基于三维并行多视野卷积神经网络的脑电信号情感识别

利用脑电信号识别情感状态已经成为当前的研究热门。现有的情感识别方法通常提取二维信息作样本,却忽略了包含大脑不同区域重要特征的空间信息。针对这个问题,结合脑电通道间布局和原始脑电信号中的频率相关特征,提出了基于三维并行多视野卷积神经网络(Three-dimensional Parallel Multi-field Convolutional Neural Network, TPMCNN)的脑电情感识别新方法。首先将原始脑电信号划分成多频带,并提取每个频带的微分熵(DE)特征。接着将数据按照电极传感器的位置转变成三维特征矩阵。最后采用TPMCNN网络处理所得到的矩阵。实验结果表明,利用不同频带的微分熵特征构造的三维特征矩阵,能够有效地提取多通道脑电信号中与情感识别有关的特征,所提出的并行多视野卷积神经网络能够充分发挥出深度学习的优势。实验在公开数据集DEAP上进行二分类,在唤醒和效价的准确率分别达到了97.31%和96.72%,四分类的准确率达到了97.17%,证实了所提出的方法对脑电信号情感识别的优越性能。

基于三维卷积神经网络和信道状态信息的人体动作识别

针对传统人体动作识别中的硬件成本高和隐私泄露等问题,本文提出了一种基于三维卷积神经网络(3DCNN)和Wi-Fi信道状态信息(Channel State Information,CSI)的人体动作识别方法。首先,从采集到的信号中提取原始CSI数据的幅值和相位;其次,进行异常点去除和滤波去噪,通过应用CSI幅度与相位的结合以及滑动方差进行人体动作切割,得到处理后的CSI数据;然后,在此基础上使用3DCNN神经网络提取CSI数据的时间和空间特征,并通过引入注意力机制进一步提升人体动作识别的准确度;最后,在实验室采集的CSI数据集上进行了人体动作识别的实验验证,其准确率达到96.1%。

基于深度卷积神经网络的三维医学图像分割方法

常规的三维医学图像分割处理的把控效果较差,为此该文提出基于深度卷积神经网络的三维医学图像分割方法。设置初始分割节点,采用多模态的方式,构建多模态图像分割序列。设计深度卷积神经网络医学图像分割模型,采用空间金字塔池化辅助处理方法来强化图像分割结果。测试结果表明,用此方法分割后的Dice系数均可以达到0.7以上,处理效果更好。

基于改进卷积神经网络的心理状态预警技术

针对传统问卷法难以真实反映被调查者心理状态的问题,基于光流法和卷积神经网络提出了一种微表情判断方法,并将其作为心理状态预警技术的核心模块。对于数据集中人脸数据离散的问题,该方法采用人眼权重法对图像进行预处理,且通过金字塔光流算法提取预处理图像序列的光流特征,再利用三维卷积神经网络对该特征加以训练。与传统算法相比,所提方法在减少模型训练参数与运算时间的同时还具有更优的学习能力。实验测试结果表明,该算法在CASME数据集上的微表情识别准确率为89.2%,F1值为0.6751,均优于其他对比方法。由此证明,该算法可实现对人脸微表情的准确识别,进而为学生心理状态预警提供客观的数据支撑。

基于3D U-Net++卷积神经网络的断层识别方法及应用

断层解释是地震资料解释的基础与关键,准确合理的断层识别对油气开采有着至关重要的作用。随着油田对断层解释精度需求的日益提高,单纯通过基于人工的如相干体、曲率等属性的传统断层解释方法,其精度已无法满足要求。笔者在U-Net卷积神经网络模型的基础上进行改进,得出了一种自动断层识别方法,能够从任意三维地震图像中自动提取断层。文中该模型在足量样本集训练下,对两区块的实际地震数据进行自动断层识别,将识别结果进行分析对比。实验结果表明,该模型能够对任意三维地震数据进行自动断层识别,基于3D U-Net++网络模型的断层识别结果相比于传统U-Net网络识别结果准确性有明显提高,对潜山内部的小断层识别也表现出良好的效果,明显提高了常规、复杂断层识别的工作效率。

基于卷积神经网络和无人机倾斜摄影的房地一体测量技术研究

在房地一体测量中,通过布设像控点获取图像细节,利用无人机倾斜摄影捕捉房地的多角度视图,从而获取丰富的图像数据;利用卷积神经网络提取图像特征信息,生成点云数据;利用点云处理算法,成功将点云数据转化为实景三维模型。结果表明,对于选取的30个房地界址点,其中有8个房地界址点的误差值落在1至2cm的范围内,完全符合预期的精度限差标准。而剩余的22个房地界址点,误差值更是精确控制在了0至1cm之间,远优于设定的精度要求,满足了实际应用需求。

基于三维卷积神经网络模型的吉林一号光谱星影像森林类型分类

为探究基于三维卷积神经网络模型应用吉林一号光谱卫星数据的森林类型分类效果,以安图县与敦化市交界地带为研究区,采用吉林一号光谱卫星影像为主要数据源,基于三维卷积神经网络深度学习模型对研究区森林类型进行分类,并与传统的随机森林分类方法进行对比分析。结果表明:当三维卷积神经网络的训练样本数量为2400,训练次数为70000时,分类效果最佳。基于三维卷积神经网络方法的总体分类精度为92.9%,Kappa系数为0.92;与随机森林方法分类结果对比,总体分类精度和Kappa系数分别提高了2.8百分点和0.03;三维卷积神经网络能够更加充分地利用遥感影像丰富的光谱信息和空间信息,提高森林类型的分类精度,在斑块构成和景观破碎度方面均得到较大提升,内部完整度较高,破碎化程度较轻微,更贴合实际工作需要。说明国产吉林一号光谱卫星遥感数据可以有效地对森林类型进行识别,在林业的生产经营上具有极大的应用潜力。

基于三维卷积神经网络的动作识别算法

随着AI技术的高速发展,人工智能在不同领域都得到了广泛的应用。为了解决真实世界中各种各样的行为动作的分类问题,通过视频序列进行动作识别。通过研究相关资料,提出了基于三维卷积神经网络的动作识别方法。将二维卷积改为三维卷积,结合人体姿态估计的连续动作序列信息作为输入,随后放入改进后的三维卷积神经网络进行训练,之后利用训练完成的网络模型预测设定好的人物动作,以此来达到动作识别的目的。通过对比数据、评估模型,三维卷积神经网络能够较好地达到动作识别的目的。

基于深度卷积神经网络的激光三维图像重建方法

针对当前的激光三维图像重建方法存在的精度低、效果差,耗时长等难题,为了提高激光三维图像重建效果,提出基于深度卷积神经网络的激光三维图像重建方法。首先采集待重建激光三维图像,采用去噪算法对激光三维图像进行去噪操作,并对去噪处理后的激光三维图像进行增强操作,改善激光三维图像视觉效果,然后采用深度卷积神经网络对激光三维图像进行激光三维图像重建,最后进行了多幅激光三维图像重建仿真测试,结果表明,深度卷积神经网络的激光三维图像重建精度超过93%,重建后激光三维图像质量得到提升,激光三维图像重建时间控制在40 ms以内,可以快速实现激光三维图像重建结果,同时重建后的激光三维图像整体效果要明显优于当前经典重建方法,具有更加广泛的应用前景。

融合卷积神经网络和最短路径计算的染色体三维重构

通过卷积神经网络建模,利用染色体的原始相互作用频率(IF)矩阵中的值推断矩阵邻近区域,以降低矩阵的稀疏程度形成相对稠密矩阵;将相对稠密矩阵转换为距离矩阵,构建加权无向图,计算图中任意两个顶点之间的最短路径,以补全矩阵剩余未知部分的值,形成完整距离矩阵;运用多维缩放方法在完整距离矩阵上推断出染色体三维结构.在高通量染色体构象捕获(Hi-C)数据上的实验结果表明,相较于已有的代表性同类算法,本文给出的算法能够获得更小的均方根误差值、更大的Pearson相关系数值,所重构的染色体三维结构与真实结构更相似.

基于多输入三维卷积神经网络的脑电解码模型

脑机接口是实现人脑与外界交互的关键技术,脑电解码是其中的核心环节,并随着深度学习发展在预测大脑意图的精度方面得到显著提升。然而个体内脑电信号差异降低了脑电解码模型的鲁棒性。为此,提出一种多输入三维卷积神经网络(MT-3D-CNN)的脑电解码模型,通过融合脑电数据的空间排布与时间排布,形成两种三维矩阵数据作为卷积网络的多输入,采用三维卷积核沿时-空方向进行特征提取与解码。10名被试参加了间隔6 h和12 h的脑机接口实验,并采用MT-3D-CNN进行跨时间的解码预测。MT-3D-CNN的单次解码准确率在长时间下分别维持在78.15%和72.56%,高于单输入的3D-CNN(62.89%和52.35%),表明MT-3D-CNN通过对脑电数据的时间和空间的多种排布方式形成的多输入能够充分利用其三维卷积核学习与提取特征的能力,并且针对个体内脑电差异具有更强的解码性能,有助于推动脑机接口系统的普及使用。

基于深度卷积神经网络的产品包装外观激光三维视觉优化方法

为了提高对产品包装外观设计的视觉效果,提出基于深度卷积神经网络的产品包装外观激光三维视觉优化方法。提取产品包装的视觉图像信息,通过对扫描图像的尺度变换和特征融合,建立产品包装外观激光三维多尺度特征融合模型,实现图像预处理,降低噪声;采用分块匹配和模糊度检测的方法构建视觉效果约束控制模型,提取模糊像素强度加大特征,完成图像区块信息量检测;利用深度卷积神经网络学习算法构建视觉特征显著性优化模型,对参数进行线性插值更新,提高产品包装外观的局部和全局特征显著性,实现对产品包装外观的激光三维视觉优化。测试结果表明,采用该方法进行产品包装外观设计的图像三维重构效果较好,视觉重建优化后图像的完整度达到90.62%以上,设计时间低于5.3 s,提升了产品包装外观的视觉表达效果。

三维卷积神经网络在多模态信号融合的运动想象中的研究

非侵入性脑机接口(BCI)已广泛用于神经解码,能将神经信号连接到控制设备。使用脑电图(EEG)和功能性近红外光谱(fNIRS)的混合BCI系统因克服EEG和fNIRS独立BCI系统的局限性而受到了极大的关注。然而,由于时间分辨率和记录位置的差异,大多数混合脑电图与功能性近红外光谱的BCI研究都集中在晚期融合。尽管混合脑机接口的性能得到了提高,但融合方法在后期提取EEG信号和fNIRS信号中的相关特征方面仍存在困难。基于此,提出一种基于三维卷积神经网络的早期融合结构,首先将一维的EEG与fNIRS信号依据信号采集时的采集头位置转换为三维的脑电与近红外光谱张量,依据时间戳进行空间对齐;其次设计一种三维卷积神经网络来提取对齐后的脑电与近红外光谱信号之间的时空相关性,降低EEG的低空间分辨率,抑制fNIRS的低时间分辨率导致的性能下降。实验结果表明,所提算法性能明显优于EEG和fNIRS独立网络,运动想象的平均分类准确率达到了82.70%,验证了该方法的有效性。

基于三维卷积神经网络的交通事件检测系统

文章提出了一种基于三维卷积神经网络(3D CNN)的交通事件检测系统,关键技术包括3D CNN、数据预处理和模型优化。该系统可以实现实时检测、事件分类与识别、数据可视化与报警,通过采用包含多种交通事件的视频数据集进行训练和测试的试验结果表明,该系统在交通事件检测准确率和分类识别效果上表现优异,为交通事件检测领域提供了一种有效方案。

一种通用型卷积神经网络加速器架构研究

针对当前AI专用加速器设计复杂且存在内存瓶颈等不足,提出一种通用型卷积神经网络加速器架构.其RISC(Reduced Instruction Set Computer)指令集支持不同类型卷积神经网络到硬件加速器的高效映射.其通用卷积计算模块是一个由多个基本运算单元组成的可重构三维脉动阵列,支持不同尺寸的二维卷积计算;脉动阵列规模可根据需要进行配置,适用不同的并行加速需求.为缓解内存瓶颈、提高算力,输入模块引入多级缓存结构,可实现对片外数据的高速读取;输出模块设计一种基于“乒乓”架构的多级数据累加结构,以实现卷积计算结果的高速缓存输出.将所提架构在FPGA芯片上予以实现,实验结果表明该架构凭借较少计算资源和较低功耗取得了与当前先进加速器相近的性能,且通用性更强.

面向目标6DoF姿态与尺寸估计的全卷积神经网络模型

针对6DoF姿态估计需要收集与标注大量数据训练神经网络提出一种小数据集下面向目标6DoF姿态与尺寸估计的全卷积神经网络模型以降低人工操作成本。首先采用注意力机制与特征金字塔相结合的方式通过区域建议网络提取感兴趣区域,将该区域输入并行融合全卷积网络获得掩膜图;其次通过增加跳跃连接丰富每个卷积后的特征信息,将其融合并通过分类获得预测标准化坐标空间图;最后将得到的掩膜图与标准化坐标空间图通过三维点云配准获得目标的6DoF姿态与尺寸。实验表明,该方法在小数据集下较PVN3D方法精度提升约2.6%,较GPVPose方法精度提升约1%。

改进的混合2D-3D卷积神经网络高光谱图像分类研究

卷积神经网络在进行高光谱图像分类时,往往需要设置较多的参数,因此其计算效率受到很大影响。基于混合卷积神经网络模型,本文利用全局平均池化层代替原有的全连接层,将卷积层输出的多个特征图映射为一个特征点,并将多个特征点构成一维向量,形成改进后的混合2D-3D卷积神经网络模型;最后,对改进后的模型分别在IP(IndianPines)数据集、PU(PaviaUniversity)数据集及Botswana数据集上进行测试。结果显示,总体分类精度分别达到99.64%、99.98%、99.91%。这表明在大量减少参数的条件下仍具有较好的分类性能。

基于卷积神经网络和投票机制的三维模型分类与检索

针对现有基于深度学习的三维模型多视图分类算法利用最大池化、平均池化等像素级运算完成视图信息的融合,可能造成模型有益信息淹没和混淆的问题,提出一种基于卷积神经网络和投票机制的三维模型分类检索算法.首先将三维模型转化为一组二维视图,然后基于丰富的数字图像库ImageNet和成熟的图像深度学习模型CaffeNet完成二维视图的分类,最后利用加权投票的方式完成三维模型的分类;同时基于投票机制,提出4种三维模型距离度量算法,支持三维模型的检索.将文中算法应用于刚性三维模型库ModelNet10,ModelNet40,非刚性三维模型库SHREC10, SHREC11和SHREC15中,分类准确率分别为93.18%, 93.07%, 99.5%, 99.5%和99.4%,检索性能突出;并通过实验验证该算法的有效性.

基于注意力卷积神经网络的焦家金矿带三维成矿预测及构造控矿因素定量分析

焦家金矿带是我国重要的金矿产地,随着开采深度不断增加,深部找矿已成为目前工作重点,为此,从数据科学视角出发,利用深度学习技术,开展焦家矿带三维成矿预测及控矿因素定量分析工作。在建立三维地质模型和控矿指标基础上,构建引入CBAM注意力机制模块的卷积神经网络模型,从初始控矿指标中抽取具有矿化指示性的信息特征,建立焦家断裂面与矿化定位间的非线性关联关系,并与其他方法构建的成矿预测模型进行对比,验证本文方法构建的模型的准确性与可靠性。利用DeepLIFT方法解构深度网络特征,明确各控矿指标输入对网络输出的贡献,以此定量分析焦家矿带控矿因素对金成矿的影响。研究结果表明:焦家断裂距离场对成矿影响最显著,其次为坡度和坡度变化率,形态起伏度对成矿影响较弱;在矿带深部2000~3000 m圈定找矿有利靶区3处,其中,纱岭勘查区矿体深部延伸部位和曲家勘查区北段深部具有较大找矿潜力,焦家与曲家勘查区连接部位深部可能存在新的矿化富集区。

融合的三维卷积神经网络的视频流分类研究

三维数学模型擅长描述连续性视频流数据的多维度信息,是视频分类研究中的重要手段.将多个顺序模型融合(Merge)后通过全连接(Dense)的方式构建了融合的三维卷积神经网络模型(3DConvNet_Ensemble),解决了单个三维卷积神经网络模型训练不充分性和低相关性问题.对UCF-101视频流数据集的101类场景进行动作行为分类实验,结果表明该模型在UCF-101数据集上获得了87. 7%的分类准确率,相比二维ConvNet和三维ConvNet模型的分类准确率分别提高了32%和17%.