基于连续卷积神经网络的3D脑电图情绪识别

作为人类大脑神经活动的重要指标,脑电(EEG)信号能更深层次地反映人的情绪状况,但当前大多数深度学习模型通过EEG识别情绪不够精确。本文提出基于连续卷积神经网络的3D脑电图情绪识别模型,采用提取DE和PSD特征时得到的等价矩阵所构造的三维脑电图立方体作为输入,舍弃卷积神经网络中的池化层。在DEAP数据集上进行实验,Arousal准确率为95.77%,Valence准确率为93.52%,表明该方法非常适用于情绪识别,能给后续相关研究提供参考。

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.

一种连续卷积与时空正则项的相关滤波目标跟踪算法

针对STRCF算法在目标被遮挡及快速旋转时定位不准确的问题,提出了一种连续卷积与时空正则项的相关滤波算法。该算法利用插值算子将响应函数在一定周期内转换为连续函数,提高了目标定位精度;加入时空正则项构建相关滤波模型,保证模型与上一帧模型相似,提高算法鲁棒性;采用快速多尺度滤波对尺度进行更新,提高运算效率。实验结果表明,所提算法的平均重叠率可达73%,中心位置误差低于8.2个像素,可以实现对目标实时和鲁棒性跟踪。

神经网络视角下连续特征分析的自适应模型构建研究

针对神经网络视角下进行连续特征分析时精确度不高、分析效率低下的问题,文章提出一种以连续卷积进行特征分析的神经网络自适应模型。模型设计中,通过将卷积核的尺寸进一步缩小,以提高局部特征的提取能力;同时通过连续的卷积层提高对于非线性数据的数据表达。在手写数字、表情识别以及彩色图像等不同数据集上的实验结果表明,在处理图像识别任务时,改进的自适应模型面对连续特征以及非线性特征均能够做到准确快速识别,相比其他传统算法优势明显。

结合连续卷积算子的自适应加权目标跟踪算法

目的在视觉跟踪领域中,特征的高效表达是鲁棒跟踪的关键,观察到在相关滤波跟踪中,不同卷积层表达了目标的不同方面特征,提出了一种结合连续卷积算子的自适应加权目标跟踪算法。方法针对目标定位不准确的问题,提出连续卷积算子方法,将离散的位置估计转换成连续位置估计,使得位置定位更加准确;利用不同卷积层的特征表达,提高跟踪效果。首先利用深度卷积网络结构提取多层卷积特征,通过计算相关卷积响应大小,决定在下一帧特征融合时各层特征所占的权重,凸显优势特征,然后使用从不同层训练得到的相关滤波器与提取得到的特征进行相关运算,得到最终的响应图,响应图中最大值所在的位置便是目标所在的位置和尺度。结果与目前较流行的3种目标跟踪算法在目标跟踪基准数据库(OTB-2013)中的50组视频序列进行测试,本文算法平均跟踪成功率达到85.4%。结论本文算法在光照变化、尺度变化、背景杂波、目标旋转、遮挡和复杂环境下的跟踪具有较高的鲁棒性。

基于连续非对称卷积结构的手写体数字识别

为了提高手写体数字识别的准确率,设计并提出了一种基于连续非对称卷积结构的手写体数字识别的深度学习算法.以连续非对称卷积结构为基础,结合极限学习机和MSRA初始化设计网络结构.在识别输入图像时,利用CUDA并行计算与Cudnn神经网络GPU加速库对手写体数字识别进行加速.在MNIST手写体数字数据库上进行实验,提出的网络结构识别准确率达到99.62%,单张图像识别速度为0.005 8 s.经实验结果对比表明,该网络结构在识别准确率和识别速度上得到有效提升.

连续域卷积操作跟踪算法的改善

针对连续域卷积操作跟踪算法中存在的计算复杂问题和过拟合问题,提出一种降维卷积因式分解方法和一个紧凑衍生模型。本文选取连续域卷积操作跟踪算法中的部分特征通道、因式分解卷积算子,并结合高斯-牛顿法和共轭梯度迭代求取降维矩阵和分类器,以达到降低系统的计算复杂程度的目的。选取服从高斯分布的若干样本,结合联和概率密度函数及混合高斯分布模型,构建一个更具代表性的紧凑衍生模型,既能降低过拟合出现的风险又能保证样本的多样性。通过降低模型更新频率,减少计算复杂度,同时降低模型漂移发生的概率。经实验验证,本文基于四类标准数据集获得的跟踪性能曲线积分比连续域卷积操作跟踪算法最少高出0.8%,最多高出13%。结果表明,降维卷积因式分解法和紧凑衍生模型可以有效地提升系统跟踪性能。

基于三维点云的卷积运算综述

随着深度相机、激光雷达等3D扫描设备的普及,用点云表示3D数据的方法越来越流行,对点云数据的分析与处理也引起了视觉研究领域的极大兴趣.一般来说,由于分布在3D几何空间中的点云是无序的,可以形成特定的结构,因此学习到的特征表示应该具备排列不变性、旋转和平移不变性、形状区分性.近年来,越来越多的研究人员基于点云的这些特性采用深度学习这一人工智能领域中的主流技术来处理分析点云数据.其中,卷积神经网络使用的卷积运算具备权重共享、局部聚合和变换不变等优点,减少了训练参数的个数,并具有较强的鲁棒性,可以有效地降低网络复杂度并提升网络性能,因此在各种2D视觉问题(如图像、视频)上的研究及应用已经相对成熟,这也引起了研究人员的高度关注并尝试将其引入到点云处理任务中.但传统的标准卷积运算往往无法直接作用于点云这种不规则数据上,一些研究人员进而对卷积运算及其卷积算子展开了深入的探索,并提出了多种卷积策略和网络以提高计算效率和算法性能.为了促进之后的研究,首先对现有点云研究中所使用的卷积方法进行了概述,包括基于投影的方法、基于体素的方法、基于晶格的方法、基于图的方法和基于点的方法.之后着重针对直接处理3D点云的卷积算子和网络的最新进展进行了全面的综述,主要分为离散卷积和连续卷积,此外还对使用不同卷积算子的网络在处理点云的分类和分割等任务上的性能进行了全面地分析与对比.最后针对现存的问题与面临的挑战进行了进一步分析,并探索了未来可能的研究方向,希望为点云未来更深入的研究提供新思路.

多特征融合的无人艇视觉小目标鲁棒跟踪

[目的]针对低特征分辨率、相似环境信息引起的无人艇视觉小目标跟踪混淆问题,提出一种多特征融合的连续卷积算子跟踪算法。[方法]首先,采用双三次插值技术,提高多特征图分辨率,实现亚像素级定位;其次,利用特征投影和生成样本空间,提高目标跟踪的效率,避免滤波器过拟合;最后,设计高置信度模型更新策略,解决相似环境信息对滤波器的干扰问题。[结果]结果表明:相较于传统的连续卷积算子跟踪算法,平均成功率提升17.4%,平均距离精度指标提升17.8%,期望平均覆盖率提升5.1%。[结论]该算法法能够处理海洋环境下的小目标跟踪混淆问题,为提升无人艇及海洋机器人的智能感知能力,提供关键技术支撑。

基于卷积神经网络的人脸表情识别

由于人脸表情之间的差别很细微,为了提高卷积神经网络对人脸表情特征提取能力及其识别精度,把连续卷积引入到卷积神经网络模型中,改进后的模型采用小尺度的卷积核可以使得提取到的人脸表情特征更精密,两个连续的卷积层使模型的非线性表达能力得到增强。提出网络权值优化操作,构建SOM网络进行预学习,将最优学习结果的神经元用于初始化连续卷积神经网络,实验结果表明优化后的卷积神经网络对人脸表情图像识别精度得到了提高。

基于GUI的信号与系统卷积实验设计

针对电气信息类专业基础课《信号与系统》教学中存在的学时少、理论复杂、学生难理解等问题,设计基于Matlab GUI的卷积部分课堂辅助实验。该GUI界面操作简单,形象直观的展示了离散信号和连续信号求卷积的实例。不同采样间隔的连续信号卷积结果对比,进一步加深了同学们对连续信号求卷积理论的理解。实践表明,结合该辅助实验提升教学效果和学生学习的效率。此外,该设计具有推广性,可作为其他教学辅助实验设计的参考。

二阶卷积的构造

文中给出了二阶卷积算子的定义和性质并举例说明。

基于物理过程的山地原油泄漏模拟方法

山地输油管道泄漏事故发生后,模拟计算污染扩散范围对应急抢险方案的制定具有重要意义.针对现有的山区原油泄漏模拟方法无法呈现符合物理过程的泄漏油品扩散效果以及模拟速度过慢的问题,提出基于物理过程的山地原油泄漏模拟方法.首先基于空间语义约束构建一种融合Fay流体扩散算法和光滑粒子流体动力学(SPH)的计算模型Fay-SPH;然后设计一个基于Fay约束的连续卷积网络FayNet来加速模拟,通过轻量级注意力模块和三重注意力模块增强网络提取粒子特征信息能力;最后融合位置损失和速度损失来保证模拟结果细节的一致性.在自行采集的油气管线所处山区数据上,基于不同地貌和不同地形进行实验的结果表明,所提方法实现了原油泄漏的高效模拟.

基于多通道输入CNN-SVM的齿轮箱故障诊断

为了有效地识别旋转机械的早期故障,采用一种多通道输入连续卷积神经网络支持向量机(CNN-SVM)早期故障诊断模型。模型将来自多个传感器采集不同方向、位置的原始数据直接输入到改进的CNN模型中进行训练。利用改进的CNN从新的原始故障数据中提取特征,将提取的稀疏代表特征向量输入到SVM中进行故障分类。将所提方法应用于齿轮箱多通道振动信号监测数据的诊断。与改进CNN和主成分分析—支持向量机(PCA-SVM)方法对比分析,所提方法的准确率为99.94%。结果表明:多通道输入CNN-SVM模型诊断精度更高,检测速度更快。

改进LeNet-5网络模型图像分类

将卷积层改为连续非对称卷积以降低特征参数,引入Inception V1模块增加多尺度特征参数。增加批量标准化(Batch Normalization)层、Dropout层,提升网络泛化性、鲁棒性。仿真结果表明,ILIC相比于LeNet-5网络减少部分训练参数,增加了分类准确率且降低了过拟合,在Fashion MNIST数据集上比较不同batch_size大小,得到最佳分类准确率达到92.10%,相同情况下比原LeNet-5网络提高了2.26%。

CLAD刺激序列的噪声增益系数的性能评估

目的研究在连续循环反卷积(continuous loop averaging deconvolution,CLAD)方法中,刺激序列噪声增益系数Cdec与暂态诱发电位的重建质量之间的对应关系。方法首先研究真实脑电中的噪声分布特性,然后比较了不同刺激序列及其对应的噪声增益系数在中潜伏期听觉诱发电位(auditory evoked potential,AEP)提取时的性能。结果由于真实脑电中噪声的频率分布具有1/f特性,而非白噪声,从而导致Cdec标定CLAD刺激序列的反卷积性能方面存在不足。结论 Cdec不能单独作为评估刺激序列优劣的充分条件,而应在使用时综合考虑噪声的频率分布性质。