基于CiteSpace的全球纺织服装研究热点及其趋势文献计量分析

为揭示全球纺织服装行业的研究现状、研究热点及发展趋势,以Web of Science数据库中2009—2018年24597篇纺织服装行业英文文献为研究对象,使用科学文献分析工具CiteSpace绘制科学知识图谱,通过网络修剪算法、聚类算法、突发性检测算法和中介中心性算法等,发现纺织服装领域核心作者与核心机构;根据关键词聚类、时区视图分析全球纺织服装研究热点及其变化;根据热点动态演化、突现节点等探讨今后研究趋势。结果表明:2009—2018年全球纺织服装领域的研究文献量稳步增长,纺织废水的处理是该领域一直以来的研究热点,功能纺织品和智能纺织是今后的研究趋势。

Kinect体感技术在人体下肢康复训练系统的应用研究

为克服现有下肢肌肉康复训练存在的不足,文中结合老年人肌肉功能衰退状况,运用模式识别方法开发一种基于Kinect的下肢体感式肌肉康复性训练系统。利用Kinect骨骼追踪技术获取人体下肢姿态、动作的三维坐标数据,计算出关键关节夹角组成特征向量,解决以往人体行为再现中采用关节点三维坐标描述人体姿态所存在的准确度与代表性不高的问题。通过静态与动态的人体下肢数据采集建立标准姿态、动作训练数据库,依据相似性匹配算法与设定阈值的DTW算法实现实时识别,并判断训练者姿态、动作。通过系统中预设的识别评判指标给予训练者及时的训练指导提示,以保证训练判别的一致性与稳定性。与依赖机械、人工的下肢肌肉训练的传统方式相比,文中训练系统在便捷性、动作评判和性价比等方面都有显著的优势。

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出:随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。

融合Transformer和CNN的轻量级人脸识别算法

随着深度学习的发展,卷积神经网络通过堆叠卷积层逐步扩大感受野以融合局部特征的方式已经成为人脸识别(FR)的主流方法,但这种方法存在因忽略人脸全局语义信息和缺乏对人脸重点特征信息的关注造成识别准确率不高,以及大参数量层数的堆叠导致网络难以部署于资源受限设备的问题。因此提出一种融合Transformer和CNN的极其轻量级FR算法gcsamTfaceNet。使用深度可分离卷积构建主干网络以降低算法的参数量;引入通道-空间注意力机制,从通道和空间两个域最优化选择特征以提高对人脸重点区域的关注度;在此基础上,融合Transformer模块以捕获特征图的全局语义信息,克服卷积神经网络在长距离语义依赖性建模方面的局限性,提高算法的全局特征感知能力。参数量仅为6.5×10^(5)的gcsamTfaceNet在9个验证集(LFW、CA-LFW、CP-LFW、CFP-FP、CFP-FF、AgeDB-30、VGG2-FP、IJB-B以及IJB-C)上实验评估,分别取得99.67%、95.60%、89.32%、93.67%、99.65%、96.35%、93.36%、89.43%和91.38%的平均准确率,达到参数量和性能之间较好的权衡。

基于图卷积神经网络的织物分类研究

织物的分类研究在织物生产、服装设计等领域有着广泛应用。提出织物力模型,结合多帧时序信息和图卷积神经网络,给出一种用图来描述织物运动的新方法,通过分析和提取织物视频中的运动特征,实现织物的分类。该方法使用30种不同织物在风力吹动下的视频作为实验数据集,将视频每一帧作为一个图节点,然后根据视频时序性连接同类织物节点的边。此外结合织物力模型对原视频图像作预处理以提取力流特征作为视觉单词存储,再依据视觉单词探索同类与不同类织物间的潜在联系,由此将欧氏织物视频数据转换为非欧氏织物图数据,最后使用图卷积神经网络进行分类处理。该方法避免了传统织物分类过程中织物纹理、颜色、外部光照等因素的影响,突破了传统分类方法只能对少数织物进行分类的限制,有较好的分类效果。

结合卷积神经网络多层特征融合和K-Means聚类的服装图像检索方法

随着服装电子商务的蓬勃发展,海量的服装图像数据被累积,对服装图像“以图搜图”成为了当前的一个热点研究方向。服装图像有着丰富的整体语义信息和大量细节信息,要对其实现精准检索是一项挑战性难题。传统的基于人工语义标注的服装图像方法和以人工设计的颜色与纹理等内容特征进行服装图像检索的方法均存在较大局限性。文中利用卷积神经网络多层特征融合提取特征,然后使用K-Means聚类加快服装图像的检索,充分利用深度卷积神经网络在图像特征提取上的有效性和层次性,融合不同卷积层次特征的细节信息和抽象语义信息以提升检索的准确度,并利用K-Means加快检索速度。所提方法首先对服装图像数据集进行统一的尺寸处理,然后利用卷积神经网络进行训练和特征提取,抽取出服装图像从低到高的多层次特征,进而将多种层次的特征进行融合,最终使用K-Means聚类方法对提取的图像库特征进行有效检索。在DeepFashion子类数据集Category and Attribute Prediction Benchmark和In-shop Clothes Retrieval Benchmark上的实验结果表明,所提方法能有效增强服装图像的特征表达能力,提高了检索准确率和检索速度,优于其他主流方法。

基于改进的残差神经网络的服装标签属性识别

近年来服装电商的迅猛发展使得服装图像的属性标签识别具有广泛市场需求,而服装图像自身具有的特殊性使其在识别中更具有挑战性。鉴于深度学习算法已经在语音识别、图像处理等多个领域取得的巨大成功,论文设计了一种基于残差神经网络ResNet50的深度学习模型,即Res-FashionAINet,将其应用到服装的标签属性识别上。通过数据预处理、模型训练和属性预测三个步骤进行实验,在来自真实购物平台的服装图片所组成的FashionAI数据集上,取得较高的识别准确率,在服装属性识别问题上具有一定优势。

基于EfficientNetV2和物体上下文表示的胃癌图像分割方法

针对U-Net上采样过程容易丢失细节信息,以及胃癌病理图像数据集普遍偏小,容易出现过拟合的问题,提出一种基于改进U-Net的自动分割胃癌病理图像模型EOU-Net。EOU-Net在U-Net模型的基础上,将EfficientNetV2作为骨干特征提取网络,以增强网络编码器的特征提取能力。在解码阶段,基于物体上下文表示(OCR)探究细胞像素间的关系,并使用改进后的OCR模块解决上采样图像的细节丢失问题;然后,使用验证阶段增强(TTA)后处理对输入图像进行翻转和不同角度旋转后分别预测这些图像,再通过特征融合的方式将多个输入图像预测结果进行合并,进一步优化网络的输出结果,从而有效解决医学数据集较小的问题。在SEED、BOT以及PASCAL VOC 2012数据集上的实验结果表明,与OCRNet相比,EOU-Net的平均交并比(MIoU)分别提高了1.8、0.6以及4.5个百分点。可见EOU-Net能得到更准确的胃癌图像分割结果。

基于动态规划和流形排序的知识库问答未登录词处理

为解决知识库问答中较多实体未被纳入到词库中以及新词层出不穷旧词库无法及时更新的问题,提出一种基于动态规划和流形排序的知识库问答模型DPQA来为未登录词选择最优表征,缓解知识库未登录词描述信息不足的问题。该方法通过动态规划获取未登录词的子词序列;使用一种基于流形排序的子词排序方法得到最优子词;使用最优子词的向量表示未登录词。实验结果表明,基于动态规划的方法在多个数据集上的问答结果表现最佳。

温湿环境下棉织物的抗皱性能变化规律及其预测模型

为探究湿、热协同环境对棉织物抗皱性的作用规律,并预测抗皱性能的失效条件,选取5组抗皱效果差异较大的棉织物布样,分析试样折皱回复角随温度、湿度变化的规律;通过进行多元非线性回归、逐步回归以及岭回归分析,建立棉织物折皱回复角随温度、湿度、自身抗皱等级等变化的预测模型。结果表明:棉织物试样在温湿环境中的抗皱保形性变化主要受到试样抗皱等级、环境温度、环境湿度的共同影响,影响规律十分复杂,并非是简单的线性关系,其中,温度的影响最为强烈;本文构建的任意给定温湿环境条件下的棉织物折皱回复角预测模型R2=0.978,且通过F检验(F=385.220,p=0.000<0.05),表明该模型验证有效,能够由标准测试条件下的折皱回复角预测给定温度、湿度下的折皱回复角。

基于自适应网格划分的针织物仿真

为了提高针织物仿真效率并保证仿真效果的真实性,提出一种利用纱线模型周期性的方法。该方法首先建立网格与纱线模型之间的对应关系,然后对网格模型与纱线模型分别进行仿真。在整体形变效果方面以网格仿真为主,为了加快网格仿真速度、提高低分辨率网格下的形变效果,仿真过程中使用自适应网格划分技术,根据形变的程度适当地细分与粗化相应位置的网格模型,并计算网格面的应变。在微观形变细节方面,使用不同的应变参数的输入对纱线最小重复单元进行仿真,得到该重复单元的输入应变参数与能量密度之间的关系。最后通过网格模型中得到的应变参数输入,将仿真结果映射到经过网格仿真输出的网格模型上。对5种不同针法的织物进行仿真实验,结果表明该方法比起传统网格仿真方法有更接近真实的形变效果,仿真过程中使用的模型顶点与网格数量相比输入网格减少20%~30%,并且在时间效率上最多能够提升39.7%。

基于自适应网格重划分的织物动态仿真

一直以来织物细节的动态模拟是图形学界研究的热点和难点。针对这一问题,文章提出了一种基于自适应网格重划分的织物动态模拟方法。首先,分析织物的物理特性,基于经典的质点弹簧模型,建立织物仿真模型。在织物动态仿真过程中,由于不同时刻织物的受力情况不同,导致织物不同程度的变形。根据其变形幅度的不同,利用边缘曲率准则对网格进行自适应重划分,采用推进波前法对网格重新生成,实现织物的自适应动态仿真。实验结果表明,自适应网格重划分的织物动态仿真方法,在确保仿真实时性的同时,能够有效改进织物的仿真效果,鲁棒性强。

基于实体消岐和多粒度注意力的知识库问答

为解决现有知识库问答编码-比较框架的原始信息丢失问题,提出基于实体消岐和多粒度注意力的知识库问答方法。从多个粒度对问题和知识库关系的相关性进行建模,引入双向注意力机制更有效地聚合向量保留原始信息,实现关系检测中字符之间的细粒度对齐。为提高实体链接的准确率,融合双向长短时记忆网络-条件随机场(BiLSTM-CRF)克服对人工特征的依赖,计算问题关系词与候选关系的相似性减少噪声数据实现实体消歧。在SimpleQuestions数据集的实验结果表明,该模型在准确率上有明显提升,达到了94.1%。