卷积网络

摘要： 语义分割是深度学习计算机视觉方面的核心领域,有着很深的研究价值。语义分割技术的发展在近几年趋于成熟,从传统的方法到基于卷积神经网络方法的突破,构建了端到端的语义分割深度学习神经网络算法。这些方法被用于人工智能当中,应用在无人驾驶,遥感影像检测,医疗影像研究等方面。基于对经典语义分割算法进行学习,每个经典算法都有自己的特点,值得在此一一总结阐述。文章将针对语义分割的发展,优秀算法的网络架构特色,应用的场景进行介绍,最后将对语义分割算法作小结和展望。

摘要： 传统CNN对重要通道特征关注不足,制约面部表情识别准确率。文章将通道注意力机制应用到面部表情识别中,即将通道注意力模块嵌入到卷积网络中。在Fer2013和CK+表情数据集上的验证结果表明,该方法有较高的识别率。

摘要： 伪装检测作为一个新兴研究方向,其目标是将隐藏在图像背景中的目标对象快速准确地检测出来,可应用于物种保护和军事监测等领域,具有较高的应用价值。介绍伪装目标检测的基本概念,并按照伪装检测算法所采用的关键技术进行分类,具体从传统的伪装检测方法和基于深度学习的伪装检测方法两大类进行论述,详细地分析相关方法的原理和技术细节。并且,介绍伪装目标检测与分割相关数据集和性能评价指标,并对代表性算法进行实验对比和性能分析,得出基于深度学习的伪装检测方法效果更好。

摘要： 随着信息技术不断发展,大数据时代已来临,有效利用多源信息,提高推荐算法的准确性具有重要意义。基于多源辅助信息的推荐算法,在物品端使用知识图谱卷积网络捕获项目的高阶信息和语义信息,在用户端将用户特征信息进行两两组合来获得用户属性的向量表示。把这些信息与用户实体结合起来可获得用户的向量表示。再把用户向量和物品向量代入得分函数,计算用户点击物品的可能性大小。算法应用在真实数据集上获得了更高的算法准确度。

摘要： 结肠癌的鉴别在医学诊断中具有重要意义.实时、客观、准确的检查结果有利于医疗人员及时对症治疗.然而,现有的方法严重依赖专业医师对病理图像进行手工特征提取和分析,不仅检测周期较长,检测结果会存在不同程度的误差.据此,本文提出了一种基于注意力机制的卷积神经网络识别结肠癌的组织病理学图像.该网络采用轻量化的卷积网络结构,并嵌入注意力机制后,对结肠腺癌上皮(TUM)和正常结肠黏膜(NORM)的识别精度与F-1分值分别达到97%和0.9718.假阴性率和假阳性率分别降低到2.3%和3.3%.该网络的优越性能为实时、客观和准确诊断癌症提供了全新的视角.

摘要： 目的 实现可穿戴式心电信号的R峰检测,为准确估计心率、心率变异性等生理参数提供基础。方法 采用全卷积网络预测R峰热图,对热图进行峰值定位获得R峰位置。引入心拍感知模块,联合心拍数量预测任务和R峰热图预测任务进行学习,提高卷积网络对全局上下文信息的提取能力。心拍感知模块预测的心拍数量还可估计R-R间期,用作峰值定位的峰间最小水平距离。为满足移动端的实时应用,采用深度可分离卷积减小模型的参数量和计算量。结果 实验仅使用可穿戴式心电数据训练模型。测试中定位误差容忍度设置为150 ms时,本文方法在可穿戴式心电数据集和公开数据集LUDB上的R峰检测灵敏度均高达100%,真阳率均超过99.9%;对于时长10 s的ECG信号,R峰检测CPU耗时约为23.2 ms。结论 本文方法对可穿戴式和常规心电信号的R峰检测均可达到良好效果,且满足R峰检测的实时性需求。

摘要： 针对电解铝电解槽维护管理的现场数据交互难题,提出了一种基于混合现实的电解槽设备辅助管理系统。采用卷积神经网络模型识别电解槽号,以电解槽号为纽带获取电解槽后台海量生产数据,应用HoloLens2混合现实平台实现虚拟数据与电解槽实体融合,基于后台历史数据的可视化辅助员工设备管理及数据决策。该实现方法可以为相同应用场景提供参考。

摘要： 忆阻器阵列有望满足边缘智能对功耗、存储密度、计算时间等的要求,但在目前忆阻器阵列资源有限的前提下,很难部署网络模型.由于采用双忆阻器映射参数的方式,映射压缩后的神经网络模型仍需要大量硬件资源.混合映射同时使用单忆阻器和双忆阻器两种映射方式部署卷积网络,可以减少资源消耗,但人为设定混合映射部署方案具有偶然性,映射后的网络模型准确率不可控.针对以上问题,提出了一种基于资源约束的粒子群算法区分卷积网络参数重要性,并对混合映射部署进行优化.为提高网络准确率,以忆阻器阵列同行字线映射的参数作为搜索细粒度;为保证解的合理性,同时采用网络准确率和忆阻器数量作为适应度值;为加快搜索速度,在计算适应度值前加了一个混合比例约束.此外,与其他优化算法性能进行了对比,并讨论了算法搜索复杂度.实验表明,对于4值忆阻器,优化后部署方案的准确率可比人为设定部署方案高出33%.这项工作有望为边缘智能提供一种友好可行的非冯诺依曼硬件解决方案.

摘要： 为了提高指纹识别算法的准确率,文中提出一种基于改进的残差网络的指纹识别算法。该算法首先对指纹图像进行预处理,包括裁剪、旋转等操作,旨在增强数据的多样性;然后设计深度卷积网络,此网络是由多个改进的残差单元连接组成,专为指纹识别而设计,用于提取指纹图像的特征;最后针对深度卷积网络,采用交叉熵作为损失函数,利用Adam算法进行优化。实验结果表明:文中算法的识别准确率达到98.79%,识别时间约为60 ms,模型大小约4.29 MB;与AlexNet及VGG相比,该算法准确率更高,模型更小,在减少处理时间的同时不会过度拟合,可显著提高指纹识别的性能。

摘要： 针对低质量人脸图像阻碍识别系统性能提升的问题,本文提出了一种无参考的人脸图像质量评价方法,并使用该方法评估了不同类型的图像退化对人脸图像质量的影响程度.该方法使用一种集群卷积网络结构,模拟人脸图像退化过程中的特征偏移,根据特征偏移量和图像信息量之间的相关性,完成人脸图像质量分数计算.使用遗传算法对构成集群网络的网络单元进行筛选,可使用更小网络规模实现同等性能.以质量评价算法为工具进行实验,研究评估了不同图像退化类型对人脸识别的影响,为指导今后人脸质量相关研究得出了有益结论.在主流人脸数据集上进行的实验证明,通过筛选数据库中低质量分数的人脸图像,可以进一步提升现有人脸识别系统的性能,且识别率提升表现出良好稳定性.该方法复杂度低,无需训练,与FaceQNet等最新方法相比,在FNMR和EER指标上显示出明显优势.

摘要： 针对高光谱复杂数据,提出了一种基于稀疏约束的深度卷积网络以处理高光谱图像中高维复杂像元特征提取与分类的方法.在卷积网络中引入无监督的稀疏特征学习有利于光谱数据特征的获得,从而有助于深度卷积网络能够更有效地提取出光谱数据中的特征信息.在实验中,该方法被应用在两个高光谱数据集中,通过所提取得特征信息,均获得了良好的分类效果.

摘要： 本发明公开了一种图卷积网络系统和基于图卷积网络系统的3D物体检测方法。所述系统包括：形状语义提取模块，用于建模图像的点云特征中点的几何位置；多层感知器，与形状语义提取模块连接，用于利用多层图卷积神经网络提取多级语义特征，并使用注意力机制来过滤多级语义特征；提案生成器，与多层感知器连接，用于汇总多级语义特征，加权生成初级提案；提案推理模块，与提案生成器连接，用于利用全局语义特征和初级提案预测图像中物体的3D边界框和语义类别。本发明有效增益整个图卷积网络系统的检测性能，提高了3D物体检测的精度，使得深度网络的可解释性更强。

摘要： 本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。

摘要： 本发明公开一种卷积网络运算单元及可重构卷积神经网络处理器和实现图像去噪处理的方法；本发明所公开的可重构卷积神经网络处理器，包括总线接口、前处理单元、可重构硬件控制器、SRAM、SRAM控制模块、输入缓存模块、输出缓存模块、存储器、数据存储器控制器和卷积网络运算单元；其资源少、速度快、能适用于常用的卷积神经网络架构。本发明能够实现卷积神经网络，处理速度快，易于移植，资源消耗少，能够恢复被雨滴、灰尘污染的图像或者视频，还能作为前处理操作为后续的图像识别或者分类提供帮助。

摘要： 本发明公开了一种基于图卷积与轨迹卷积网络学习的目标跟踪方法，涉及计算机视觉，目标跟踪技术领域。该网络主要由双流特征提取层、目标候选轨迹提取层、目标定位层构成。网络将输出每一个目标候选轨迹的置信度，选取最大置信度的目标候选轨迹作为目标运动轨迹，再取目标运动轨迹的最后一帧的目标块为目标图像块，网络训练完成后则具备初始的目标定位能力。跟踪过程中，提取连续的16帧图像的目标的空间特征和目标运动轨迹特征，并联结成为双流特征，再经过LSTM结构获取遵循目标运动规律的目标候选轨迹，并且在特征提取方式上，能够针对目标更具判别部位分配更大的权重进行跟踪。

摘要： 本公开提供了基于时序卷积网络与图卷积网络的疾病病例数预测方法及系统，利用各个地区之间的人员移动性数据来生成地区关系图，并将病例数据和移动性数据共同作为图节点的特征；对于每个时刻的图序列，在每个时间步长上使用多个GCN模块处理空间信息，对每个时刻所有节点的邻域信息进行聚合处理来获得空间表示；将得到的这些特征输入TCN模块中，对节点的时间序列特征进行处理；将通过TCN模块得到的特征表示与初始特征共同输入到输出层，得到预测结果。

摘要： 本发明公开了一种图卷积网络系统和基于图卷积网络系统的3D物体检测方法。所述系统包括：形状语义提取模块，用于建模图像的点云特征中点的几何位置；多层感知器，与形状语义提取模块连接，用于利用多层图卷积神经网络提取多级语义特征，并使用注意力机制来过滤多级语义特征；提案生成器，与多层感知器连接，用于汇总多级语义特征，加权生成初级提案；提案推理模块，与提案生成器连接，用于利用全局语义特征和初级提案预测图像中物体的3D边界框和语义类别。本发明有效增益整个图卷积网络系统的检测性能，提高了3D物体检测的精度，使得深度网络的可解释性更强。

摘要： 本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。

摘要： 本发明公开了一种耦合卷积神经网络和图卷积网络的遥感影像场景分类方法，首先在利用遥感影像场景数据集训练卷积神经网络后，将卷积神经网络作为特征提取器提取遥感影像的深层卷积层特征输出；接着利用超像素分割算法将遥感影像分割为互不重叠的区域，以区域作为节点构建区域邻接图，分别结合卷积层输出和区域间相邻关系构造出图数据的特征矩阵和邻接矩阵；最后把特征矩阵、邻接矩阵以及对应的影像标签作为数据集输入到图卷积网络进行训练，利用训练好的网络可进行影像场景的标签预测。本发明可以有效提高遥感影像场景分类精度，并可广泛用于单标签和多标签的遥感影像场景分类情况。

摘要： 本发明公开一种卷积网络运算单元及可重构卷积神经网络处理器和实现图像去噪处理的方法；本发明所公开的可重构卷积神经网络处理器，包括总线接口、前处理单元、可重构硬件控制器、SRAM、SRAM控制模块、输入缓存模块、输出缓存模块、存储器、数据存储器控制器和卷积网络运算单元；其资源少、速度快、能适用于常用的卷积神经网络架构。本发明能够实现卷积神经网络，处理速度快，易于移植，资源消耗少，能够恢复被雨滴、灰尘污染的图像或者视频，还能作为前处理操作为后续的图像识别或者分类提供帮助。

摘要： 本发明属于智能交通技术领域，具体涉及一种基于动态图卷积和时序卷积网络的交通流预测方法，该方法包括：获取路口节点中待预测的交通流数据，并对待预测的交通流数据进行预处理；将预处理后的交通流数据输入到训练好的交通流预测模型中，得到该路口节点交通流预测结果；根据交通流预测结果对该路口进行交通管制；本方法能更加完整提取交通流数据的时空特征，提高交通流预测的准确性，同时采用时序图卷积，解决了模型梯度不稳定、动态变化响应慢等问题，这对缓解城市交通拥堵，提高行使效率具有重要意义。