基于深度学习的时间序列预测方法综述

时间序列预测通过分析时间序列找到其内在规律性对未来发展进行预测,其研究有着重要的学术意义和应用价值.特别随着传感器和网络技术的发展,如何基于大量历史时序数据进行更加精准和高效的预测分析成为了需要解决的迫切问题.时间序列预测任务充分借鉴了深度学习的技术研究成果,在近些年取得了快速发展.本文分析了时间序列预测技术的研究现状,论述了时间序列预测所涉及到深度学习方法的相关理论和方法,包括卷积神经网络、循环神经网络、注意力机制和图神经网络等方法在时间预测领域的应用,归纳总结近年来基于深度学习的时间序列研究成果,比较了基于各种深度学习时间序列方法的优缺点,在此基础上对基于深度学习时间序列预测方法的发展进行了展望.

深度神经网络剪枝方法综述

目前深度神经网络在计算机视觉和语音处理上获得了广泛应用,但是深度神经网络模型参数量和计算量巨大,通常在资源有限的嵌入式应用上部署困难.在基本不影响计算精度的前提下,剪枝技术可以对于深度神经网络模型进行有效压缩和加速,因此成为了目前研究热点.本文论述了深度神经网络剪枝的相关问题和理论,归纳总结近年来面向深度神经网络的剪枝方法,对于当前主流的剪枝方法进行了分类梳理,并对于未来和网络结构搜索相结合的发展方向进行了展望.

采用类内迁移学习的红外/可见光异源图像匹配

为解决异源图像匹配中样本量过少和成像原理不同导致成像差异的问题,提出了一种采用类内迁移学习的异源图像匹配网络(PairsNet)。该网络由特征提取子网络和匹配度量子网络两部分组成。特征提取子网络中存在4条卷积神经网络分支,其通过卷积神经网络分支提取出红外图像和可见光图像的特征。将可见光图像作为源域、红外图像作为目标域进行迁移学习,通过减小两个域中样本特征的类内最大均值差异距离,实现了源域和目标域对应图像类别上精准的样本特征分布对齐。匹配度量子网络使用2个全连接层和1个softmax层进行串联,评估出异源图像特征的匹配度。构建了红外和可见光图像数据集,进行端到端的训练和测试。结果表明:与当前使用预训练模型微调的方法相比,PairsNet的准确率提升了10.54%,可见光图像匹配网络的能力可以有效迁移到异源图像匹配网络。

采用卷积神经网络的红外和可见光图像块匹配

红外和可见光图像块匹配在视觉导航和目标识别等任务中有着广泛的应用。由于红外和可见光传感器有不同的成像原理,红外和可见光图像块匹配更加具有挑战。深度学习在可见光领域图像的块匹配上取得了很好的性能,但是它们很少涉及到红外和可见光的图像块。文中提出了一种基于卷积神经网络的红外和可见光的图像块匹配网络。此网络由特征提取和特征匹配两部分组成。在特征提取过程中,使用对比和三重损失函数能够最大化不同类的图像块的特征距离,缩小同一类图像块的特征距离,使得网络能够更加关注于图像块的公共特征,而忽略红外和可见光成像之间差异。在红外和可见光图像中,不同尺度的空间特征能够提供更加丰富的区域和轮廓信息。红外和可见光图像块的高层特征和底层特征融合可以有效地提升特征的表现能力。改进后的网络相比于先前卷积神经匹配网络,准确率提升了9.8%。

目标跟踪中基于深度可分离卷积的剪枝方法

为了减少跟踪网络中存在的参数量和计算量大的问题,提出了基于深度可分离卷积的剪枝方法。深度可分离卷积将跟踪网络中的传统卷积层分解为逐点卷积和逐层卷积两部分。在逐点卷积中,通过逐点卷积层中权重的大小来评估输入特征图通道在线性组合中的重要程度,将较小的权重及其关联的特征通道裁减掉。在逐层卷积中,通过K-L散度来衡量逐层卷积中滤波器的相似性,将相似的滤波器裁剪掉,减少冗余。通过上述方法进行多轮迭代剪枝,从而减少跟踪网络的参数量和计算量。在VOT数据集上的实验结果表明,在精度没有下降的前提下,剪枝后网络的参数量下降了22.54%,计算量下降了17.8%。在NVIDIA TX2设备上的实验结果表明,剪枝后网络的跟踪速度在CPU上提升了14.95%,在GPU上提升了13.07%。

重构迁移学习的红外目标分类

红外图像目标分类在目标识别等领域有重要的应用价值,目前卷积神经网络在可见光图像分类方面达到了优异的性能。但对于红外图像来说,由于有标记样本数量少和图像成像差异大,直接使用现有的网络模型来处理红外图像无法取得理想效果。该文将可见光图像作为源域,将红外图像作为目标域,在深度网络中使用迁移学习方法来解决此问题。在迁移学习中,目标域网络提取的特征越能体现出本域数据的真实分布,那么在此基础上进行两个域的分布适配就更加有效,迁移后的目标域网络性能和泛化能力越好。该文首先利用大量无监督的红外样本训练了红外图像深度卷积自编码器,增强了红外图像域网络的特征表达能力。其次,通过减小源域和目标域的特征分布距离,使得两个图像域特征分布相似,从而将源域中深度网络的学习能力迁移到目标域。经过上述改进,相比于可见光图像预训练微调的方法,分类准确率提升了11.27%。

从教学管理与学生管理入手提高学习AI软件的效果

完整的印刷加工流程,通常分为印前、印中、印后三个阶段。其中印前技术,是指上机印刷之前所涉及的工艺流程,主要包括电脑平面设计、桌面出版。AI软件（Adobe Illustrator）是美国ADOBE公司推出的专业矢量绘图工具,是出版、多媒体和在线图像的工业标准矢量插画软件。使用AI软件,用户可以设计、出版和制作具有精彩视觉效果的图像和文件。AI软件在印刷作品及包装设计当中具有十分重要的作用,所以AI软件是学习印前制作的必要软件。

海绵城市建设过程中景观设计的有效利用

文章分析了海绵城市建设忽视的问题,结合海绵城市建设过程中景观生态规划要求,提出了海绵城市构建的景观生态规划建议:(1)规划布局水导向的绿色基础设施;(2)区域规划层面—构建生态雨洪调蓄系统;(3)积极进行雨水花园与绿色屋顶功能区的景观设计;(4)场地设计层面—规划布局雨洪调蓄系统设施。

面向嵌入式FPGA的智能目标检测算法

随着识别率和实时性的提高,卷积神经网络目标检测算法的计算复杂度和内存需求急剧增加,难以应用在小尺寸和低功耗的嵌入式平台上.本文在分析现有目标检测神经网络模型结构的基础上,根据FPGA高实时性、低功耗以及并行处理的特点,提出了一种在FPGA上高速运算的神经网络模型规整化方法.在此方法指导下设计改进了一款目标检测神经网络模型结构,包括删除LRN层、Scale层的融合和替换Leaky-ReLU为ReLU.通过在voc2007数据集上的对比实验验证了算法结构的有效性,在PC上其速度相比传统YOLO-V1算法提升了11.5%.在Xilinx ZCU102开发板上的仿真表明:该改进的目标检测算法速度达到29 FPS(Frames Per Second),精度达到62.3 mAP.

基于单图谱分割的脊髓自动分割算法研究

针对当前脊髓CT图像分割过程中存在的分割精度不高、自动化程度不足的问题,提出一种改进的图谱自动分割算法。该算法利用图谱分割中先验解剖知识的优势,结合模糊连接算法实现脊髓的自动分割。该算法基于待分割图像与图谱图像间的联合概率分布,计算归一化互信息,构建最佳图谱并进行图谱分割,基于图谱分割结果构建生长种子区域,利用脊髓目标与周围区域的模糊连接特性构造合适的模糊隶属度函数,以此完成对脊髓目标的自动分割。实验表明,该方法可以提高配准精度,具有较好的鲁棒性和自动化程度。