基于卷积自编码与密集时间卷积网络的回转支承退化趋势预测

为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network,TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network,DTCN)。该模型借鉴Dense-Net网络中的Dense-block模块对网络结构进行改进,以解决时间卷积网络在训练中损失函数下降缓慢,以及网络不易收敛、收敛效果差的问题;使用回转支承全寿命试验数据,借助卷积自编码网络(convolutional auto-encoders,CAE)与隐马尔可夫模型(hidden Markov model,HMM)建立健康指标,验证该改进算法的有效性;将DTCN与其他序列预测模型如长短时记忆网络(long short-term memory,LSTM)、门控循环单元网络(gated recurrent unit,GRU)等对比。结果表明,该模型在预测效果上具有优越性,能够更准确地预测健康指标的变化情况,可用于回转支承的退化趋势预测任务。

基于空间变换密集卷积网络的图片敏感文字识别

互联网上含有大量多字体混合、形变、拉伸、左右结构字形、倾斜畸变等复杂场景下的敏感文字图片,在处理相关图片过程中存在特征提取难、识别率低的问题.本文提出基于空间变换网络与密集神经网络的方法对图片敏感文字进行特征提取与变换矫正,使用了深层双向GRU网络与CTC时域连接网络对序列特征信息进行标记预测,序列化处理文本的方式可较好地提升距离较宽文字与模糊文字信息的处理能力.实验结果表明,本模型在Caffe-OCR中文合成数据集和CTW数据集中分别实现了87.0%和90.3%识别准确率,平均识别时间达到了26.3 ms/图.

基于密集连接思想的小样本关系抽取研究

针对大多数关系抽取模型在小样本数据量的情况下无法高效地对单个语句的语义关系进行抽取的现象,提出了基于密集连接思想的小样本关系抽取框架。在时间卷积神经网络中借鉴DenseNet的密集连接思想,使用密集连接代替残差处理,能够减少特征损失,抑制过拟合现象,提取出小样本量文本序列数据中的更多语义信息,提高小样本关系抽取的准确度,取得了相对有竞争力的F1值。

时域注意力Dense-TCNs在多模手势识别中的应用

为增强时间卷积网络(TCNs)在时间特征提取方面的能力,提出一种基于三维密集卷积网络与改进TCNs的多模态手势识别方法。通过时空特征表示方法将手势视频分析任务分为空间分析和时间分析两部分。在空间分析中采用三维DenseNets学习短期的时空特征,在时间分析中使用TCNs提取时间特征。在此基础上引入注意力机制,使用时域维度的压缩-激励网络调整每个TCNs层特征在时间维度上的权值比重。分别在VIVA和NVGesture两个动态手势数据集上对该方法进行评价,实验结果表明,该方法在VIVA数据集上的正确率为91.54%,在NVGesture数据集上的正确率为86.37%,且与最新的MTUT方法水平相近。