基于全卷积神经网络多任务学习的时域语音分离

基于深度神经网络时频掩码进行语音分离时,目标信号相位一般采用混合信号的相位谱,且对性别组合缺乏针对性处理,这导致分离语音的质量不佳。针对该问题,本文提出一种基于全卷积神经网络联合性别组合检测(Fully Convolutional Neural Network-Gender Combination Detection,FCN-GCD)多任务学习的时域语音分离方法。该方法首先在语音分离支路构建全卷积神经网络,该网络的输入为时域两人混合语音信号,输出为目标讲话者的纯净语音信号,运用卷积编码器和反卷积解码器对特征进行压缩和重建,实现端到端的语音分离。其次将混合语音性别组合检测任务整合到语音分离网络中,在两个任务联合约束下获取辅助信息特征和语音分离特征,并将这些深度特征相结合来提升语音分离质量。该FCN-GCD方法是一种时域语音分离方法,不需要进行相位恢复和频域到时域的重构,相比频域处理方法,该处理过程简单,从而提高了运算效率。另外,该方法从混合语音性别组合检测任务中提取有效的辅助信息特征,利用联合特征实现了更有效的语音分离。实验结果表明,与单任务的语音分离方法相比,本文所提出的FCN-GCD方法在男男、女女和男女三种性别组合下均有效提高了语音质量,在语音质量感知评估(Perceptual Evaluation of Speech Quality,PESQ)、短时客观可懂度(Short-Time Objective Intelligibility,STOI)、信号干扰比(Signalto-Interference Ratio,SIR)、信号失真比(Signal-to-Distortion Ratio,SDR)和信号伪像比(Signal-to-Artifact Ratio,SAR)评价指标上均获得更佳的表现。

应用于人脸识别的多任务卷积神经网络性能优化

对一种多任务卷积神经网络的人脸识别性能进行研究与优化。该神经网络采用3个独立的任务网络分别进行人脸检测、关键点定位和人脸识别。让3个任务网络在训练过程中共享底层卷积层的特征表示,使得模型能针对多个任务同时进行学习,进而提高其泛化能力和识别精度。为了增强模型对图像的学习能力,采用一种数据增强和迁移学习技术,使人脸识别系统的准确性、鲁棒性和可靠性均得到了显著提升。研究结果为发展人脸识别技术提供了新的思路,尤其在处理复杂场景和多样化人脸图像方面具有一定的应用前景。

一种基于全卷积神经网络的空中目标战术意图识别模型

针对现有空中目标识别方法敏捷性和可靠度不够高的问题,研究设计了一种深度学习模型MLSTM-FCN,结合了全卷积神经网络、循环神经网络和压缩与激励模块的优点。全卷积网络能够提取空战数据中的复杂局部特征,长短记忆神经网络可以捕捉空战意图数据的时序特征。通过消融实验和对比实验结果表明,MLSTM-FCN模型在意图识别准确率、反应速度和抗干扰能力方面明显优于现有的空中目标意图识别模型,取得了sota的结果,为指挥员在进行空中作战决策时提供更有效的依据。

基于全卷积神经网络的纵横波分解技术研究及其在弹性波成像中的应用

纵波(P)和横波(S)波场分解对弹性介质中的多分量地震波成像至关重要,但是常规P-S波波场分解方法精度相对较低,且存在成像假象的问题。为此,构建了一种基于全卷积神经网络(FCN)的网络结构,用于二维各向同性弹性介质地震波场的P-S波波场分解。该网络由全卷积神经网络构建,使用合成波场快照进行训练,训练完成的网络类似空间滤波器,可实现高精度的P-S波波场分解。不同于基于傅里叶变换的P-S波波场分解方法,该方法可以在波场任意空间位置处开展P-S波波场分解,因此适用于面向目标的地震成像。合成数据的计算示例表明,基于全卷积神经网络的纵横波波场分解方法可有效分解P波和S波波场,且精度高于其他空间域分解方法。弹性波逆时偏移成像结果表明,使用基于全卷积神经网络(FCN)的P-S波波场分解方法所获得的基于P波和S波的地震波成像结果,可有效减少速度界面处的成像假象,提高复杂地质条件下的多波成像精度。

基于多任务深度卷积神经网络的显著性对象检测算法

针对当前基于深度学习的显著性对象检测算法不能准确保存对象边缘的区域,从而导致检测出的显著性对象边缘区域模糊、准确率不高的问题,提出了一种基于多任务深度学习模型的显著性对象检测算法。首先,基于深度卷积神经网络(CNN),训练一个多任务模型分别学习显著性对象的区域和边缘的特征;然后,利用检测到的边缘生成大量候选区域,再结合显著性区域检测的结果对候选区域进行排序和计算权值;最后提取出完整的显著性图。在三个常用标准数据集上的实验结果表明,所提方法获得了更高的准确率,其中F-measure比基于深度学习的算法平均提高了1.9%,而平均绝对误差(MAE)平均降低了12.6%。

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

针对海量用户负荷预测场景下,应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题,提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先,基于聚类技术实现多任务学习中相关任务的选择;其次,为每一类用户群构建多维融合输入,合理有序容纳多个任务的特征,避免维度爆炸和信息混乱;最后,分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型,学习共享特征,并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析,结果表明,该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

基于全卷积神经网络的遥感图像线性构造解译方法——以云县官房铜矿区为例

文章研究了深度学习方法在地质构造解译中的应用,探究了相比传统的线性构造方法更为高效且无需先验知识的方法。以基于全卷积神经网络(FCN)的图像像素注释方法实现了遥感数据对于线性构造解译半自动解译。选择云南省云县官房铜矿矿区作为实验区域,绘制的图件表明该解译方法能够满足普通地质研究的基本需求,同时也能作为人工线性构造解译工作的初步参考,具有一定的研究意义。而与其他传统自动解译方法对比,可以发现在解译精度、效率和可重复使用性上都存在一定的优势。这些研究成果对于地质构造解译的自动化发展具有重要的参考价值,也为遥感解译智能化的发展提供了新思路。

改进全卷积神经网络的遥感图像小目标检测

对遥感图像中小目标的检测进行研究,提出改进全卷积神经网络的检测新算法。首先,分析了分层概率图模型和深度学习的基本概念和模型。然后,提出分层概率图模型中分层马尔可夫随机场的后验边际模式的递归获取步骤。最后,将全卷积神经网络和分层概率图模型联合,实现对全卷积神经网络的改进,构建遥感图像小目标检测新方法。此外,在所提方法中,选用随机森林技术从分类学习样本中估计每个类和分辨率的后验概率。基于对某地区卫星数据集的处理,将所提出的检测方法与其他四种方法进行了对比。对比实验结果表明,与其他方法相比,所提出的检测方法对低矮植被、车辆、树等遥感图像中的小目标具有更高的检测准确率。

基于优化多任务级联卷积神经网络的多人目标侦测

针对多人目标侦测识别的速度问题,提出了一种优化的多任务级联卷积神经网络(OMTCCNN)。首先,对CelebA数据集进行增样处理;其次,对MTCCNN进行关键点的回归,同时加入Dropout抑制部分神经元,加速侦测时间;最后,通过Arc-SoftMax增大类间距,优化SoftMax分类效果。基于召回率、精确率和运行时间等评价指标的对比,结果表明:优化后的OMTCCNN时间上略有提升,人脸识别在Arc-SoftMax上的分类效果明显,可以用于小范围多人目标侦测。

全卷积神经网络在垃圾土勘察中的应用

垃圾土与原土壤往往存在电阻率差异,常用垃圾土探测方法是高密度电阻率法和时域电磁法,而对反演结果的人工解译效率低,且准确性难以保证。通过全卷积神经网络在垃圾土勘察中的应用,识别某拆后绿地改造工程地下建构筑物垃圾土探测数据,确定垃圾土范围,表明了本方法的有效性、实用性和可靠性,为垃圾土勘察、土方量计算和改善土地性状等提供参考。

基于全卷积神经网络的无人机巡检图像边缘检测方法

由于无人机巡检图像边缘检测的距离误差大、图像清晰度低,提出基于全卷积神经网络的无人机巡检图像边缘检测方法。采用水平集量化特征分解方法,提取无人机巡检所采集图像的多尺度边缘特征;采用全卷积神经网络构建图像边缘检测模型结构,优化损失函数,完成模型的局部和整体训练,并将多尺度边缘特征输入深度学习网络;采用二阶导数计算像素边缘概率,检测图像的弱边缘并生成边缘信息概率图,计算无人机巡检图像弱边缘对象的概率值,实现图像边缘细化。实验结果表明,所提方法能有效获取图像中目标对象的边缘特征,距离误差均小于0.25,图像清晰度均在24以上,能够完整、可靠获取图像中不同位置、物体等目标的边缘结果,且边缘检测结果更为精细。

基于改进全卷积神经网络的体育运动员动作识别方法

传统的体育运动员动作识别方法,直接对运动员动作识别结果进行输出未对运动区域进行提取,识别精度低。该文提出基于改进全卷积神经网络的体育运动员动作识别方法,使用摄像机对体育运动员动作图像进行采集,并对图像进行基于改进全卷积神经网络的运动区域提取,体育运动员动作识别流程,输入动作图像并对结果进行输出,实现基于改进全卷积神经网络的体育运动员动作识别。实验结果表明该研究方法识别精度高,具有一定优势。

基于全局自适应跨步全卷积神经网络的网络流量分类方法

目前,深度学习算法尤其是卷积神经网络,在网络流量分类问题中取得了不错的效果,但是该方法在进行流量分类时普遍存在耗时的问题。针对该问题,设计一种全局自适应的卷积神经网络结构(Global Adaptive stride Convolutional Neural Network,GACNN),采用跨步卷积层替换卷积层和池化层,并分别使用自适应的全局最大池化层和自适应的跨步卷积层代替经典卷积神经网络中的全连接层,以减少卷积神经网络的权重和连接数从而提高分类效率。实验结果表明,文章所设计的神经网络结构在提升分类精度的同时提升了数倍的测试速度。与此同时,设计的结构具有动态自适应功能,能够应对混合维度数据的输入。

基于多任务卷积神经网络的人脸识别技术分析

随着我国科技方面的快速发展,人脸识别技术已经得到了良好的提升,但是其中还有着较大的进步空间,这已经对我国的人脸识别技术造成了一定程度上的阻碍。本文将对多任务卷积神经网络与人脸识别机技术进行简要的概述,并且对卷积神经网络的划分进行具体的分析,最后对基于多任务卷积神经网络的人脸识别技术发展趋势进行深入的研究。

多任务学习及卷积神经网络在人脸识别中的运用

在深度学习的持续发展过程中,现阶段人脸识别在深度学习的支持之下获得了巨大的突破。而加强对人脸鉴别、认证、属性分类等不同任务的分析,通过独立的设计与运作模式对其进行处理,会导致其耗费大量的时间,且效率也相对较低。而通过多任务框架的深度卷积网络对其进行分析,可以通过端到端的训练,提升深度卷积网络算法的简洁性以及高效性。对此,文章主要对多任务学习及卷积神经网络在人脸识别中的运用进行了简单的探究分析。

融合Gamma校正与多任务卷积神经网络的人脸识别

针对当前基于深度学习的人脸识别算法对一些模糊或较暗图像识别人脸准确率不高的问题,结合Gamma校正算法优点,提出了融合Gamma校正的多任务卷积神经网络(multi-task convolutional neural networks,MTCNN)人脸识别算法(gamma multi-task convolutional neural network,GMTCNN)。首先,利用Gamma校正增加图像像素低的对比度,同时减少图像像素高的部分的对比度;其次,利用MTCNN算法对处理后的图像人脸识别。实验结果表明,GMTCNN算法对有遮挡物的人脸识别率更高,并且能够准确识别一张图的多张人脸。

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network,LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。

多任务学习及卷积神经网络在人脸识别中的应用

随着深度学习的发展,近年来人脸识别借助深度学习技术取得了巨大突破。但是在已有的基于深度学习的人脸识别框架中,各个任务(人脸鉴别、认证和属性分类等)都是相互独立设计、运作的,使得整体算法低效、耗时。针对这些问题,提出一种基于多任务框架的深度卷积网络。通过将人脸鉴别、认证和属性分类同时作为网络目标函数,端到端地训练整个深度卷积网络,算法简洁高效。此网络可以同时完成上述三个任务,不需要额外的步骤。实验结果显示,即使在有限的数据支持下,该方法依然能够取得不错的性能,在人脸识别权威数据集LFW上获得了97.3%的精度。

基于情感轮和多任务卷积神经网络的图像情感分布学习

图像情感分布学习可以对多种情绪同时进行建模,但现有的模型缺乏有效的方法直接考虑情绪之间的相关性.针对这一问题,该文提出一种基于情感轮和多任务卷积神经网络(EW-MTCNN)的图像情感分布学习模型,通过先验知识模块将心理学情感知识直接引入到深度神经网络中.基于Mikel′s情感轮定义成对情绪之间的相关性,EW-MTCNN模型采用多任务卷积神经网络学习情绪之间的相关性信息,同时优化情感分布预测和情绪分类任务.EW-MTCNN模型由3个模块组成,3个模块分别是图像特征提取层、情感轮先验知识层和多任务损失层.在情感分布数据集(Emotion6)和单标签数据集(Artphoto)上进行对比实验的结果表明:EW-MTCNN模型在情感分布预测与情绪分类任务上比其他情感分布学习方法具有更优的性能.

基于多任务卷积神经网络的车辆多属性识别

细粒度车辆识别极具挑战性,尤其在两辆车的外型差异及其细微的时候。通过车辆的附加属性能够提高车辆识别效果,但一般的神经网络模型忽略了附加属性间的联系,提出一种基于改进的triplet loss作为损失函数的车辆多属性学习的卷积神经网络,用于实现细粒度车辆多属性识别。具体而言,通过对传统神经网络结构的改变,将车辆识别问题转化为多属性学习问题。对三元组损失函数进行改进用于训练网络以实现细粒度车辆识别。同时,创建了一个车辆多属性数据集并完成训练工作,结果显示了该方法的潜力。