基于深度学习的人体行为识别网络设计

基于深度学习的人体行为识别技术是计算机视觉领域的重要的研究方向,是智能视频监控、虚拟现实、视频检索等领域的关键技术,有重要的研究价值。本文主要针对视频中的人体行为进行识别,围绕人体行为识别网络展开研究。针对目前人体行为识别相较于图像识别的特殊性,提出基于3D卷积神经网络的特征提取与训练方法,通过采用3D卷积层搭建DenseNet,从而提高网络中的特征利用率,提升神经网络的识别率。最后实验结果证明了本文所采用的方法在提高人体行为识别的识别率上的有效性。     

嫩江流域径流量多时间尺度特征分析

目前在全球气候变化与人类活动的双重影响下,陆地水文循环发生了深刻的变化,近50年来,嫩江流域径流过程发生了巨大变化,加剧了水资源的短缺和时空变异性,并带来一系列突出的水与生态环境问题.本文根据嫩江、石灰窑、同盟、江桥、大赉水文站1956年～2006年51a的径流资料,采用Morlet小波对嫩江流域径流序列进行了多时间尺度研究,结果表明:流域径流演变过程存在明显的多时间尺度特征,具有8a、20a、45a多尺度的周期变化规律,且以45a尺度的年代周期信号最强,表明45a尺度的年代周期变化最为明显;嫩江、江桥气象站的降水周期与上述径流资料基本一致,说明降水的变化是流域径流演变过程的重要自然控制因素.     

基于深度学习的情感识别研究进展

<正>随着人机自然交互、智能机器人等领域的研究发展需要,机器人与人之间进行简单的对话沟通已难以满足当下要求,而机器人具有一定的认知和理解能力,能够理解人类的情感则成为当下研究的新方向,因此情感识别已成为智能机器人领域的一个重要研究方向。目前基于语音、面部表情、生理信号等单一信号的情感识别已经取得一定的进展。但是实际上,只有综合人的语音、面部表情、肢体动作等多种行为特征才能更加准确地理解人类的意图和情感状态。     

基于深度学习的车辆识别系统设计

本设计针对无人驾驶中目标识别问题,设计了一种基于深度学习的车辆识别系统。该系统一共包括三大模块,分别是图像采集模块、图像预处理模块和图像识别模块。其中图像采集模块以两百万像素的工业摄像头为核心对图像进行采集。图像预处理模块包括图像增强、图像去噪、模糊图像复原。图像识别模块以深度学习为核心对车辆进行识别。通过相关算法对质量下降的图片进行有效处理提高图片质量,本文构建的基于深度神经网络的模型可以对图像中的车辆进行有效识别,具有一定的实际价值。     

电子商务中基于深度学习的虚假交易识别研究

为了解决电子商务平台中存在的虚假交易问题,本文依据商品的销售记录以及商家的基本信息,提出了一种结合深度置信网络和多层感知器的虚假交易识别方法,通过识别出以通过刷单增加销量的商品来识别虚假交易。首先利用深度置信网络对交易特征进行学习,得到更高层次的抽象特征;然后利用多层感知器进行分类任务,从而识别出虚假交易。从淘宝中爬取商品的交易记录和评论数据进行实验验证,与其他机器学习模型的实验结果进行对比,其性能有明显的提升。     

基于深度学习模型的花卉种类识别

提出了一种新的带有多个隐层的深度卷积神经网络,用于非刚性物体的识别。以花卉识别为例子向导,通过分析本文提出的深度神经网络架构、卷积和池化方法以及反向传播误差等主要方法,构造出了一个全新的深度卷积识别模型。通过针对Image Net数据库中的80类花卉图像做训练和识别,在实验过程中与传统神经网络和支持向量机做比较,结果表明本文提出的算法能够提升花卉识别10%以上的识别率,提升效果明显。     

基于深度学习的面部表情识别分析

在"互联网+"技术的发展推动下,人脸识别技术也逐渐趋于成熟,但是面部表情识别技术作为难点技术,尚未被有效攻克,如果将面部表情识别技术与物联网技术相结合,则会赋予计算机以人类的感情,有利于物联网时代的开启。本文通过对面部表情识别方法进行分析,希望对促进面部表情识别技术的发展有所帮助。     

基于多模态深度学习的旅游评论反讽识别研究

[目的/意义]反讽作为一种隐性而间接的情感表达方式,在社交评论中被广泛使用,正确识别用户的反讽情感对于网络平台和服务商具有重要意义。[方法/过程]文章基于深度学习构建多模态反讽识别模型,以在线旅游评论为例,运用深度学习模型分别提取文本、表情符号和图片的特征向量,通过不同的特征融合方式进行反讽识别。[结果/结论]通过与单模态反讽识别模型进行对比实验,发现文章提出的多模态旅游评论反讽识别模型在准确率、召回率等指标上的结果更优,验证了多模态模型比单模态模型反讽识别效果更佳的结论。     

基于混合深度学习的藏医古籍命名实体识别研究

[目的/意义]针对藏医古籍知识组织与开发不足的问题,利用混合深度学习方法构建面向藏医古籍的命名实体识别模型,为藏医古籍知识的深度开发与利用提供方法支持。[方法/过程]根据藏医古籍知识特点,构建ALBERT-BiLSTM-CRF模型。以《四部医典》为数据集,在人工标注与文本预处理的基础上,进行命名实体识别实验,并将实验结果与其他3种常见模型进行对比分析。[结果/结论]ALBERT-BiLSTM-CRF模型对藏医古籍实体识别效果最好,F1-score达到96.28%,与其他方法相比提升约7个百分点。     

基于深度学习的学术文本段落结构功能识别研究

【目的/意义】在学术大数据的应用背景下,对学术文本更加细粒度、语义化的分析挖掘日益迫切,学术文本结构功能识别成为科研领域的一个研究热点。【方法/过程】本文从段落的层次来识别章节结构功能,提出利用结合卷积神经网络和循环神经网络的特征对学术文本段落进行表达,然后进行分类。【结果/结论】文本提出的深度学习方法在整体分类结果上优于传统的机器学习方法,同时极大的减少了传统特征工程的人力需求。     

一种基于深度学习的手语词识别算法

手语在聋哑人与外界的沟通中扮演着极为重要的角色,承担着信息传递和情感交流的职能.手语识别研究旨在通过计算机视觉技术,将聋哑人所用的手语转换成文本或语音的形式,降低聋哑人与外界交流沟通的难度.本文对手语词识别算法进行研究,采用深度学习的卷积神经网络CNN模型和YOLOv5模型对数字手势和简单的手语词进行识别.本系统实现了...     

基于深度学习的海面风力等级机器视觉识别

海面风力对涉海土木工程结构物的建造和使用过程中有很大的影响,不仅可以作用于结构物上部直接形成风荷载,而且可以直接作用于水环境形成水流荷载和波浪荷载。由此可见,海风对涉海结构物的安全性、使用性和耐久性都起到了很大的影响。本文对海面风力等级观测提出了新的算法,将机器学习的方法引入到工程领域海面风力等级的测量中,实现了机器对海面风力等级的视觉识别。     

基于合作意愿的知识团队间学习行为模拟研究

知识型团队间合作学习过程表现出不同的知识学习行为。基于Lotka-Volterra模型,研究在两个团队合作过程中,团队间知识学习存在知识捕食行为、知识合作行为时,合作的团队知识水平的变化规律。     

基于深度学习的图像识别研究

图像识别技术是人工智能的一个重要领域,传统的图像识别方法需要人工设计特征,而深度学习属于神经网络结构,它能够从大数据中自动学习特征,极大的提高了识别准确率以及效率。因此本文着重研究了基于深度学习的图像识别方法,并探讨了卷积神经网络以及深度信念网络的基本模型和原理。     

基于深度学习模型的菊花古典诗词命名实体识别

[目的/意义]菊花古典诗词的命名实体识别有助于深度挖掘菊花诗词文本之间的关联,传承菊花文化,助力菊花产业及乡村文化旅游,同时也为其他花卉诗词的文本深度挖掘提供了思路。[方法/过程]文章通过网络、论文和书籍进行菊花古典诗词数据的采集,重点选择诗词中涉及的时间、地点、季节、花名、花色、人物和节日7类命名实体进行标注和识别,得到BiLSTM、BiLSTM-CRF和BERT模型不同识别结果,并与CRF模型识别结果进行对比。[结果/结论]BERT模型在菊花古诗词文本的命名实体识别中表现优异,实体识别的调和平均数高于其他模型,最优调和平均数达到91.60%。BERT模型可用于菊花古诗词文本的深层次挖掘研究,并可向更多的花卉诗词扩展,古诗词文本的命名实体标注体系可以为后续研究提供借鉴。     

基于深度学习的情感分类研究

互联网上的信息蕴含着海量带有情感的数据,充分地对其进行分类可以更好的了解网民的观点和社会舆情。情感分类是自然语言处理(NLP)的重要问题之一,旨在解决情感极性的自动识别与分类问题。近年来随着深度学习的迅速发展,深度学习在海量文本数据的智能理解上表现出独特的优势,得到了越来越多研究者的青睐。本文首先讨论几类有代表性的深度学习模型,利用几类典型的深度学习模型引出多种基于深度学习的情感分类方案。     

基于深度学习的宽阔室内场景行人识别与定位方法

当前对室内定位技术的研究主要是采用三边定位法或位置指纹法来实现.而三边定位法受信号多径效应影响,定位精度及系统稳定性受测距误差影响较大;另外,位置指纹法,其定位精度则取决于指纹数据库的样本质量 ,采样数据随时间和环境变化而动态变化.因此,Xu等人提出了通过计算机视觉技术辅助室内定位,但受限于场景或仪器,在开阔室内场景中...     

基于深度学习的细粒度命名实体识别研究——以番茄病虫害为例

【 目的/意义】开展面向领域的细粒度命名实体识别研究对于提升文本挖掘精度具有重要的意义,本文以番 茄病虫害命名实体为例,探索采用深度学习技术实现面向领域的细粒度命名实体识别研究方法。【目的/意义】文章 以电子书、论文、网页作为数据源,选择品种、病虫害、症状、时间、部位、防治药剂六类实体进行标注,利用BERT和 CBOW 预训练字向量分别输入 BiLSTM-CRF 模型训练,并在识别后补充规则控制实体的边界。【结果/结论】 BERT预训练的字向量和BiLSTM-CRF结合,在补充规则控制后F值达到了81.03%,优于其它模型,在番茄病虫害 领域的实体识别中具有较好的效果。【创新/局限】BERT预训练的字向量可以有效降低番茄病虫害领域实体因分 词错误带来的影响,针对不同实体的特点,补充规则可以有效控制实体边界,提高识别准确率。但本文的规则补充 仅在测试阶段,并没有加入训练过程,整体的准确率还有待提高。     

基于专利的技术机会识别：深度学习领域的案例分析

为及时有效地识别潜在技术机会,采用文本挖掘和异常值检测的方法,提出一种基于专利文本的技术机会识别方法.首先采用文本表示模型Doc2vec技术对专利摘要进行建模,以更深层表征文本语义信息;然后利用基于密度的离群值检测算法,识别出具有潜在技术机会的专利方向;最后以深度学习领域潜在技术识别为例,构建专利检索式并收集458条专利文献作为数据集.实证结果总结出4类主题共10个潜在的技术机会,验证了该基于专利的技术机会识别方法的有效性,可为企业相应技术应用、研发和创新提供参考.