基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用

小图像由于像素少、分辨率低、整幅图像包含信息较少,识别较为困难。目前优秀的深度卷积神经网络模型多为大图像而设计,而用于小图像的模型则存在着层次不够深、难以对特征进行充分抽象的不足。本文基于VGG19模型,依据卷积核分解的原理,设计了一种KDS-DCNN模型,模型深度达到31层,解决了目前超深度模型不能直接用于小图像识别的问题,实验表明该方法不但提升了识别性能,而且还降低了模型的时间复杂度。在CIFAR-10、CIFAR-100和SVHN三个数据集上的验证结果显示,KDS-DCNN模型性能优越,其识别错误率分别降低到29.46%、6.02%和2.17%。     

中心损失与Softmax损失联合监督下的人脸识别

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力。在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离。其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率。最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31%的人脸识别精度。     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

视觉概念学习方法研究进展

计算机视觉的核心问题是寻找视觉概念的层次化与结构化表示.以深度学习为代表的连接主义方法能够学习到输入图像数据的分层表示,这个表示具有优异的类内不变性与类间区分性,带来了视觉目标分类问题的突破式进展.而以图像随机语法模型为代表的逻辑主义方法试图基于先验知识和输入图像数据得到视觉概念的层次化与结构化表示,进而实现像人类一样的概念迁移学习,从更一般的意义上解释视觉现象.综述了两类方法各自的一些代表性工作,分析了其主要思路与各自的优缺点.分析认为,两类方法具有明显的互补性,在概率图模型框架下将两类方法综合是未来视觉概念学习的一个重要发展方向.     

基于流形正则的堆叠胶囊自编码器优化算法

针对堆叠胶囊自编码器存在检测性能慢、不能更好挖掘图像局部特征的问题，本文提出基于流形正则的堆叠胶囊自编码器优化算法。采用Scharr滤波器对堆叠胶囊自编码器模型中的图像进行重建，加强图像目标检测的精度，并在损失函数中引入流形正则项，从而加强对原始数据空间局部特征的提取，最终使用基于流形正则的堆叠胶囊自编码器学习参数，选择出更加具有区别性的特征。在MNIST和Fashion MNIST数据集上的实验结果显示，该优化算法相比于原网络结构，图像分类准确率分别提高了0.26和9.23个百分点，且模型训练速度也得到较大提高。     

深度人脸伪造与检测技术综述

由于现有深度人脸伪造软件通常是开源的或者被封装为APP免费分发，导致了虚假视频的泛滥。因此开展针对深度人脸伪造检测技术的研究就显得尤为重要。目前，深度人脸伪造及检测技术正处在快速发展时期，各种相应的算法也在不断更新迭代。本文首先介绍了深度人脸伪造和其检测技术的代表性算法并给出简要分析，其中深度人脸伪造技术包括身份替换、面部重演、属性编辑、人脸生成等，检测技术包括图像级伪造检测技术和视频级伪造检测技术。然后归纳总结了常用的深度人脸伪造与检测数据集及不同算法的评估结果，最后讨论了伪造技术及其检测技术目前面临的主要问题及发展方向。     

向东看得更远:印度全球外交走进南太平洋

<正>随着经济全球化的深度发展,区域与区域之间融合与联系也愈加深入和频繁,"印度洋—太平洋地区"(以下简称"印—太地区")这一词语也开始被经常用来描述新涌现出的其中一种地缘政治现象。曾经被视为亚太边缘地区国家的印度如今不仅正在向着西太平洋核心区域挺进,而且也开始把触角伸到更远的南太平洋地区。莫迪旋风:交朋友、谈合作、投资金冷战结束之后,为了适应新的国际形势,印度雄心勃勃地提出"向东看"的外交战略方针,其主要原因就是印度看到了亚太经济蓬勃发展给地区各     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽，提出了一种改进的Yolov4算法．首先，针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题，自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后，为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率，设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征，加强待检测目标的特征纹理，使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤，加强或抑制特征图上的每一像素点，使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛，使用解耦合的检测头替换原Yolov4中的耦合检测头，使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力，提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明，该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽，准确率达到了95.1%．相比于原Yolov4模型，该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.