WordNG-Vec:一种应用于CNN文本分类的词向量模型

文本特征提取(文本输入表示)作为文本分类技术的要点,其构建质量直接影响着分类系统的分类效果.现在最流行的文本输入表示——词向量(Word Vector)虽然考虑了词的相似性但忽略了局部词序特征,在一些情况下造成文本语义上的缺失和歪曲.为此,本文提出了一种结合N-Gram特征与Word2vec的词向量模型WordNG-Vec,其提取出的词向量(Word-NG向量),作为双通道卷积神经网络模型(DC-CNN)的输入.经过多组对比实验分析表明,在精确率(precision)和召回率(recall)和F1值三个评价指标下,本文提出的方法有效提高文本分类的效果.

RHS-CNN:一种基于正则化层次Softmax的CNN文本分类模型

传统的卷积神经网络分类模型(CNN)的输出层采用扁平式架构的标准Softmax,在数据量较大、类别较多的文本分类任务中计算复杂度高,训练耗时长;而基于霍夫曼树(Huffman tree)构建的改进算法--层次Softmax(hierarchical softmax,H-Softmax)能极大地提高训练速度,但由于加入了大量的节点参数,使得优化难度增加,优化需要更长的迭代步,且容易过拟合,继而影响模型的拟合速度和分类效果。为此,提出了改进算法模型RHS-CNN(regularization hierarchical softmax CNN),采用正则化的方法,对H-Softmax的节点参数进行约束,避免过拟合,增强模型的泛化能力。实验分析结果表明:所提出的方法在相应评价指标上相对Softmax、H-Softmax有着一定的提升。

基于三流联合卷积神经网络的机械臂抓取检测

目前已有一些研究将深度学习应用于机械臂的抓取检测中,但很难同时保证检测的实时性和准确性.本文提出一种用于抓取检测的三流联合卷积神经网络模型,该模型由三个独立的深度卷积神经网络流组成,其中每个流分别处理其对应的输入模态,并将它们以一种后期融合的方式结合在一起;然后利用改进的单级回归算法进行抓取位置预测,并提出一种新的置信度计算方式.该模型在康奈尔抓取数据集上图像分割和对象分割的准确率分别为94.9%和93.7%.并且在GPU上以每秒14.2帧的速度进行实时检测.测试结果表明,我们的模型同时保证了抓取检测的实时性与准确性,提高了检测的速度与精度.

改进的多分辨率点云自动配准算法

为解决三维点云配准精度低、速度较慢、易受噪声和外点干扰的问题,提出一种改进的多分辨率点云自动配准算法.算法首先对源点云和目标点云建立KD-tree以加快近邻点的搜索;然后采用基于法向量和特征直方图的配准方法实现粗配准,并对其中的特征提取部分进行了改进,能有效提取特征点,且不会损失大量特征不明显的点云信息.为了进一步提高配准精度,精配准提出一种改进的多分辨率迭代最近点算法,算法提出利用特征点的稠密度计算点云分辨率,同时对关键点采样方法进行了改进.实验结果表明,对于不同规模和含不同程度噪声的点云,此方法在精度、速度、抗噪性方面都得到了改善.

基于机器视觉与单片机结合的机械臂抓取系统

抓取规划和控制是机械臂抓取系统中的难点。为了有效的解决这两个问题,本文提出一种基于机器视觉和单片机相结合的机械臂抓取系统。首先利用前期视觉测量成果对目标定位,然后设计了一种软件接口将目标表面三维信息进行可视化,并通过人为经验手动选择一个良好的抓取点;再结合逆运动学求解和轨迹规划算法,利用单片机驱动舵机使机械臂末端执行器移动到抓取点并完成抓取任务。实验结果表明,该系统成本低、并且目标形状不受限制,达到了预期效果。

基于改进CenterNet的机械臂抓取检测

在机械臂的抓取检测中,基于Anchor-based的方法需要考虑很多超参数的选择和设计,难以有效提高算法整体性能。针对该问题,本文将抓取检测转换为关键点检测问题,基于CenterNet提出一种改进的抓取检测模型。首先,该模型重点解决寻找抓取框中心点的问题,其本质是对中心点进行关键点估计,从而降低抓取检测的复杂程度;其次,采用HourglassNet神经网络提取深层特征;然后,为了使模型能聚焦抓取检测中物体的重要特征,设计一种视觉注意力机制;最后,生成关键点的高斯热力图和嵌入式向量,并将抓取框的中心点设置为检测出的关键点位置,将抓取框的中心点偏移量,长,宽以及旋转角分别设置为嵌入式向量中的值,从而有效解决了这些超参数的设置问题。研究结果表明:在康奈尔抓取数据集上进行图像分割和对象分割实验,准确率分别达到了98.3%和96.7%;本文方法通过计算获得一些较优的参数而不是采用先验参数,与其他基于Anchor-free的方法相比,提高了检测精度,而且其计算精度超过一些常用的基于Anchor based的模型的精度。