Deep Convolutional Neural Networks for pedestrian detection

Pedestrian detection is a popular research topic due to its paramount importance for a number of applications, especially in the fields of automotive, surveillance and robotics. Despite the significant improvements, pedestrian detection is still an open challenge that calls for more and more accurate algorithms. In the last few years, deep learning and in particular Convolutional Neural Networks emerged as the state of the art in terms of accuracy for a number of computer vision tasks such as image classification, object detection and segmentation, often outperforming the previous gold standards by a large margin. In this paper, we propose a pedestrian detection system based on deep learning, adapting a general-purpose convolutional network to the task at hand. By thoroughly analyzing and optimizing each step of the detection pipeline we propose an architecture that outperforms traditional methods, achieving a task accuracy close to that of state-of-the-art approaches, while requiring a low computational time. Finally, we tested the system on an NVIDIA Jetson TK1, a 192-core platform that is envisioned to be a forerunner computational brain of future self-driving cars.     

一种用于神经网络汉字识别系统的自组织聚类方法

本文提出一种用于大类别模式识别系统的改进的自组织聚类方法，采用这种方法把３７５５种多体印刷汉字聚类为几午个子集。聚类正确率优于９８％。     

基于深度卷积神经网络的多元医学信号多级上下文自编码器

多元医学信号的典型代表有多模态睡眠图和多通道脑电图等,采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题,该文提出了一种无监督的多级上下文深度卷积自编码器(mCtx-CAE)。首先改进传统卷积神经网络结构,提出一种多元卷积自编码模块,以提取信号片段内的多元上下文特征;其次,提出采用语义学习技术对信号片段间的时序信息进行自编码,进一步提取时序上下文特征;最后通过共享特征表示设计目标函数,训练端到端的多级上下文自编码器。实验结果表明,该文所提模型在两种应用于不同医疗场景下的多模态和多通道数据集(UCD和CHB-MIT)上表现均优于其它无监督特征学习方法,能有效提高多元医学信号的融合特征表达能力,对提高临床时序数据的分析效率有着重要意义。

     

RBF神经网络的梯度下降训练方法中的学习步长优化

梯度下降法是训练ＲＢＦ神经网络的一种有效方法。和其他基于下降法的算法一样,ＲＢＦ神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Ｔａｙｌｏｒ展开,构造了一种优化学习步长的方法,进行了较详细的推导：实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。     

一种基于神经网络的ICCAT专家系统测试方法的研究

本文提出了一种基于神经网络的ＩＣＣＡＴ专家系统测试方法。该方法借鉴于近年来神经网络系统理论的一些最新研究成果，为ＩＣＣＡＴ专家系统测试方法在知识表示，知识获取和并行处理等问题的研究开辟了新的途径。文章首先简要介绍了基于ＮＮ的ＩＣＣＡＴ专家系统系统测试方法的基本原理，然后通过一个简单的单输出有扇出ＩＣ电路故障诊断实例，探讨了该方法的具体实现途径及研究前景。     

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于神经网络的语音识别与自动检验研究

语音识别系统在语音识别中自我判定识别结果，并从错误中自动获取经验改正错误实现知识的自我完善具有重要意义。采用人工神经网络可以有效学习与更新知识，人工神经网络与语音识别结果自动检验方法结合实现一种新的有效学习与更新系统。在该系统中采用基于LEA判别法的梯度牛顿有效结合神经网络快速学习方法。该系统实现在语音识别实践中能够自学习并提高识别率，具有一定的智能。文中给出系统原理图和实验结果。     

基于深度学习的跨社交网络用户匹配方法

现有基于时空信息的跨社交网络用户匹配方案,存在着难以耦合时空信息、特征提取困难问题,导致匹配精度下降。该文提出一种基于深度学习的跨社交网络用户匹配方法(DLUMCN),首先对用户签到数据进行时空尺度的网格映射,生成包含用户特征的签到矩阵集合,对其归一化后构成用户签到图。然后采用卷积从签到图中生成高维度的时空特征图,利用深度可分离卷积对特征图权重变换和特征融合,对特征图1维展开获得特征向量。最后利用全连接前馈网络构建分类器并输出用户匹配评分。通过在两组真实社交网络的数据集上进行实验验证,实验结果表明,与现有相关算法相比,所提算法在匹配的准确率以及F1-值均得到提升,验证了所提算法的有效性。     

人工神经元网络的智能神经元模型

本文在仔细分析神经网络知识存储方式的基础上,指出了现有存储方式的严重不足;由大量具有简单处理能力的神经元组成的神经网络,虽然具有一定的智能处理能力,但由于每个神经元不具备复杂的处理能力,故必然导致由此构成的网络存在着诸如局部极小,收敛速度缓慢、推广能力差等缺点,尤其是难于用于实时处理系统,大大限制了神经网络的应用范围。为此,本文提出了一种新的智能型神经元模型并将它与常用的神经元模型进行了比较,后续     

利用参数稀疏性的卷积神经网络计算优化及其FPGA加速器设计

针对卷积神经网络(CNN)在嵌入式端的应用受实时性限制的问题,以及CNN卷积计算中存在较大程度的稀疏性的特性,该文提出一种基于FPGA的CNN加速器实现方法来提高计算速度。首先,挖掘出CNN卷积计算的稀疏性特点;其次,为了用好参数稀疏性,把CNN卷积计算转换为矩阵相乘;最后,提出基于FPGA的并行矩阵乘法器的实现方案。在Virtex-7 VC707 FPGA上的仿真结果表明,相比于传统的CNN加速器,该设计缩短了19%的计算时间。通过稀疏性来简化CNN计算过程的方式,不仅能在FPGA实现,也能迁移到其他嵌入式端。     

触觉神经网络阵列

提出了用人工神经网络压力传感器阵列实现机器人手触觉功能的方法。对所设计的神经单元电路运用计算机模拟分析，结果表明，神经单元的特性符合稳定性的要求。以１１×１１ 四突触神经网络阵列与六突触神经网络阵列为例，分析其稳定性、联想性、鲁棒性，对其触觉信号的输入进行灰度图像处理。从中可以直观地看出，触觉神经网络阵列比非神经网络阵列具有更明显的柔性和灵活性，更近似于人手的触觉。     

利用终点吸引子与正则化神经网络求解最小向量范数问题

本文结合终点吸引子与罚函数方法,构造了求解满足约束条件的最小向量范数问题的终点吸引子神经网络模型,所提出的方法克服了惩罚因子须取充分大的要求,使得网络易于收敛于稳定状态。利用正则化方法解决了求解向量范数极小化中的病态问题,从而得到了一个正则化神经网络。所有的网络均给出了电路结构图,我们的方法有利于ＶＬＳＩ实现及其实时求解。用具体例子进行了模拟实验,实验结果说明了方法的正确性与有效性。     

神经网络在高速电信网中的应用(Ⅰ)

介绍了神经网络的基本概念及两种基本类型的神经网络，重点论述了神经网络在电信网络中的主要应用。指出，神经网络可以像人类的神经中枢———大脑一样，在极其复杂、模糊、甚至对立矛盾的环境下，通过自组织和自学习，进行理解、联想和判断，进而得出最理想、最正确的处理结果。特别是在电信网中，神经网络可以通过它的自适应性，实现实时、快捷和智能化的管理，并解决电信网管理中诸多的难题。同时神经网络也会像电子计算机一样，应用到社会的各个领域。     

一种图象序列的神经网络宏块活动性分类算法

在视频编码中，图象序列宏块活动性的正确分类有着非常重要的意义。本文提出了一种神经网络的图象序列宏块活动性分类新算法。     

约束网络法在含有运算放大器网络中的应用

本文将新的约束网络分析法应用于含有运算放大器网络（如线性运算电路、有源校正装置、有源滤波器），显得简洁、方便、普遍适用。     

面向深度神经网络加速芯片的高效硬件优化策略

轻量级神经网络部署在低功耗平台上的解决方案可有效用于无人机(UAV)检测、自动驾驶等人工智能(AI)、物联网(IOT)领域,但在资源有限情况下,同时兼顾高精度和低延时来构建深度神经网络(DNN)加速器是非常有挑战性的。该文针对此问题提出一系列高效的硬件优化策略,包括构建可堆叠共享计算引擎(PE)以平衡不同卷积中数据重用和内存访问模式的不一致;提出了可调的循环次数和通道增强方法,有效扩展加速器与外部存储器之间的访问带宽,提高DNN浅层网络计算效率;优化了预加载工作流,从整体上提高了异构系统的并行度。经Xilinx Ultra96 V2板卡验证,该文的硬件优化策略有效地改进了iSmart3-SkyNet和SkrSkr-SkyNet类的DNN加速芯片设计。结果显示,优化后的加速器每秒处理78.576帧图像,每幅图像的功耗为0.068 J。     

随机petri网分析分组交换网中窗式流量控制机理

本文将随机Ｐｅｔｒｉ网与排队论相结合，对分组交换网中的窗式流量控制机理进行了描述与分析，建立了窗式流量控制机理的随机Ｐｅｔｒｉ网模型，并给出了随机Ｐｅｔｒｉ网模型的可达图及状态转移方程。为通信网的性能分析和评价提供了一种新的方法。     

手势语言识别的神经网络方法

提供了一种用于人机交互（HCI）的手势语言可视化识别方法。该方法包括用于几种控制命令的手势的探测、分割、特征提取及识别，第一步的处理都用到了神经网络方法，像肤色探测、主元分析（PCA）以及在编码识别。实验结果显示正确识别率高达94％。     

业务分离的一种神经网络方法

在分组交换网络中,源目节点对（ｓｏｕｒｃｅ－ｄｅｓｔｉｎａｔｉｏｎ ｐａｉｒ,下称ＳＤ对）之间的业务常常需要在多条路径上并行传输。本文研究如何将业务流有效地分布于一组路径上,以使网络具有最小的分组平均时延。由于这个问题在很多情况下需要实时处理,因此我们提出了一种神经网络方法来加以解决,在一个典型网络上的试验表明,我们的方法获得的结果优于前人用各种严格的数学分析方法得到的好的结果。     

神经网络在通信中的应用

神经元网络的应用研究是近年来的一个研究热点。研究表明,在诸如自适应信号处理、最佳接收、纠错编码、压缩编码、模式识别、通信网等通信领域中,神经元网络可望得到广泛的应用。本文综述了几种神经元网络在通信中的应用研究工作。