卷积积分运算方法探讨

分析了卷积的物理意义及基本原理,提出了卷积概念的引入方法及积分区间的确定方法,归纳了卷积的运算方法及特点。     

基于卷积神经网络人脸识别系统的安全性研究

针对传统神经网络中的对抗样本问题,以人脸识别为例,讨论了基于传统神经网络的人脸识别技术的潜在安全风险,以及在口罩对抗样本生成并提供防御的方法。主要研究如下：第一,所提出的解决人脸识别技术安全问题的方法,产生了具有模糊和无偏差面具的图像,人脸识别模型将具有模糊面具的脸误判为目标人物。实验结果表明,对抗样本在一定程度上模仿了被隐藏者戴口罩的情形,成功率为90.43%。第二,提出DeFense-EC保护方法来掩盖虚假图案,并使用图像重建技术来恢复虚假图案和抑制噪声。对不同数据集的测试证实了DeFense-EC重建的图像质量很高,其可靠性达到92.32%。讨论传统的基于神经网络的人脸识别方法中的不利选择问题,并研究不利面具选择的风险和DeFense-EC保护方法的有效性。卷积网络的日益普及使逆向选择问题成为一个重要的研究领域,对逆向选择的彻底调查将促进卷积网络的发展和使用。     

一种结合深度特征的人体运动序列追踪模型

目前主流的判别式目标跟踪模型大多使用灰度、颜色等手工特征,在目标快速移动或受到视频序列背景等因素干扰情况下,目标跟踪器可能在跟踪目标时学习到错误特征而导致跟踪失败。因此,提出一种结合深度特征的相关滤波跟踪算法。首先将待跟踪目标图像输入至卷积神经网络中,提取出较高层的卷积特征,然后将提取的卷积特征输入相关滤波器中得到响应,最后根据响应峰值得到追踪结果。以VOT2016中包含人体运动的视频序列为实验数据集,并分别与CN、SAMF及KPDCF模型进行对比。实验结果表明,结合深度特征的相关滤波算法具有较好的追踪性能,在不大幅降低追踪速度的情况下,提升了追踪精度和稳定性。     

面向摘要结构功能划分的模型性能比较研究

[目的/意义]摘要作为学术论文中能够简明扼要地说明研究目的、研究方法和最终结论的陈述部分,具有较高的探究价值和意义。[方法/过程]选取长短期记忆网络（Long Short-Term Memory）、支持向量机（Support Vector Machine）、LSTM-CRF和CNN-CRF 4种模型,对3 672篇情报学领域的期刊论文进行摘要划分识别研究。[结果/结论]长短期记忆网络模型识别F值最高为69.15%,LSTM-CRF神经网络模型最高F值为88.76%,RNN-CRF模型最高F值达到89.10%,支持向量机分类器分类宏观F值最高为72.04%。该实验结果对图书情报领域的学术论文结构功能划分实验模型选取有较高的参考价值。     

基于语谱图的老年人语音情感识别方法

针对老年人的语音情感识别问题,提出一种基于语谱图的老年人语音情感识别方法。首先采用一种改进的基于先验信噪比的维纳滤波算法,针对老人语音情感库EESDB进行语音增强,选取合适的语音情感库,对语音进行语谱图特征提取与规范化,然后分析卷积神经网络(CNN)的结构并选定Cifar10网络对语谱图进行分类,最后采用3种方案进行对比实验。实验结果取得了较高的情感识别率,表明了该方法的有效性和可行性。     

基于CAR-Siamese网络的高分辨率遥感图像建筑物变化检测

准确提取建筑物变化区域对城乡规划、地理国情监测、城市扩张分析有着重要意义。传统遥感变化检测方法难以适应遥感图像复杂场景下的变化检测任务的要求。近年来广泛应用于计算机视觉领域的深度学习变化检测算法相对于传统方法在效率和精度上有明显提升。然而遥感图像上建筑物特征丰富、变化多样,且建筑物变化样本获取难度大,导致现有深度学习模型在建筑物变化检测任务上精度受限。针对这一问题,提出变化注意力残差孪生网络(CAR-siamese net),增强不同尺度下图像信息的共享交流,充分学习建筑物的变化特征,同时,提出建筑物语义分割样本预训练策略,有效利用现有建筑物分割样本,最终提升了变化检测网络对建筑物变化的解译能力。以北京昌平区影像为底图制作建筑物变化检测数据集,在该数据集和Levir-CD公开数据集上的实验结果表明,该方法能有效提高建筑物变化检测精度。     

人工智能技术在移动终端自动化测试中的应用

移动终端自动化测试过程中会出现如下问题:坐标点击方案由于版本迭代频繁需要脚本不断适配;UI界面为图片时因元素属性无法识别不能进行UI控制操作;通过图像匹配的识别方法进行用户模拟操作时无法提取文字信息进行结果分析等.为解决这些问题,基于Python语言编程平台,使用卷积神经网络文字图像识别计算模型,通过不断调整输入属性参...     

基于改进的YOLOv3口罩佩戴检测算法研究

冠状病毒COVID-19的爆发引起全球健康危机,要求人们外出时佩戴口罩,因此基于深度学习的口罩佩戴检测技术也应运而生。本文提出一种高效的口罩佩戴检测算法,该算法基于YOLOv3检测框架,设计一种轻量化主干网络代替DarkNet53,该主干网络在浅层采用了一个快速降采样模块提高推理速度;为了进一步准确区分出人们是否正确佩戴口罩,在检测完成之后,使用分类网络进行口罩是否正确佩戴分类。经测试,该算法在CPU运行可达30桢/秒,比YOLOv3的CPV高5桢/秒,在目标检测中的指标（mAP）收集后的WIDER FACE、RMFD和CMFD可以达到94.4%,高于YOLOv3的93.2%。     

适用于智能工业监测的光学元件缺陷识别技术

为提高光学元件缺陷检测的效率和准确率,提出了一种基于偏振成像与卷积神经网络算法相结合的光学元件缺陷检测方法。通过分焦平面偏振相机与暗场成像方法相结合,降低高光现象对成像质量的影响,实现了结构紧凑、实时测量、成像质量高的光学元件成像光路;同时引入LeNet-5卷积神经网络进行光学元件缺陷识别,通过采用线性修正单元、多尺度卷积和卷积通道拓展等优化方法,减小网络过拟合、提高网络缺陷识别能力。经试验对比,改进型LeNet-5识别算法不需要对偏振图像进行预处理,对光学元件缺陷的识别准确率可达96.7%,并且运行速度和内存占用相比SqueezeNet网络模型存在明显优势。