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%。

基于卷积神经网络的三维表面分形维数识别

分形维数作为机械加工表面形貌的重要参数,可用于接触表面的摩擦特性分析。然而,现有的分形维数计算方法大多需要选择多组尺度计算相应的测度,这不仅影响分形维数的计算速度和精度,也增加了计算的复杂度。针对机加工表面的三维分形维数测量问题,提出一种基于卷积神经网络的分形维数的识别方法。采用Weierstrass-Mandelbrot分形函数构建一个包含不同分形维数的三维粗糙表面数据集,利用单因素实验法分析网络参数(网络深度、滤波器大小、滤波器数量)对三维分形维数识别精度的影响,以找到最优的神经网络参数组合。通过与差分盒维数法、三角棱镜表面积法和分形布朗运动法3种方法进行对比,验证卷积神经网络法识别三维分形维数的有效性。实验结果表明:基于卷积神经网络方法计算的分形维数平均绝对百分比误差可控制在1.5%以下;该方法在分形维数全动态范围内都表现出较小的误差,可用于计算三维表面轮廓分形维数。

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%.

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。

基于混合型复数域卷积神经网络的三维转动舰船目标识别

在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar,SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type Complex-Valued Convolutional Neural Network,Mix-CV-CNN),并推导Mix-CV-CNN前向传播与反向传播算法.三维转动舰船目标经过SAR成像处理后存在剩余相位信息,Mix-CV-CNN能充分利用SAR复数域图像的幅度和相位信息,在不进行目标重聚焦的情况下,较好完成SAR复杂运动舰船目标的识别.实验表明,Mix-CV-CNN相较于具有相同自由度的实数域卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)识别性能有所提高,实测数据识别平均准确率提高3.85%.

基于卷积神经网络的表情不变三维人脸识别

针对三维人脸识别中的表情问题,提出一种基于卷积神经网络的三维人脸识别方法。根据人脸先验知识,构建基于测地线距离的三维人脸特征点模型;利用该模型,提取输入三维人脸的局域Gabor特征和测地线距离特征,进而获得表情不变的人脸表述;将上述特征输入类Lenet-5卷积神经网络,获得最终的识别结果。在Facewarehouse三维人脸数据库上的实验结果表明,该方法的正确识别率达到97.60%,优于几种经典三维人脸识别方法,对表情变化均有较强的稳健性。

一种用于微表情自动识别的三维卷积神经网络进化方法

由于微表情持续时间短、动作幅度小,因此微表情自动识别一直是一个具有挑战性的问题。针对上述问题,提出一种用于微表情识别的三维卷积神经网络进化(Three-Dimensional Convolutional Neural Network Evolution,C3DEvol)方法。该方法使用能有效提取动态信息的三维卷积神经网络(Three-Dimensional Convolutional Neural Network,C3D)来提取微表情在时域和空域上的特征;同时使用具有全局搜索和优化能力的遗传算法对C3D的网络结构进行优化,以获取最优的C3D网络结构和避免局部优化。利用CASME2数据集在带有两块NVIDIA Titan X GPU的工作站上开展了实验,结果表明C3DEvol微表情自动识别的准确率达到63.71%,优于现有的微表情自动识别方法。

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。

基于三维卷积神经网络的湖泊提取算法

针对现有分析湖泊几何信息算法的二维图像湖泊轮廓提取精度低的问题,提出了一种基于三维卷积神经网络的湖泊提取算法。首先,基于平整度信息从激光扫描点云中定位出候选湖泊并对输入的候选区域点云进行体素化组织,作为神经网络的输入;同时,通过深度学习技术,从候选区域中过滤非湖泊区域;然后,基于方向链码算法从点云中提取湖泊的边缘并分析其几何形状信息。实验结果表明,所提算法在提取激光扫描点云中的湖泊精度可达到96.34%,与当前在二维图像中的湖泊提取算法相比,可对目标湖泊形状信息进行计算与分析,从而为湖泊监测与管理提供方便。

基于卷积神经网络的三维CAD模型分类

由于三维CAD模型内在的复杂性,实现模型的自动分类是一个难题。所以提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的三维CAD模型自动分类方法,首先采用球体将三维CAD模型完全包住,获取模型沿固定视角的二维投影视图集;然后采用Apriori甄选出其中的典型视图,将典型视图作为卷积神经网的输入;在AlexNet模型的基础上进行参数调整,并将其作为三维CAD模型分类器;最后选取正向传播和反向传播相结合的方式对卷积神经网络进行训练,以提高其泛化性能。实验表明,该方法能够提高模型分类的准确性和效率。

基于卷积神经网络的单幅图像三维人脸重建

利用单幅二维图像进行三维人脸重建是图像处理研究领域的热点问题。受深度卷积神经网络(CNN)和三维形变模型(3DMM)的启发,提出一种采用CNN回归3DMM形状和表情参数的方法,进行三维人脸重建。在CNN模型VGG-16的基础上设计一种VGG-BN的改进网络模型,通过在每个卷积层后加入批归一化层,优化网络模型性能;并采用迁移学习方法,将预训练模型引入到VGG-BN网络的训练中。将改进的网络模型在300W-LP数据集上训练,在AFLW2000-3D数据集上测试,并和现有方法进行了对比分析。实验结果表明:改进的网络模型在人脸重建的准确性和泛化性方面都有一定的改善,重建人脸的形状和表情效果较好。

基于改进ALEXNET卷积神经网络的电容层析成像三维图像重建

针对卷积神经网络三维图像重建算法的样本训练速度慢和成像精度低的问题,提出一种根据不同流型的AlexNet神经网络数据训练方法。首先通过SVM算法将输入的电容样本数据按照流型分类,然后采用单一流型样本数据训练相应的AlexNet卷积神经网络,使得某一流型的神经网络的输入样本数据类型简单、样本数量少和神经网络规模小。同时采用具有冲量和自适应学习速率的Adam算法,减少了训练时的误差振荡,加速神经网络的收敛。通过对比改进的AlexNet卷积神经网络算法和LBP算法的成像结果,表明优化后的AlexNet在成像精度和速度上有显著提升。

权值优化集成卷积神经网络及其在三维模型识别中的应用

三维模型应用广泛,如何有效地管理和分类这些数据库中的三维模型一直是人们关注的问题。然而,由于不同三维模型之间的相似性难以测量,因而很难获得一种稳健且广泛适用的三维模型分类算法。为此,提出了一种权值优化集成卷积神经网络(WOTCNN)模型,并将其应用到三维模型的分类识别中。首先,获取三维模型的深度投影视图来最大限度地保留三维模型的空间信息。然后,采用调整的VGG网络对各角度的深度投影图像进行训练并提取预测概率值。最后,通过加权集成算法获得完整三维模型的最终分类结果。对ModelNet10及ModelNet40数据库的实验表明:三维模型的平均分类准确率达到92.84%和86.51%。在预测性能方面,该网络优于普通的单卷积神经网络;在三维模型识别方面,其分类准确率能够得到显著提升。

基于3D卷积神经网络的深基坑施工邻近建筑物沉降预测

中长期深基坑邻近建筑物沉降监测具有时间跨度大、周围环境复杂的特点,导致传统预测方法的预测结果准确性较低。针对传统模型考虑基坑邻近建筑物沉降影响因素较少的缺点,本研究引入时间、空间及检测项类型作为三维原始特征,采用了3D卷积神经网络构建预测模型,并结合兰州盐场污水处理厂深基坑邻近建筑物沉降监测数据为例进行验证。预测结果表明,3D卷积神经网络相比于传统BP神经网络、ALSTM模型,具有更好的预测结果,能为同类型的中长期深基坑施工提供指导。

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。