微调卷积神经网络在建筑外立面裂缝检测中的应用研究

深度学习技术用于建筑外立面裂缝检测,具有效率高、客观性强的特点,但建筑外立面背景的多样性导致使用大量样本堆砌训练的时间较长,难以取得良好的识别效果。为提高检测的查准率、查全率与训练效率,提出了基于迁移学习的微调训练方法:使用大量来自其他建筑的已有样本进行预训练之后,使用来自待检测建筑的少量样本进行微调训练;然后,使用微调训练后的模型对待检测建筑的其他部分进行检测。通过对比不同训练方法的测试结果与训练时间,证明了微调卷积神经网络在建筑外立面裂缝检测中的优越性,并研究了冻结层数对微调训练模型的影响。

基于深度学习的多模态融合网民情感识别研究

现有网民情感识别研究多基于文本这一单模态,缺乏结合网民所发的文本及附带的图片来识别网民情感的研究。本文基于深度学习设计多模态融合网民情感识别模型,利用词向量模型对文本进行表示,并构建BiLSTMs模型提取文本情感特征,构建基于迁移学习的微调CNNs提取图片情感特征;将提取的文本和图片情感特征进行特征层融合后,输入至SVM中,实现多模态融合网民情感识别,同时将构建的多模态融合网民情感识别模型(DNNs-SVM)与设计的基线模型做实验效果对比,基线模型分别是word2vec+BiLSTMs、BERT+BiLSTMs、CNNs、微调CNNs和DNNs。实验结果表明,融合文本和图片特征的多模态融合情感识别结果优于单模态情感识别结果,多模态融合DNNs-SVM模型均优于所设计的基线模型。