面向人机交互的通道注意力位移图神经网络

在人机交互动作识别领域中,基于深度学习的动作识别方法比传统的手工特征提取方法准确率更高.为了解决基于深度学习的动作识别方法在实时人机交互的实际应用问题,本文设计并创建了交互动作数据集(IA RGB-D),用于深度学习方法的人体动作识别研究.将IA RGB-D用于多种神经网络的训练和测试,测试结果准确率均在95%以上,验证了数据集的正确性和有效性.为保障对采集动作的实时识别正确率,本文提出了一种基于高效通道注意力的位移图神经网络(ASGCN),将高效通道注意力模块引入位移图卷积神经网络(Shift-GCN),增强其在通道特征上的提取能力.实验证明,ASGCN比Shift GCN准确率更高,提高了复杂动作的识别率,并且与传统的手工特征提取方法对比,识别效率接近但是准确率大幅提升.

基于VD-MobileNet网络的WebAR生活垃圾分类信息可视化方法

随着我国垃圾分类制度的加速推行,基于虚拟/增强现实技术的垃圾分类应用大量涌现。受识别设备平台及居民应用习惯等方面的影响,针对目前该类应用在便捷性、实用性上存在较大不足,提出了一种基于轻量化神经网络并融合移动增强现实及可视化技术的垃圾分类应用方案。首先,提出了基于深度学习的垃圾分类可变扩张卷积VD-MobileNet模型方法能够解决移动设备中存在的计算能力有限、网络庞大等问题,通过在MobileNet模型中引入空洞卷积增加感受野、扩大垃圾的特征信息以提升分类精度,引入LeakyReLU激活函数优化网络的表达能力;其次,将该模型与WebAR技术结合,设计了一款面向移动设备的轻量级垃圾分类信息可视化系统,该系统具备跨平台特性,实现了对分类信息的多元化可视呈现,提供了灵活的交互方式。实验及评估表明,该VD-MobileNet模型在垃圾分类数据集中分类效果良好,能够在参数量不变的前提下有效减少计算量,此外结合该模型所设计的WebAR应用系统可为用户的垃圾处理事务提供合理有效地协助。

多维度空间变换网络拓扑布局方法

网络拓扑布局能帮助用户直观地了解分析网络结构.随着网络规模的增大和网络属性的增加,为了兼顾多元网络结构特征的呈现和局部网络的属性关联分析,引导用户进行渐进式探索分析,提出一种多维度空间变换网络拓扑布局方法.首先基于社区特征进行3维布局,呈现网络整体结构特征;基于3维布局和网络属性,对用户筛选的网络结构进行维度空间变换,在2.5维布局中呈现属性和拓扑关联;最后,对用户筛选的单维属性局部网络进行2维布局,通过多样化布局方式呈现局部网络拓扑结构.基于该拓扑布局方法,使用社交网络、脑网络和计算机网络3种数据集进行实验分析,结果证明了所提方法在兼顾结构特征呈现和属性关联分析,以及渐进式探索分析中的有效性.