基于深度学习的电力巡检图像实时处理与识别算法研究

应用人工智能技术对航拍采集的巡检图像进行目标检测和缺陷识别已成为现代电力巡检的发展趋势。文中基于深度学习技术提出了一种改进的识别算法,通过改进Faster-RCNN模型,结合HSI颜色特征提取,实现图像实时处理与输电线路的各类常规故障识别。将航拍图片归一化处理,RGB颜色模型转化为HSI颜色模型,遍历HSI空间的每个像素点,根据图片颜色特征判断像素点是否发生故障;建立Dense Net网络,将RoI Align层与预测层连接,应用改进Faster-RCNN目标检测模型对巡检线路训练数据集进行目标缺陷识别。实验分析结果表明,文中所提方法的故障缺陷识别精确率可达92.54%,具有实时性强、识别精度高等特点。     

一种基于CNN算法的步态识别模型研究

为解决传统步态识别模型训练时间长、识别准确率低等问题,文章构建了能够进行深度学习的行走时步态特征数据库,通过对所选取特征的特定性、关联性和稳定性的研究,建立步态特征矩阵,利用Tensorflow设计CNN算法进行深度学习,使其能够自动实现基于行走时步态特征的个人识别。在27名实验者情况下,该模型的识别准确率可达99%以上,且训练时间较短,优于目前已发表的其他模型,对构建更大数据库的识别系统具有启发意义。     

基于整数线性规划重构抽象语义图结构的语义摘要算法

针对利用抽象语义(AMR)图来预测摘要子图存在的语义结构不完整问题,该文提出一种基于整数线性规划(ILP)重构AMR图结构的语义摘要算法。首先将数据预处理生成一个AMR总图;然后基于统计特征从AMR总图中抽取出摘要子图重要节点信息;最后利用ILP的方法来对摘要子图中节点关系进行重构,利用完整的摘要子图恢复生成语义摘要。实验结果表明,相比其他语义摘要方法,所提方法的ROUGE值和Smatch值都有显著提高,最多分别提高了9%和14%,该方法有利于提高语义摘要的质量。     

一种基于雷达图的雷达辐射源识别算法

在分析和考察雷达辐射源(Radar Emitter)多特征模式识别算法的基础上提出了一种基于雷达图(Radar Chart)中向量夹角余弦值的分类识别算法,借助雷达图实现了雷达辐射源空间特征向量向平面向量的转换,实现对雷达辐射源型号的自动识别,给出识别置信度.通过计算机仿真得到大于85%的正确识别率,进一步验证了算法在雷达辐射源识别工程中的可用性和可行性.     

一种依需聚合的语义解析图查询模型

本文设计并实现了依需聚合的语义深层网查询模型——SemtoSql+.提出以长短期记忆网络为基础,采用词嵌入技术将语料库训练为模型输入的词向量;并结合依赖关系图,将SQL语句四个层级的生成问题转换为依赖关系图中槽的填充问题,同时引入注意力机制有效避免了传统模型中的顺序问题;采用随机蒙蔽机制,构建依需聚合的增强型SemtoSql+模型.     

基于非监督网络的军事目标识别算法的研究

军事目标识别是目标检测领域中的一大研究方向,这对于提前侦测敌情和精准打击目标具有重要的意义,目前,主流的军事目标识别算法主要是运用YOLO,Fast RCNN等非监督深度学习网络模型,这些方式都是通过将手动标注的数据集输入到网络中,经过处理输出结果,但是数据集数量总是有限的,在精度上有所欠缺,泛化能力也不足.针对这种问题,提出了基于非监督网络的军事目标识别算法,可以通过生成式对抗网络(GAN)有效地解决数据集不足以及精度不够的问题.     

基于语义分割的多目标违禁品识别算法

基于深度学习的语义分割算法可以实现安检违禁品自动识别,并获得违禁品的位置、类别及形状信息。但传统的语义分割算法在面对违禁品尺寸不一且目标多样的识别任务时表现较差。针对该问题,本文提出了一种基于语义分割技术的多目标违禁品识别算法。编码阶段,设计使用空洞空间金字塔卷积模块（Atrous Spatial Pyramid Convolution Block, ASPC）,提升网络对于特征图多尺度信息的挖掘能力。同时引入注意力机制,对ASPC模块的特征提取过程进行监督,进一步提升模块的特征提取能力。解码阶段,受U-Net模型启发,采用逐级上采样操作,同时加入1×1卷积实现通道降维,减少计算量,提升模型运行速度。实验结果显示,本文提出的算法在多目标违禁品识别任务中表现良好,平均交并比（mIoU）得分78.62,处理单张图片用时（Time）68ms。      

基于深度学习的机载SAR典型目标识别算法

在多分辨率场景下基于合成孔径雷达(SAR)图像进行多类典型目标识别,是SAR图像信息解译的重要环节。基于YOLO-v4网络模型,针对目前机载SAR图像及目标信息的特点,提出一种应用于真实机载平台下多场景跨分辨率的实时检测处理架构。文中通过对多类目标进行双重检测,对样本数据量低的训练集进行数据增强,并将图像分割后的同类型目标信息进行合并,解决了多分辨率SAR场景下目标尺度跨度较大的问题。实验结果表明：该方法能够在相关机载SAR数据集上达到六类目标(机场、桥梁、立交桥、汽车、装甲车、飞机)82.8%的mAP值,对后续机载SAR复杂场景下更多类型目标的检测识别具有重要的借鉴意义。     

基于深层-浅层双流学习图模型的无监督少样本红外空中目标识别网络

在军事空中目标识别领域,由于样本数量缺失,现有人工智能算法无法完成准确识别。文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别,解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题。文章提出一种基于深层-浅层双流学习图模型（D-SLGM）的跨域目标识别算法。首先,提出一种深层-浅层双流特征提取算法,解决无监督少样本条件下特征表示困难的问题;同时,提出一种基于图模型的特征融合算法,实现特征间高精度融合;基于融合后的特征训练识别模型,提升算法的泛化能力。使用自建空中目标数据集,设计三种应用场景。实验结果表明,D-SLGM平均识别准确率均值达到78.2%,优于对比方法,在实际空中目标识别应用中具有较大潜力。     

基于改进YOLO网络的双通道显著性目标识别算法

由于缺乏目标的先验信息,实时预警检测系统存在虚警率高、实时性偏低等问题,限制了实战环境下的广泛应用。为了提升目标检测识别的性能,本文提出了一种基于改进YOLO网络的双通道显著性目标识别算法,该算法利用红外图像与可见光互补特性进行多尺度融合,并在融合图像上采用显著性检测获取疑似目标区域,最后利用改进的识别网络对疑似区域进行多层次目标识别。改进的YOLO识别网络增加了一路辅助网络,改善整个特征提取网络的性能,并采用注意机制对辅助网络和骨干网络的特征信息融合,增强有效信息通道,抑制无效信息通道,提高网络识别效率。仿真实验结果表明,本文提出的模型可以有效地提高目标检测与识别精度,其实时性得到了大大增强。     

实体识别技术研究进展综述

实体识别技术作为知识图谱构建的重要步骤,已广泛用于语义网络、机器翻译、问答系统等自然语言处理中,在推动自然语言处理技术落地实践的过程中起着非常关键的作用。本文根据实体识别技术的发展历程调研了现有的实体识别方法,主要为早期基于规则和词典的实体识别方法、基于机器学习的以及基于深度学习的命名实体识别方法;整理了每种实体识别方法的关键思路、优缺点和具有代表性的模型,特别对目前使用较多的基于双向长短期记忆网络(BiLSTM)模型和基于Transformer模型的实体识别方法进行了概述;介绍了目前主流的数据集以及评价标准。最后,面向未来机器类通信的语义需求,总结了实体识别技术面临的挑战,并对其未来在物联网业务数据方面的发展进行了展望。     

Radio signal recognition based on image deep learning

A technical idea was innovatively proposed that uses image deep learning to solve the problem of radio signal recognition.First,the radio signal was transformed into a two-dimensional picture,and the radio signal recognition problem was transformed into the object detection problem in the field of image recognition.Then,the advanced achievements about image recognition were used to improve the intelligence and ability of radio signal recognition in complex electromagnetic environment.Based on the proposed idea,a novel radio signal recognition algorithm named RadioImageDet was proposed.The experimental results show that the algorithm can effectively identify the waveform types and time/frequency coordinates of radio signals.After training and testing on the self-collected data set with 12 types and 4 740 samples,the accuracy reaches 86.04% and the mAP value reaches 77.72,while the detection time is only 33 ms on the medium configured desktop computer.     

基于三元损失的保险业务牛脸识别系统的设计北大核心CSCD

针对当前畜牧保险行业勘察、定损中牛身份识别难的问题,本文将深度学习框架与物联网(internet of things,IOT)技术结合构建牛脸识别系统。系统中以Inception_Resnet_v1作为深度学习网络框架,结合Triplet Loss损失函数,完成牛面部特征的提取,通过计算余弦距离对特征进行身份识别。基于flask和vue框架布署牛脸检测和特征提取及验证模型,开发牛脸信息数据库,提供身份注册和验证web服务。为验证系统可行性,采集并制作牛脸识别数据集CFID200,在20%未见牛脸的条件下,牛脸识别系统准确率与验证率达到95%以上,满足保险业务牛脸身份识别需要。     

一种基于多尺度实例学习的视频事件检测算法

现有的大多数视频事件检测方法首先从视频帧或视频快照中提取特征,然后对特征进行量化和汇集,进而为整个视频生成一个向量表示.最后的汇集步骤虽然简单高效,但是可能丢失时间局部信息,而这些信息对于确定长视频中事件发生的位置具有重要作用,从而削弱了事件检测的准确性.为此,本文首先将每个视频表示为多个“实例”,并将其定义为不同时间间隔的视频段.然后,针对每个视频的正实例比例已知和未知两种情况,提出基于多尺度实例学习的检测算法,在将实例标签看成隐藏潜在变量的同时推断出实例标签以及实例尺度的事件检测模型.最后,利用大规模视频事件数据集进行了全面的仿真实验,结果证明了本文算法具有显著的性能提升.此外,算法还可以确定视频中导致正检测的时间段的位置,进而对检测结果做出解释.     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。     

一种基于3D-CNN的微表情识别算法

微表情是一种持续时间很短暂的面部表情。针对其识别率低的问题,提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network,3D-CNN）的微表情识别算法。使用Keras作为网络框架,在3D-VGG-Block(3Dimension Visual Geometry Group Block,3D-VGG-Block)的基础上加入批量归一化算法以及丢弃法,提升网络深度与训练速度的同时有效地防止过拟合;针对数据集稀少的问题,采取随机设置起始帧的位置,提前设定每次读取帧序列的长度,循环操作,在将所有数据均遍历的同时,达到数据增广的目的。该算法在CASME II数据集上的识别率最高达68.85%,在识别率上有一定优势。     

基于图转换的无线接入点关联优化算法

无线接入点关联是 Wi-Fi 系统中的一个基础问题。已有的研究主要集中在考虑带宽容量约束条件下的各种AP关联问题。这些研究没有从用户的角度考虑带宽需求,从用户的带宽需求出发,以最多带宽分配的AP关联为优化目标,考虑混合型网络架构下的Wi-Fi系统的无线接入点关联优化问题。与已有研究方法不同,通过图转换技术,并将问题转化为流图上的优化问题,提出基于网络流的优化求解算法,并从理论上证明算法的最优性。最后,通过对比实验进一步证明了算法的优越性。