谱感知方案相比,该方案在检测性能上具有较大的优势,特别是在低信噪比环境下的检测性能。     

基于时空特征融合的端到端无人车控制

基于深度学习的端到端车辆控制器多是由二维卷积神经网络(2D convolutional neural netuark,2D CNN)训练得到的,因未考虑时间维度上的帧间运动信息,使得控制器的可解释性与泛化能力较差,而三维卷积神经网络(3D CNN)可以从连续视频帧中学习时空特征。深度确定性策略梯度强化学习(depth deterministic policy gradient,DDPG)常用于连续动作的控制优化,但DDPG算法仍存在采样方式不合理而导致的样本利用率低的问题。基于此,采用3D CNN与改进DDPG算法相结合的方法对车辆方向盘转角和速度进行预测。通过实车实验实现了车辆在所设置轨道上的自主驾驶,为基于深度学习和强化学习方法解决自动驾驶中的端到端控制问题提供了科学方法。     

基于卷积神经网络的多场景道路坑洼图像检测

对图像进行预处理,用卷积神经网络的方法训练数据集及调整参数,建立坑洼检测模型.实验结果表明:本算法的执行效果好于直接进行坑洼检测的方式,为道路坑洼检测提供了良好的解决方案.     

基于卷积神经网络的自动问答

自动问答是自然语言处理领域中的一个研究热点,自动问答系统能够用简短、精确的答案直接回答用户提出的问题,给用户提供更加精确的信息服务.自动问答系统中需解决两个关键问题:一是实现自然语言问句及答案的语义表示,另一个是实现问句及答案间的语义匹配.卷积神经网络是一种经典的深层网络结构,近年来卷积神经网络在自然语言处理领域表现出强大的语言表示能力,被广泛应用于自动问答领域中.本文对基于卷积神经网络的自动问答技术进行了梳理和总结,从语义表示和语义匹配两个主要角度分别对面向知识库和面向文本的问答技术进行了归纳,并指出了当前的研究难点.     

强化学习在自动驾驶技术中的应用与挑战

围绕强化学习在自动驾驶领域的应用进行了多方面的概括和总结。对强化学习原理及发展历程进行了介绍;系统介绍了自动驾驶技术体系以及强化学习在自动驾驶领域的应用所需的基础;按不同的应用方向分别介绍了强化学习在自动驾驶领域中的应用案例;深入分析了现阶段强化学习在自动驾驶领域存在的挑战,并提出若干展望。     

MDF-ANet:低光照环境下的无人驾驶视觉融合分割方法

为解决低光照条件下已有图像分割模型性能降低的问题,提出了一个基于RGB和深度图特征融合网络的MDF-ANet图像分割方法.为了对原始数据进行充分的特征学习,采用两路特征提取网络分别提取RGB和深度图特征;设计了一个特征融合模块,分别将两路特征提取网络对应尺度下的输出特征图通过融合模块进行融合,并作为RGB网络下一层的输入,通过不受光照条件影响的深度图来辅助RGB的特征提取;将各个尺度输出的特征图输入多尺度上采样融合模块,进行不同感受野间的信息互补,再上采样至原始输入图像大小,得到分割图像.在Cityscapes及其转化后的低光照图像上进行了一系列实验,在其验证集上取得了62.44%的均交并比（mean intersection over union,mIOU）,相比只使用RGB输入的模型,性能提高了9.1%,达到了在低光照条件下提高图像分割性能的目的.      

基于眼睛状态识别的疲劳驾驶检测

由于光照变化、头部姿态等因素的影响,现有的疲劳驾驶检测精度仍有待提高。针对该问题,提出一种基于迁移学习的眼睛状态识别网络(Gabor and LBP-convolutional neural networks,GL-CNN),该网络是由Gabor特征和LBP特征通过迁移学习加入卷积神经网络(convolutional neural networks, CNN)调制组成的。首先用多任务级联卷积神经网络(multi-task CNN,MTCNN)检测驾驶员的人脸和双眼,然后经过眼睛筛选机制获取待检测的单只眼睛,通过GL-CNN识别眼睛的睁闭状态,最后根据PERCLOSE准则判断驾驶员的疲劳状态。实验结果表明,该算法具有较高的准确率,可以检测多种姿态眼睛的状态,同时满足实时性的要求。     

辅助驾驶系统中浓雾天识别方法分析

辅助驾驶系统中通过计算能见度信息对雾天进行识别的方法存在一定的局限性。针对此问题,利用机器学习方法设计了可用于辅助驾驶系统的浓雾天识别算法,避免了基于能见度识别雾天的局限性。首先建立了基于驾驶场景的图像训练集;然后基于卷积神经网络和胶囊网络分别设计卷积神经网络-浓雾识别(convolutional neural networks-dense fog recognition, CNN-DFR10)和胶囊网络-浓雾识别(capsule networks-dense fog recognition, CN-DFR5)两种浓雾天识别算法模型,算法模型通过设置概率阈值的方法对天气类型进行区分,不同的概率值范围对应不同的天气类型。最后对比分析CNN-DFR10和CN-DFR5在浓雾天、雨天、阴天和晴朗天4种天气类型中的测试结果。结果表明:CNN-DFR10算法对天气的识别准确率为86.9%,CN-DFR5算法的识别准确率为97.5%,后一种算法比前者能够更有效地从4种天气类型图像中区分出浓雾天和非浓雾天。     

基于实向量输入的角分类前向神经网络研究

快速分类是在线信息检索研究者关注的热点 .角分类前向神经网络是一类快速分类神经网络 .给出了一个新型的由两种神经元混合构成的神经网络 ,定义了相应的网络拓扑、学习算法和动力学行为 .分析表明 ,该网络的学习的时间复杂度是线性的 .实验表明 ,与二值神经元构成的神经网络相比 ,该网络在满足快速分类要求的同时 ,其分类准确率有显著的提高     

面向自动驾驶路测驾驶能力评估的避险脱离率模型

针对传统脱离率模型低估自动驾驶路测车辆驾驶能力问题,提出了避险脱离与非避险脱离概念,通过秩和检验确定脱离时长阈值,选取平均速度差、短时平均速度差、瞬时速度差为特征值,量化车辆脱离前后行为差异,利用无监督学习K-means算法辨别避险与非避险脱离类型,构建面向自动驾驶路测驾驶能力评估的避险脱离率模型。基于上海市城市道路和快速路两类场景路测数据,验证避险脱离率模型的合理性与有效性。结果表明,基于避险脱离率模型,自动驾驶路测车辆驾驶能力在城市道路与快速路场景中,分别比传统脱离率模型平均提升了4.8和7.3倍。     

深度学习神经网络的新型自适应激活函数

构造一个含有参数的光滑激活函数用于深度学习神经网络, 通过基于误差反向传播算法建立参数的在线修正公式, 避免了梯度弥散、 不光滑及过 拟合等问题. 与一些常用的激活函数进行对比实验结果表明, 新的激活函数在多个数据集上效果均较好.     

基于级联卷积神经网络的驾驶员分心驾驶行为检测

针对驾驶员分心驾驶行为检测,设计一种级联卷积神经网络检测框架。检测框架由第一级分心行为预筛选卷积网络和第二级分心行为精确检测卷积网络两个全卷积网络级联构成。预筛选卷积网络是一个轻量级的图像分类网络,负责对原始数据进行快速筛选,其网络层数少、训练速度快,结构特征冗余较少,能够减少后续网络的计算负担;分心行为精确检测卷积网络采用VGG(Visual geometry group)模型特征提取的深度迁移学习检测算法网络,通过迁移学习重新训练分类器和部分卷积层。提出的级联神经网络最终可以实现9种驾驶员分心驾驶行为的准确识别检测。实验结果表明,相比主流单模型检测方法,在保证算法效率的同时准确率均有明显提升,准确率达到93.3%,有效降低了误检率。该方法具有较好的鲁棒性和泛化能力。     

自动驾驶算法的异常事件生成系统设计与评估

评价自动驾驶算法对异常交通事件的响应具有重要的应用价值,针对在真实世界中制造异常交通事件存在代价高、风险大等问题,本文提出了一种面向自动驾驶算法评估的异常交通事件生成方法,该方法可以自动生成5类异常交通事件;基于该方法,搭建了一个驾驶策略评估系统,以实现对自动驾驶算法的评估.为验证生成的异常交通事件的有效性,对一种基于深度网络的模仿学习自动驾驶算法进行了评估.实验结果表明,生成的异常交通事件可以更全面地评估自动驾驶算法的性能.     

基于混合类测试模型的面向对象程序测试用例生成研究

提出了一种混合类测试模型,能在基于状态的测试中提供有效数据流分析。该模型不仅包含了当前测试类的状态转换信息,且包含了从其执行代码所得到的数据成员的定义及使用信息。基于新测试模型所生成的测试用例主要克服了基于状态的测试不能检测与状态无关数据成员的缺陷,且保证了定义一使用路径的可执行性,能较好地缓解以往数据流测试开销大、效率低的问题。