结合空洞卷积的CNN实时微表情识别算法

随着CNN等基于深度特征的人脸自发式微表情识别分类方法逐渐完善,相比于传统的特征提取方法更易满足应用实时性,针对微表情持续时间短、动作幅度细微,在多卷积层叠加会丢失图像中的细微信息的问题,为了完善细节信息,充分提取微表情细微特征,提出结合空洞卷积核及人脸自动校正算法,完善CNN特征提取过程,通过自动人脸矫正适应实际应用中的实时识别分类,在CASME及CASMEⅡ微表情公开数据集上完成模型训练及测试,通过损失函数方案对比提高模型鲁棒性,CASME中准确率为70.16%,CASMEⅡ中准确率为72.26%;实时识别帧率在60 fps。该方法能有效地提高微表情识别准确率,满足实时性要求,且具有较好的鲁棒性和泛化能力。

改进的生成对抗网络图像去噪算法

由于图像噪声的存在会干扰人对图像的理解,为了有效地去除噪声并获得比较好的视觉观感,提出一种基于生成对抗网络算法,该算法通过增加生成网络的宽度来获取更多的图像特征,并加入一个全局残差对输入的噪声图像进行特征的提取与学习,避免特征的丢失。网络采用对抗损失和重建损失的加权和,在去除噪声的同时能够有效地保留图像的细节信息。实验结果表明,该算法能够有效地去除图像噪声,改善图像的视觉观感。

基于Hadoop的通用流感预测研究

日前,公共卫生问题在国际范围内成为热点,流感预测系统的数据数量过大,来源繁多,其数据的处理,存取速度偏低。为改善此状况本研究利用计算机技术预测流感的爆发时间及程度:基于分布式平台,非结构化数据库和爬虫技术,一定程度上解决了数据来源,处理,存取速度的问题。实验表明该研究可以较好的预测流感的爆发趋势。