基于可穿戴设备的开放集动作识别技术研究

随着智能手表、手环等可穿戴设备的普及,将其用于人体行为识别领域并从中解码出人类行为活动,对于健康监测、日常行为分析、智能家居等应用具有重要意义。然而,传统的动作识别算法存在特征提取困难、识别准确率较低等问题,并且均基于封闭集假设,即所有的训练数据和测试数据均来自同一个标签空间,而现实世界中大多都是开放集(Open-Set)场景,在测试阶段可能会将未知标签样本送入模型,从而导致分类错误。文中针对人体动作识别问题,提出了多通道自适应卷积网络(Multi-channel Adaptive Convolutional Network,MCACN),针对传统CNN网络特征提取仅局限于一个小范围内的问题,自适应卷积模块能够使用不同大小的卷积核提取不同时间跨度的特征,并自动计算权重求和。此外MCACN的多通道结构使各传感器数据得以分头进行处理,获得能够区分相近动作的特征细节。最后,设计了基于标签的多元变分自编码器,提出了用于开放集识别的模型MCACN-VAE。该模型能够通过计算重建误差来识别未知类,聚焦于已知类别动作,提高了模型的健壮性。实验结果表明,在封闭集实验中,MCACN模型能够有效地对动作进行识别,对7种日常动作的识别准确率均达到了91%以上,总体准确率达到了95%。在开放集实验中,MCACN-VAE在不同开放度下对于已知类别的总体识别准确率均达到了89%以上,对于未知动作片段的识别准确率也保持在75%以上,证明了所提模型能够有效拒绝未知类,识别已知类。

基于迁移学习的齿轮箱开放集跨工况故障诊断

随着工业与航空航天技术的不断发展,齿轮箱等旋转机械的工况与故障模式逐渐趋于多样化、复杂化,可靠性与安全性问题日益突出,大量工况数据缺乏故障标签,且不同工况间故障模式不对称,迫切需要研究有效的故障诊断方法。以齿轮箱为案例验证对象,设置跨工况和开放集故障诊断场景,针对目标工况故障标签匮乏的问题,提出利用迁移学习将源工况的知识迁移到目标工况,利用交叉熵分类损失函数对已知故障类型进行识别的方法;针对跨工况条件下故障模式不对称的开放集问题,提出利用卷积神经网络提取工况间的相似数据特征,利用二分类损失函数对目标工况的已知类与未知类进行分类的方法。提出联合损失函数,训练诊断模型,实现故障特征从源域到目标域的联合迁移。案例分析结果表明:所提方法能够实现开放集情况下的跨工况故障诊断,且平均诊断准确度在90%以上。

基于自步学习的开放集领域自适应

领域自适应的目的是将从源领域获得的知识泛化到具有不同数据分布的目标领域.传统的领域自适应方法假设源域和目标域的类别是相同的,但在现实世界的场景中并非总是如此.为了解决这个缺点,开放集领域自适应在目标域中引入了未知类以代表源域中不存在的类别.开放集领域自适应旨在不仅识别属于源域和目标域共享的已知类别样本,还要识别未知类别样本.传统的领域自适应方法旨在将整个目标域与源域对齐以最小化域偏移,这在开放集领域自适应场景中不可避免地导致负迁移.为了解决开放集领域自适应带来的挑战,提出了一种基于自步学习的新颖框架SPL-OSDA (self-paced learning for openset domain adaptation),用于精确区分已知类和未知类样本,并进行领域自适应.为了利用未标记的目标域样本实现自步学习,为目标域样本生成伪标签,并为开放集领域自适应场景设计一个跨领域混合方法.这种方法最大程度地减小了伪标签的噪声,并确保模型逐步从简单到复杂的例子中学习目标域的已知类特征.为了提高模型在开放场景的可靠性以满足开放场景可信人工智能的要求,引入了多个准则以区分已知类和未知类样本.此外,与现有的需要手动调整超参数阈值以区分已知类和未知类的开集领域自适应方法不同,所提方法可以自动调整合适的阈值,无需在测试过程中进行经验性调参.与经验性调整阈值相比,所提的模型在不同超参数及实验设定下都表现出了良好的鲁棒性.实验结果表明,与各种最先进的方法相比,所提方法在不同的基准测试中始终取得卓越的性能.

考虑多粒度类相关性的对比式开放集识别方法

深度神经网络在分类任务上不断取得性能突破,但在测试中面对未知类样本时,会错误地给出一个已知类预测结果.开放集识别任务旨在解决该问题,要求模型不仅精确地分类已知类,同时对未知类样本进行准确判别.现有方法虽然取得了不错的效果,但由于未对开放集识别任务的影响因素进行分析,因而大多基于某种假设启发式地设计模型,难以保证对于实际场景的适应性.分析了现有方法的共性,通过设计一个新的决策变量实验,发现模型对已知类的表示学习能力是其中的一个关键影响因素.基于该结论,提出了一种基于模型表示学习能力增强的开放集识别方法.首先,由于对比式学习已展示出的强大表示学习能力以及开放集识别任务所包含的标签信息,引入了监督对比式学习方法,提高模型对已知类的建模能力;其次,考虑到类别间的相关性是在类别层次上的表示,且类别之间往往呈现分层结构关系,设计了一种多粒度类相关性的损失函数,通过在标签语义空间构建分层结构并度量多粒度类相关性的方式,约束模型学习不同已知类间的相关关系,进一步提高其表示学习能力;最后,在多个标准数据集上进行了实验验证,证明了所提出方法在开放集识别任务上的有效性.

开放集识别研究综述

传统机器学习方法和深度神经网络在训练模型的过程中都需要大量标记样本作为支撑,然而标记大量样本是一个耗费巨大的过程,并且真实场景变化莫测,获得所有类别的标记样本是不现实的.因此,研究者开始突破标记样本的限制,提出一种更符合现实的场景——开放集识别(Open Set Recognition,OSR).OSR要求建立的模型不仅能分类训练过程中出现的类别,还可以有效地处理未见过的类别.近年来,OSR迅速发展成为热点领域,大量的工作围绕OSR展开.对现有的OSR工作进行总结:首先,从定义上将OSR与其他相关工作进行区分;其次,按照模型建立、度量选择、增量特点对OSR算法进行总结,并介绍了OSR的两种理论;最后展望了OSR未来的发展方向.

使用特征空间归一化主类距离的智能零售场景开放集分类方法

智能零售场景中往往会使用到图像分类技术来识别商品,然而实际场景中并不是所有出现的物体都是已知的,未知的物体会干扰场景中的模型正常运行.针对智能零售场景中的图像分类问题,从已知类别封闭数据集的分类特征出发,通过对已知类别的分类特征进行计算和修正得到对未知类别物体的分类预测.通过构造已知类别的特征空间,并结合针对图像分类特征空间的特性优化的特征距离——归一化主类距离,可以更好地拟合特征空间在已知类别数据集中的边界概率模型.最终用边界概率模型对原分类特征做出修正计算,得到对物体的未知类别的分类预测,并通过设计实验验证该方法的可行性.此外,在智能零售场景的数据集支持下,与已有方法进行了对比实验.使用特征空间归一化主类距离的开放集分类算法在有着更高的已知类别分类准确率的同时,开放集拒绝率有14.20%的提升,达到了44.85%.

渐进式分离的开放集模糊域自适应算法

域自适应的目的是利用有标记(源)域中的信息来提高未标记(目标)域模型的分类性能,且这种方法已经取得了不错的成果。然而在具有开放性的现实场景下,目标域通常包含源域中未观察到的未知类样本,这被称为开放集域自适应问题。传统的域自适应算法对这样具有挑战性的场景设定无能为力,因此提出了渐进式分离的开放集模糊域自适应算法。首先,基于引进隶属度的开放集模糊域自适应算法,探索了逐步分离目标域中已知类和未知类样本的方法;然后,仅将从目标域中分离出的已知类与源域对齐,从而减小两个域之间的分布差异,进行模糊域自适应。所提算法很好地解决了由于未知类和已知类之间的不匹配而导致的负迁移所带来的影响。在Office数据集上的6组域自适应转化实验结果表明,与传统的域自适应算法比较,所提算法在图像分类中的精度有显著的提升,验证了该算法可以逐步增强域自适应分类模型的准确性和鲁棒性。

开放集文字识别技术

开放环境下的模式识别与文字识别应用中,新数据、新模式和新类别不断涌现,要求算法具备应对新类别模式的能力。针对这一问题,研究者们开始聚焦开放集文字识别(open-set text recognition,OSTR)任务。该任务要求,算法在测试(推断)阶段,既能识别训练集见过的文字类别,还能够识别、拒识或发现训练集未见过的新文字。开放集文字识别逐步成为文字识别领域的研究热点之一。本文首先对开放集模式识别技术进行简要总结,然后重点介绍开放集文字识别的研究背景、任务定义、基本概念、研究重点和技术难点。同时,针对开放集文字识别三大问题(未知样本发现、新类别识别和上下文信息偏差),从方法的模型结构、特点优势和应用场景的角度对相关工作进行了综述。最后,对开放集文字识别技术的发展趋势和研究方向进行了分析展望。

结合环状原型空间优化的开放集目标检测

目的现有目标检测任务常在封闭集设定中进行。然而在现实问题中,待检测图片中往往包含未知类别目标。因此,在保证模型对已知类检测性能的基础上,为了提升模型在现实检测任务中对新增类别的目标检测能力,本文对开放集目标检测任务进行研究。方法区别于现有的开放集目标检测框架在检测任务中将背景类与未知类视为一个类别进行优化,本文框架在进行开放集类别识别的过程中,优先识别候选框属于背景类或是含待识别目标类别,而后再对含待识别目标类别进行已知类与未知类的判别。本文提出基于环状原型空间优化的检测器,该检测器可以通过优化待检测框的特征在高维空间中的稀疏程度对已知类、未知类与背景类进行环状序列判别,从而提升模型对开放集类别的检测性能。在(region proposal networks,RPN)层后设计了随机覆盖候选框的方式筛选相关的背景类训练框,避免了以往开放集检测工作中繁杂的背景类采样步骤。结果本文方法在保证模型对封闭集设定下检测性能的情况下,通过逐步增加未知类别的数量,在Visual Object Classes-Common Objects in Context-20(VOC-COCO-20),Visual Object Classes-Common Objects in Context-40(VOC-COCO-40)以及Visual Object ClassesCommon Objects in Context-60(VOC-COCO-60)数据集中的4个指标上均取得了具有竞争力的结果。同时,通过增加未知类目标的图片数量与包含已知类目标的图片数量的比值wilderness ratio(WR),所提方法在3个对比实验共12项结果中,有10项领先于对比方法。消融实验也证明了方法中每一个模块的有效性。结论本文提出的基于环状原型空间优化的开放集目标检测框架取得了较好的检测效果。通过在实际检测任务中的实验对比,证明了本文方法在不改变模型封闭集识别性能的情况下,有更强的开放集类别检测能力。

开放集下机床关键部件故障诊断迁移方法

为了解决在开放集下的未知故障迁移问题,提出了基于理论边界优化的渐进式迁移学习网络.首先,对迁移学习模型的误差边界进行了分析,为模型优化提供理论指导;其次,设计基于对抗网络的双辨别器识别未知故障数据,通过粗辨别器输出相似性排序为精细辨别器进一步划分决策边界;最后,通过渐进式辨别器的输出对目标域样本和源域样本进行加权分布匹配.为了全面评估所提出模型的鲁棒性,设计了4种不同程度域偏移的故障迁移案例进行验证,实验结果表明:模型的平均类内识别精度为96.3%,相比其他迁移学习模型在不同开放度差异下表现出更优的诊断效果.

开放型产业集群形成中跨国公司的作用研究——以长江三角洲地区高新技术产业集群为例

在开放型产业集群形成过程中,跨国公司将会影响技术型集群的知识辐射、生产型集群的集群结构,并成为市场型集群的枢纽。开放型集群的形成会给地方性企业提供进入国际市场的机会,促进中小企业的国际化行为,形成大量的地方性企业。长江三角洲地区依靠比较优势,通过高新技术产业的区域集聚,逐步形成了高新技术产业集群,未来的关键是通过核心技术的本土化,提升产业集群的竞争优势。

政府类开放关联数据集调查研究

作为开放关联数据云图中重要的数据集合,政府开放关联数据集拥有庞大的数据规模和发达的数据共享实践,受到广泛关注。文章对曼海姆关联数据目录中的284个政府类开放关联数据集进行调查,从数据集的发布国家分布、主题分布、数据集格式、链出情况、链入情况、连接谓词、词表和开放协议等方面进行统计分析,发现政府类开放关联数据集具有数据集国家分布较集中、数据集主体涵盖政府工作各个方面、数据集之间关联关系紧密、质量控制和版权保护较为严格等特点。

基于特征解耦的开放世界目标检测

开放世界目标检测是一项具有挑战性的视觉任务,填补了传统目标检测与真实世界目标检测的差距。与有限类别集合设定下的传统方法不同,开放世界目标检测不仅需识别和检测已知(可见)类别的目标,还要能够标记并逐渐学习未知(不可见)类别的目标。当传统的目标检测技术直接应用于开放世界场景时,常出现2个主要问题:其一,可能会将未知类视为背景而忽视;其二,可能将未知类错误地归类为已知类。为解决这些问题,提出采用退火算法分离已知与未知的特征,指导检测模型的学习过程。由于退火模块的引入,未知类精度有所提升,但已知类的精度略有下降,因此引入高效通道注意力模块提高已知类精度。与以往方法相比,该策略在检测已知类和未知类的目标上均表现出更优的性能。

基于CAS的杭州市高新技术企业开放式集群创新模型与演化机理研究

随着高新技术企业集群创新与合作创新活动的不断演进,杭州市高新技术企业也逐渐由封闭式的技术创新模式向开放式集群创新模式转变,逐步在地域空间分布和创新活动的各个层面形成开放式集群创新网络。按照各创新主体及其相互关系,建立开放式集群创新模型,并使用CAS理论对其演化机理进行分析。

基于Canvas Network开放数据集的MOOC学习分析

大规模学习者的参与使MOOC平台记录了海量学习者行为数据,这为基于大数据进行学习分析提供了基础。基于Canvas Network发布的开放数据集特点,对数据集字段进行统计分析,力图全面展现MOOC学习者实际学习状况。在统计分析的基础上,选取有学习者自我评价数据的样本,分析不同类型学习者在学习目标、每周期望学习时间、学习行为和学习成绩上的差异性。

基于MOOC开放数据集的学习行为分析

"互联网+"教育推动了教学模式的网络化进程。MOOC等线上教学模式的广泛开展,为教育研究者提供了海量的学习行为数据。通过对学习特征等信息的统计分析和挖掘,能够更好地掌控线上学习过程,改进课程建设,并很好地调控线下教学环节,达到最佳的教学效果。文章基于edX开放数据集,运用统计分析和主成分分析法对学习者信息、类型和行为进行研究分析,以期为在线教育模式改革提供参考依据。

几种全球开放DEM数据集的对比分析

开放访问的全球数字高程模型(DEM)数据集高程精度一直是科研和应用领域的重要议题。本文在详细介绍了AW3D30 DEM、SRTM DEM、ASTER GDEM和TanDEM-X DEM基本参数的基础上,对比分析了AW3D30DEM、SRTM1 DEM和ASTER GDEM 3种数据集的高程精度。实验表明,AW3D30 DEM高程精度最高,其次是SRTM1 DEM。ASTER GDEM高程上存在整体偏差。SRTM1 DEM在地形起伏较大的地区,误差较大。

中欧班列驱动下新疆开放型产业集群培育探索

为不断发挥新疆“丝绸之路经济带”核心区位及交通优势,凸显新疆市场发展潜力,推动外向型产业聚集发展,带动新疆经济整体联动发展,提升新疆的影响力和竞争力,从开行列数创新高、货物品类多元化、运输效率不断提升和服务功能不断完善等方面阐述新疆中欧班列发展现状,提出吸引货物资源、深化产业合作、提升通关效率、培育竞争新优势等中欧班列驱动下新疆开放型产业集群培育路径,剖析培育效应,即:促进产业转型升级、加快企业走出去步伐、优化新疆投资环境和推动开放型经济发展,实现新疆经济高质量发展。

开放型产业集群与跨国公司互动关系的实证分析——以天津经济技术开发区为例

传统的产业集群研究主要集中于小企业集群的地方化网络系统,却忽略了跨国公司在集群参与中的重要作用,虽有一些学者对该领域进行了有益的探索,但是大都忽略了经济全球化这一时代大背景。文章以产业集群日益融入全球化框架为背景,以天津经济技术开发区为例,对开放型产业集群与跨国公司的互动关系进行了实证分析,指出了其存在的优势和不足,并提出了对该区域经济发展的政策建议。

地理相关领域开放关联数据集调查研究

地理相关领域开放关联数据集具有庞大数据规模和实践应用,对其进行调查研究有助于了解开放关联数据集的现状、特点和应用。文章选定了89个地理相关领域开放关联数据集进行调查,从数据集主题分布、格式使用、数据集链出与链入关系、所用词表多个维度进行调查分析。总结出地理相关领域开放关联数据集间的关系特征、主题特点和可能应用,以期促进对语义网实现、"智慧地球"和"智慧城市"建设的进一步探讨与研究。