基于转置卷积神经网络的路面裂缝识别算法

为解决卷积神经网络(CNN)在二维路面灰度图像裂缝自动检测中存在的识别效率和精确度低的问题,首先提出了一套基于转置CNN层间特征融合的三阶段路面裂缝提取算法(该算法包括区域判定、图像分割、多层特征融合等模块);然后构建了分类-分割网络,训练了多个融合分类网络中间层和分割网络输出层的转置卷积网络,并与CrackNet进行了运行效果的对比。结果表明:当用于区域判定的分割网络CNN-Ⅰ的召回率最小值设置为0.95时,精确度为0.497,此时的阈值为0.003152,结合用于裂缝提取的分割网络CNN-Ⅱ的训练结果得出,分类-分割网络的精确度为0.78、召回率为0.73、F-1分数为0.75、计算一张图片的时间缩短到0.79 ms以内;多层特征融合方法提取裂缝信息更准确,保留了裂缝的连续性特征,实现了基于CNN的路面裂缝自动识别和提取的优化。

基于空洞转置卷积神经网络的人体骨骼关键点检测算法研究

目前对人体姿态骨骼关键点检测存在两个研究难点,一是如何由2D姿态进行3D人体姿态估计,另一个是标准数据库和用户上传的视频动作在时间上不匹配。为此,本文提出基于空洞转置卷积的沙漏结构(Dilated and Transpose Convolutions Hourglass,DTCH)神经网络;然后应用卡尔曼滤波算法进行数据降噪处理,最后利用动态时间规整(Dynamic Time Warping,DTW)算法提高患者运动时姿态匹配的准确性。在仿真实验中,该模型在Human3.6M数据集上的平均每关节位置误差(MPJPE)与相关研究的最佳结果相比减少了11%,可以精确高效地实现3D人体姿态估计。

基于卷积网络的受电弓图像目标检测与矫正方法研究

受电弓滑板监测装置(5C)存在安装角度偏差,其拍摄的受电弓图像易出现透视畸变,难以进行后续检测。本文提出一种受电弓检测与图像矫正方法,首先利用残差网络(ResNet)提取图像特征,再通过转置卷积网络提升特征图分辨率,最后利用定位得到受电弓4个顶点的坐标,完成受电弓的定位和透视矫正。实验分析了不同残差网络结构以及不同输入图像尺寸对受电弓顶点检测准确率的影响,结果表明,本文所述方法能够有效定位受电弓,且图像矫正效果良好。

基于全卷积网络的FDD大规模MIMO系统CSI反馈

在频分双工(FDD)大规模多输入多输出(MIMO)系统中,为了确保通信质量,用户设备(UE)需要将信道状态信息(CSI)反馈给基站(BS)。随着天线数量的增加,CSI反馈开销急剧增加,使得BS获得准确CSI变得困难。为了降低反馈开销,提高反馈质量,采用深度学习(DL)方法,提出一种基于全卷积网络的信道反馈网络MCMTNet,该网络由三部分构成。卷积神经网络(CNN)将CSI压缩。转置CNN和精细密集连接网络分别进行初始恢复和最终恢复。仿真结果表明:提出的MCMTNet的性能优于传统压缩感知方法和现有基于深度学习的网络CsiNet,MCMTNet可以处理任意维数的信道数据,且训练参数更少,复杂度更低。

基于人工神经网络的烟气及温度实时预测模型

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气(温度)预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。

基于神经网络的降落伞落点散布快速生成方法

为了解决使用蒙特卡洛法计算降落伞落点散布慢的问题,提出了组合使用降落伞运动模型和神经网络产生落点散布,并利用硬件加速神经网络推理过程的方法。降落伞运动模型用于产生散布中心,神经网络用于产生相对于散布中心的落点。验证了两种不同结构的神经网络:多层感知器和转置卷积神经网络。发现降落伞运动模型结合多层感知器计算得到的降落伞落点散布和使用蒙特卡洛法计算得到的落点散布最为接近。同时,降落伞运动模型和多层感知器或者转置卷积神经网络组合使用都可以达到实时计算降落伞落点散布的效果。因此,提出的方法可以较好地应用于高时效性场景下的降落伞落点散布计算。