基于深度Q网络的水面无人艇路径规划算法

为实现水面无人艇(unmanned surface vessel, USV)在未知环境下的自主避障航行,提出一种基于深度Q网络的USV避障路径规划算法。该算法将深度学习应用到Q学习算法中,利用深度神经网络估计Q函数,有效解决传统Q学习算法在复杂水域环境的路径规划中容易产生维数灾难的问题。通过训练模型可有效地建立感知(输入)与决策(输出)之间的映射关系。依据此映射关系,USV在每个决策周期选择Q值最大的动作执行,从而能够成功避开障碍物并规划出最优路线。仿真结果表明,在迭代训练8 000次时,平均损失函数能够较好地收敛,这证明USV有效学习到了如何避开障碍物并规划出最优路线。该方法是一种不依赖模型的端到端路径规划算法。     

基于时序光谱重构的卷积神经网络遥感农作物分类

当前,基于时序特征提取的农作物遥感分类方法需要较多先验知识及人工干预,难以自动化,且易因忽略部分有效特征而导致精度降低。针对这些问题,提出基于时序光谱重构的卷积神经网络农作物分类法。为充分利用时间序列多光谱中丰富的作物物候与多光谱信息,对每个地面像元构造以时间维为纵轴、光谱维为横轴的时序光谱图,采用Adam梯度下降法与Dropout 40%连接率优化后的卷积神经网络对时序光谱图进行分类。对比实验结果表明,该方法可有效减少“椒盐”噪声的产生,且地块边界轮廓线清晰,总体分类精度达到95.12%,高于时间序列多光谱+随机森林（88.58%）、时间序列NDVI+随机森林（90.25%）、时间序列NDVI+卷积神经网络（91.79%）等对照实验组;对于“异物同谱”现象明显的春玉米与番茄,该方法的F₁-score分别达到95.9%与89.9%,相比各对照组均有较大幅度的提高。该研究结果可为遥感农作物的自动化精细制图提供参考。     

基于级联卷积网络的面部关键点定位算法

目前,人的面部关键点定位算法在限定环境下已达到很高的识别率,但在非限定环境下,仍易受到环境光线不均、测试角度范围广、检测目标姿态多样及遮挡模糊等因素的影响。提出一种级联卷积网络以提高关键点定位的精度与鲁棒性。在进行人脸检测时,该算法在Light-VGGNet的基础上提出一种DPM-CNN网络结构,引入五官可变形部件,将人脸检测与五官定位同时进行,提高人脸检测精度并降低人脸检测对面部关键点定位的影响。在进行内部关键点定位时,采用由粗到细的算法思想,将两层不同的网络级联实现对内外关键点的定位。利用FDDB数据集进行测试,无论在人脸检测,还是面部关键点定位上,所提出的卷积网络结构准确度和检测速度均高于其他算法,在非限定环境下表现出很好的鲁棒性。     

基于深度学习的t-f MRI脑状态解码

针对传统方法在解码大脑状态中由特征提取带来的可重复性差和耗时问题,采用基于3D卷积神经网络（3D-CNN）模型对任务态功能磁共振成像（t-fMRI）进行分类,从不同数据粒度分别采用梯度加权类激活映射（GradCAM）算法和导向梯度加权类激活映射（Guided Grad-CAM）算法探索分类结果与大脑不同脑区的功能相关性。采用4种不同t-f MRI数据验证算法的有效性,结果显示：3D-CNN分类模型准确度达97.8%,特征可视化能够准确映射到分类结果对应的功能脑区,且可有效解码大脑任务状态。     

基于时空图卷积网络改进的人体行为识别方法

针对目前利用时空图卷积网络ST-GCN行为识别模型进行人体行为识别准确性有待提高和如何更好地学习骨骼数据中关节点和骨架边所表达的动作特征等问题,改进现有的时空图卷积网络（ST-GCN）行为识别模型。首先,使用有向图来表示关节点和骨骼边的信息以及它们之间的依赖关系,提取相邻帧的关节位置差异作为运动信息;其次,使用双流框架分别学习运动信息和空间信息,进行融合提高识别性能;最后,使用注意力权重矩阵让图的拓扑结构具有自适应性,增大节点的感受野,使网络能够学习到远端关节之间的语义信息,更好的捕捉动作特征。将所提出的方法在NTURGB+D数据集上进行实验。研究结果表明,采用基于时空图卷积网络改进的人体行为识别方法在数据集上达到了96%的准确率,与现有ST-GCN模型相比,准确率提高了。此方法可进一步促进人体行为识别技术在智能家居、智能监控安防、人机交互、基于内容的视频检索、智慧城市发展等领域的广泛应用。     

基于卷积注意力和胶囊网络的SAR少样本目标识别方法

合成孔径雷达(SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。     

基于卷积神经网络的肺癌病理图像分类

确定肺癌类型对于病人后续治疗方案的选择至关重要,但肺癌诊断必须由专业病理医师在显微镜下观察活体组织切片确定,诊断过程耗时长,且病理医师之间很难取得较好的一致诊断。随着病理全切片扫描设备的普及,病理图像可在计算机上保存、观察、分析,使通过现代数字图像处理技术辅助诊断或提供决策支持成为可能。对于亿级像素的全切片病理图像（WSI）,通过在图像中提取小块、训练分类网络,并根据验证结果调整网络参数,可得到较好的分类准确率。测试时,聚合全图中小块分类结果得到最终类别。使用基于块的分类方法,卷积神经网络模型在WSI分类任务中取得了较好的效果,有望通过现代深度学习方法对肺癌提供辅助诊断及决策支持。     

基于多区域中心加权卷积特征的图像检索

针对图像特征局部信息描述不足问题,提出一种基于多区域中心加权深度卷积特征提取方法。首先通过卷积神经网络提取输入图像的卷积层激活特征图,然后通过计算不同通道特征图的差异,选择具有区分性的区域特征图,最后通过多区域权重进行加权聚合,生成用于检索图像特征向量。在不同的建筑物数据集进行实验,结果表明检索精度分别提升了1.2%、0.9%。     

多元尺度函数与多元小波的构造

利用卷积的定义及性质,构造出了一类多元尺度函数与小波,得到多元尺度函数与多元小波的构造公式,并给出了这类多元尺度函数的多分辨分析.     

基于特征匹配与 CNN 的浮动验证码识别研究

为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。