基于跨层连接的多通道DBiSAC网络欺凌检测模型

目的:网络欺凌文本存在特征稀疏、用词不规范、语义模糊等问题,导致简单的神经网络无法充分提取其语义特征和句法特征。因此,提出了一种基于跨层连接的多通道DBiSAC网络欺凌检测模型。方法:先利用Glove预训练模型实现文本的词向量化表示。其次构建并行的多尺度深度可分离卷积(MSDSC)和采用了跨层连接策略的双向简单循环(CBiSRU)的多通道特征提取网络,分别提取文本的局部特征和提取文本的上下文中语义信息的全局特征。再将局部特征和全局特征拼接之后利用多头注意力机制(MHA)对其重要特征信息进行捕捉。然后利用胶囊网络(Capsnet)对文本序列中空间层次的语义特征进行提取。最后将提取的文本特征信息通过含有Softmax函数的全连接层分类器输出分类结果。结果:实验表明,提出的模型在两个网络欺凌的数据集上均取得了最优的结果。结论:本文模型在能够有效提高模型准确率。。

跨层连接的改进BP算法及其应用

传统的BP算法存在一些缺陷,它的信息处理能力不仅取决于神经元之间的连接强度,而且与网络的拓扑结构有关。文章将BP传统的顺序连接方式变化为各层神经元之间可以任意连通的跨层连接方式,从而提出了一种改进的BP算法,并将其应用于制茶工业的产品参数设计,实验结果表明,该算法在训练时间、迭代步数和预测效果方面,都远远优于传统的BP算法。

基于跨层全连接神经网络的癫痫发作期识别

在缺乏足够先验知识下,自适应癫痫发作期识别异常困难。提出一种新的度量通道之间的同步特征计算方法(聚类划分互信息),以相关矩阵方式组织单窗口内全局同步特征模式,进而设计一种跨层全连接神经网络分类器,对非平稳同步特征模式实现自适应分类。实验表明该方法可获得[98.19%±0.24%]精确度,[98.27%±0.51%]敏感度和[98.11%±0.36%]特异度,超过了现有大部分方法的分类性能。另外,该方法无须去噪和去伪迹等预处理过程;而且其仅需设置一个超参数(时间窗),避免了过多的潜在错误参数设置而导致的分类性能的降低。

交叉连接的少层残差卷积神经网络

最近的研究表明,卷积神经网络的性能可以通过采用跨层连接来提高,典型的残差网络(Res Net)便通过恒等映射方法取得了非常好的图像识别效果.但是通过理论分析,在残差模块中,跨层连接线的布局并没有达到最优设置,造成信息的冗余和层数的浪费,为了进一步提高卷积神经网络的性能,文章设计了两种新型的网络结构,分别命名为C-FnetO和C-FnetT,它们在残差模块的基础上进行优化并且具有更少的卷积层层数,同时通过在MNIST,CIFAR-10,CIFAR-100和SVHN公开数据集上的一系列对比实验表明,与最先进的卷积神经网络对比,C-FnetO和C-FnetT网络获得了相对更好的图像识别效果,其中C-FnetT网络的性能最佳,在四种数据集上均取得了最高的准确率.

基于跨连卷积神经网络的性别分类模型

为提高性别分类准确率,在传统卷积神经网络(Convolutional neural network,CNN)的基础上,提出一个跨连卷积神经网络(Cross-connected CNN,CCNN)模型.该模型是一个9层的网络结构,包含输入层、6个由卷积层和池化层交错构成的隐含层、全连接层和输出层,其中允许第2个池化层跨过两个层直接与全连接层相连接.在10个人脸数据集上的性别分类实验结果表明,跨连卷积网络的准确率均不低于传统卷积网络.

基于加权密集连接卷积网络的深度强化学习方法

针对深度强化学习中卷积神经网络(CNN)层数过深导致的梯度消失问题,提出一种将密集连接卷积网络应用于强化学习的方法。首先,利用密集连接卷积网络中的跨层连接结构进行图像特征的有效提取;然后,在密集连接卷积网络中加入权重系数,加权密集连接卷积网络中的每一层都接收到前面几层产生的所有特征图,且之前所有层在跨层连接中被赋予不同的初始权重;最后,在训练中动态调整每层的权重,从而更加有效地提取特征。与常规深度强化学习方法相比,在GridWorld仿真实验中,在相同训练步数内的平均奖励值提升了85.67%;在FlappyBird仿真中,平均奖励值提升了55.05%。实验结果表明所提方法能在不同难度的游戏仿真实验中获得更好的性能。

基于密集连接空洞卷积神经网络的青藏地区云雪图像分类

为了提高高纬度地区云雪卫星图像的识别准确率,提出了密集连接空洞卷积神经网络与空洞卷积相结合的方法进行云雪卫星图像识别研究;该方法首先采用常规卷积层对图像进行处理得到特征图,然后采用多个密集块和过渡层对特征图进行处理;其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得大量云雪特征得到重用,同时减轻了训练过程中的梯度消失问题;密集块中的卷积核采用空洞卷积,在减少参数量的同时扩大局部感受野,对云雪的光谱信息进行特征提取;最后,该方法采用平均全局池化层与全连接层得到云雪图像的预测结果;实验结果表明,与其他机器学习方法相比,该方法能够提高卫星云雪图像的识别准确率,具有良好的泛化能力。

连接卷积神经网络人脸表情识别算法

首先用ROI方案对表情数据集进行处理,再运用跨层连接的方法改进LeNet-5神经网络,使两个池化层与全连接层结合起来组成新的结构,将低层网络特征也考虑在内。进行了相关仿真研究。

基于跨连特征融合网络的面部表情识别

传统神经网络特征单向处理难以有效利用高层抽象特征和低层细节特征,不能获得更多有用信息,为此提出跨连特征融合神经网络(cross-connected feature fuse,CFF)模型,进一步提高面部表情分类的准确率。在AlexNet卷积神经网络的基础上,通过结合低层池化层与高层池化层中的特征,获取更多全面、细致的表情特征信息,使用矩阵的方式表示模型处理过程。在REN_VFEdb面部表情数据库上的实验结果表明,CFF的分类准确率为93.56%,比AlexNet卷积神经网络提高了1.12%。

一种改进的多层前馈神经网络结构研究

通过将传统多层前馈神经网络结构改造为具有跨层连接的网络,提出了相应的多层前馈神经网络改进算法。通过分析网络误差函数,从理论上证明了:相对于无跨层连接网络,有跨层连接网络能以更加简洁的结构逼近理想状态。最后,用一个隐层神经元解决了传统网络必须用两个隐元才能解决的异或问题。

基于加权密集连接卷积的深度强化学习方法总结

随着社会的发展和科学技术水平的提升,人们在思考一种学习方法的时候不再只从表面层次入手,而是采用新的科技方法进行深度强化学习。基于此,本文以加权密集连接卷积的深度强化学习方法作为研究对象,通过对深度强化学习的整体框架进行分析,分别从密集连接卷积网络、加权密集连接、网络模型的具体实现、经验池回收以及随机批量学习等方面详细阐述基于加权密集连接卷积的深度强化学习方法的探究,从而在不同难度的游戏仿真实验当中得到更加理想的性能。

基于改进YOLOv5的甘蔗茎节识别方法

针对甘蔗智能切种机作业过程中背景杂乱导致茎节识别精度低等问题,提出了基于改进YOLOv5的一种甘蔗茎节识别方法。采用跨层级连接的方式优化颈部结构,增强不同层级间的信息融合能力;同时改进模型损失函数,一方面引入EIoU损失函数代替原始CIoU损失函数,提高边界框回归精度,另一方面利用Focal loss损失函数替换交叉熵损失函数,解决正负样本比例不均衡问题;最后引入Ghost模块轻量化网络模型。试验结果表明,本研究提出的模型相较于原模型,平均精度值提高了1.4个百分点,达97.80%,单张检测时间为16.9ms,模型大小仅11.40 Mb,实现了在不同杂乱程度场景下的甘蔗茎节识别,降低了切种时背景杂乱产生的影响。

一种基于YOLOv5s的交通标志检测算法

针对传统道路交通标志检测精度差、检测模型参数量较多等问题,对传统YOLOv5s模型进行了改进。该算法以YOLOv5s网络模型为基础,在骨干网络设计带有通道和空间注意力机制的C3CBAM卷积模块,从通道和空间域上增加对包含交通标志信息的特征图的关注度;接着在模型颈部将轻量级神经网络GhostNet融入原有的卷积网络,减少了网络模型参数量;最后在模型骨干网络和颈部增加跨层连接结构来融合更多的语义特征。将改进后的模型使用TT100K数据集进行训练和测试,实验结果表明改进后的模型参数量比之前减少了18.4%,且检测精度提升到了80.1%,比原有的检测网络提高了2.2%。

一种耦合深度信念网络的图像识别方法

针对网络层数增加带来的梯度消失问题,提出了一种耦合深度信念网络的图像识别方法.该方法将"跨层"连接引入到深度信念网络中并应用于图像识别.给出了耦合深度信念网络的结构示意图及其参数更新方法,并在相同数据集和网络层数情况下比较了具有最佳参数的深度信念网络与最佳参数的耦合深度信念网络的识别性能,分析了"跨层"连接中主、次线耦合比例对网络性能的影响,且与几种经典的深度学习方法进行了对比.实验结果显示,耦合深度信念网络在收敛速度与识别精度上均优于深度信念网络.同时,相比于经典的深度网络,文中所提方法获得了良好的识别性能.这说明采用"跨层"耦合方式可有效缓解深度信念网络训练过程中出现的梯度消失问题,提高网络的识别性能.

一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型

当前的显著性目标检测算法在准确性和高效性两方面不能实现良好的平衡,针对这一问题,该文提出了一种新的平衡准确性以及高效性的显著性目标检测深度卷积网络模型。首先,通过将传统的卷积替换为可分解卷积,大幅减少计算量,提高检测效率。其次,为了更好地利用不同尺度的特征,采用了稀疏跨层连接结构及多尺度融合结构来提高模型检测精度。广泛的评价表明,与现有方法相比,所提的算法在效率和精度上都取得了领先的性能。

面向图像场景转换的改进型生成对抗网络

设计了新的生成器网络、判决器网络以及新的损失函数,用于图像场景转换.首先,生成器网络采用了带跨层连接结构的深度卷积神经网络,其中,多个跨层连接以实现图像结构信息的共享;而判决器网络采用了多尺度全域卷积网络,多尺度判决器可以区分不同尺寸下的真实和生成图像.同时,对于损失函数,该算法借鉴其他算法提出了4种损失函数的组合,并通过实验对比证明了新损失函数的有效性,包括GAN损失、L_(1)损失、VGG损失、FM损失.从实验结果显示,该算法能够实现多种转换,且转换后图像的细节保留较为完整,生成图像较为真实,明显消除了块效应.

结合优化U⁃Net和残差神经网络的单通道语音增强算法

语音增强的目的是从带噪语音中恢复出干净的语音信号,为了解决现有深度神经网络中语音增强算法不稳定,语音增强效果不理想的问题,提出一种改进的U⁃Net网络与残差神经网络相结合的语音增强算法。首先,该方法构建了一个基于U⁃Net网络的端到端的语音增强模型;然后在该模型的编解码块中引入残差单元,将残差神经网络结构的跨层连接和拟合残差项应用到模型训练中,该方法更有利于恢复目标语音的细节特征信息,增强了模型训练的稳定性,提高了模型的特征提取能力和训练效率,改进后的Residual⁃U⁃Net网络模型能够实现更优的语音增强效果。仿真实验结果表明:与现有的其他几种语音增强方法相比,文中所提出的Residual⁃U⁃Net算法更有效地实现了语音增强,此外,该算法具有良好的去噪效果,进一步提高了语音信号的质量及其可懂度。

基于嵌入式的硅晶片瑕疵检测

针对目前硅晶片瑕疵具有大小差异较大,与背景相似性高,存在大量细小瑕疵,检测算法具有较高复杂度的特点,结合当前先进的目标检测技术与嵌入式技术,提出了基于嵌入式的硅晶片瑕疵检测方法。利用现在流行的YOLOv3算法,通过改进网络结构,并融合了数据扩增等方法训练目标检测网络,使得算法更适合于硅晶片的瑕疵检测任务,并采用模块化设计在Linux嵌入式系统下实现了图像采集、处理、存储与输出。实验表明,在较小的样本下,该方法实现了对硅晶片瑕疵的快速、准确的检测。

无人CT智能姿态识别算法研究

针对新冠肺炎疫情中肺部CT检查需要医生人工指导矫正姿态和交叉感染风险大的问题,提出基于人体姿态识别的无人CT智能姿态识别算法。通过CT-OpenPose模型检测人体姿势,该算法在OpenPose模型基础上,解决了传统模型硬件性能要求高、检测速度慢和复杂环境下检测精度下降等问题,使用带自适应软阈值残差网络、跨层连接机制和权值修剪的方法对传统模型在底层特征提取方式、底层特征处理流程、模型训练和压缩方面进行改进。实验结果表明,在无人CT姿态识别任务中,CT-OpenPose模型检测精度高于传统模型,为83.6%,尤其在人体关键部位被臃肿的衣物或防护衣物遮挡的情况下,检测速度是传统模型的近3倍,达到42.2 f/s,具备较高的实用性。