基于软标签的OCT内外指纹提取方法

现有的光学相干层析内外指纹提取方法对轮廓依赖性强,且容易受到噪声和错误的干扰,影响指纹的质量和识别率。为解决该问题,提出一种基于软标签和坐标注意力U-Net的光学相干层析内外部指纹提取方法。在标注过程中,根据角质层和活性表皮层轮廓的位置为周围像素分配不同的概率权重,使得接近轮廓中心的像素具有更高的概率权重。然后,利用U-Net网络学习这种概率分布,该设计不仅考虑了轮廓及其周围像素的权重信息,同时减少了噪声和错误的影响,降低了算法对轮廓准确性的依赖性。同时,为了更好地聚焦于角质层和活性表皮层区域的位置信息,还在U-Net网络中引入了坐标注意力模块。最终,根据网络预测的概率分布结果和原始图像的灰度信息,生成内外部指纹图像。实验证明,所提方法显著提升了指纹的质量和匹配性能。

基于正向软标签的轻量级关系抽取

针对关系抽取模型规模越来越大、耗时越来越长的问题,提出一种知识筛选机制,利用筛选出的正向软标签构造轻量级关系抽取模型.首先,利用知识蒸馏提取出知识并将其存储在软标签中,为避免知识蒸馏中教师与学生间差距大导致的知识难吸收问题,使用教师助手知识蒸馏模式;其次,使用标签的余弦相似度筛选出正向软标签,在每步蒸馏中都动态赋予正向软标签更高的权重,以此削弱知识传递中错误标签导致的影响.在数据集SemEval-2010 Task 8上的实验结果表明,该模型不仅能完成轻量化关系抽取任务,还能提升抽取精度.

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。

一种电子软标签在线检测装置的设计

本文主要研究一种电子软标签在线检测装置,该装置包括:标签输送机构、激光发射器和激光接收器、屏蔽板。本装置能够同时检测多排电子软标签,并通过屏蔽板提高检测的精度,大大提高的电子软标签检测的效率。

软多标签和深度特征融合的无监督行人重识别

跨摄像头场景中依赖面向标签映射关系的学习以提高识别精度,有监督行人重识别模型虽然识别精度较好,但存在可扩展问题,诸如算法识别精度严重依赖有效的监督信息,算法实时性差等;针对上述问题,提出一种基于软多标签的无监督行人重识别算法。为了提高标签匹配精度,首先利用软多标签逼近真实标签,通过计算参考数据集和参考代理在软多标签函数中的损失函数,预训练参考数据集,并构建预训练与训练结果的映射模型。再通过生成数据和真实数据分布的最小距离的期望即简化的2-Wasserstein距离计算相机视图中软多标签均值和标准差得到损失函数,解决跨视域标签一致性问题。为了提高软多标签对未标记目标数据集的有效性,计算联合嵌入损失,挖掘不同类别间的相似对,纠正跨域分布错位。针对残差网络训练时长和无监督学习精度低的问题,通过结合压缩激励网络(SENet)和多层级深度特征融合改进残差网络的结构,提高训练速度和精度。实验结果表明,该方法在标准数据集下的首位命中率和平均精度均值优于先进相关算法。

一种基于知识蒸馏的边缘联邦学习算法

针对边缘计算环境中参与联邦学习的客户端数据资源的有限性,同时局限于使用硬标签知识训练模型的边缘联邦学习算法难以进一步提高模型精度的问题,提出了基于知识蒸馏的边缘联邦学习算法。利用知识蒸馏对软标签信息的提取能够有效提升模型性能的特点,将知识蒸馏技术引入联邦学习的模型训练中。在每一轮的联邦学习模型训练过程中,客户端将模型参数和样本逻辑值一起上传到边缘服务器,服务器端聚合生成全局模型和全局软标签,并一起发送给客户端进行下一轮的学习,使得客户端在进行本地训练时也能够得到全局软标签知识的指导。同时在模型训练中对利用软标签知识和硬标签知识的占比设计了动态调整机制,使得在联邦学习中能够较为合理地利用两者的知识指导模型训练,实验结果验证了提出的基于知识蒸馏的边缘联邦学习算法能够有效地提升模型的精度。

一种标签在线检测方案的设计

本文通过应用传感器技术、信号处理技术等设计一款射频软标签质量在线检测设备,紧密跟踪市场应用需求。能够有效保证射频软标签产品的质量和稳定性,提高生产效率。该设备的成功研制将会给我国社会经济的发展带来推动力,提高我国相关行业产品的国际竞争力。

中瑞思创EAS行业硬标签全球龙头

已于2010年4月30日登陆深圳创业板的中瑞思创,主要从事EAS(Electronic Article Surveillance,即电子商品防盗系统)产品的研发、生产和销售,细分产品为各类硬标签、射频软标签、声磁软标签等防盗标签和开锁器、解码器、检测器等配套设备,拥有全球最大的EAS产品制造基地,是国内最具实力的EAS产品制造商,其产品在全球拥有近200个客户及代理商,客户主要为EAS系统集成商和EAS产品经销商,遍布欧洲、美洲、中东及东南亚等五十多个国家和地区。

深度子领域自适应网络电机滚动轴承跨工况故障诊断

针对实际生产中旋转机械工况变化引起状态监测数据分布差异及获取待诊断样本标签困难问题,提出多尺度子领域自适应模型(MSDAM)的跨工况下滚动轴承故障诊断方法。首先,以原始振动信号作为输入,无需信号预处理及人工特征参数提取;其次,搭建多尺度卷积神经网络将已知标签样本和待诊断样本特征迁移到同一子空间,捕获具有细粒度信息的多尺度公共特征;然后,以不同的故障类型来划分相关子域,并通过局部最大均值距离(LMMD)来完成子域的适配,有效削弱不同工况同类故障特征的分布差异;最后,在三个数据集的多个迁移任务上进行试验验证。结果证明,所提MSDAM的跨工况故障诊断性能优于关注全局领域适配的迁移学习方法。

基于ResCNN-BiGRU的四川方言语音识别

由于基于深度卷积神经网络的语音识别模型中缺乏对特定方言音素特征的提取能力,造成方言发音底层特征部分信息丢失,进而导致方言识别准确率不高、鲁棒性差等问题。针对上述问题,提出一种结合残差网络(RestNet)和双向门控循环网络(BiGRU)的模型,该模型以GFCC特征图为输入,同时在残差网络中设计多尺度卷积模块,通过不同大小的卷积核提取特征,然后使用双向门控循环网络捕捉序列数据中的长期依赖关系,最后采用连接时序分类算法进行标签软对齐,实现四川方言语音识别模型。在四川方言语料库上的实验结果表明,提出的模型识别性能优于现有基准模型。

线性局部切空间排列的传播半监督学习方法

针对人脸识别应用中的线性局部切空间排列算法(LLTSA)不能有效利用样本标签信息的问题,提出了一种线性局部切空间排列的标签传播半监督算法(SSLLTSA)。该算法利用标签传播的方法从带有部分标签的样本数据中得到软标签,然后利用软标签构造出软标签散度矩阵来描述数据集的类内紧凑性和类间分离性。SSLLTSA很好地保持了数据集的局部结构,有效地利用了样本中的标签信息。利用YALE和ORL人脸库进行实验,SSLLTSA比传统算法LLTSA的识别率平均分别提高了3.50%和3.89%。特别地,在只存有少量标签样本的情况下,该算法仍能保持良好的分类性能。

软伪标签和多尺度特征融合的行人重识别

传统无监督域自适应行人重识别算法,抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题,提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声,利用并行网络的预测值作为软标签,通过交叉校对方式对伪标签噪声进行纠偏,为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力,利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理,实现源域数据到目标域的风格转换,并结合实例和批量归一化网络解决残差网络域自适应性差的问题,增强网络对源域和目标域的泛化能力。实验结果表明,所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能,明显优于相关算法。

上帝万岁

“上帝”需要允诺在琳琅满目的超级市场中,你知道怎样才能使顾客从几十个品牌中拿起的不是竞争者的产品而是你的产品吗?在大浪淘尽英雄的现代竞争中,你知道怎样保护一个品牌,保住一片市场吗?这就要求你必须学会允诺,发现什么是好的允诺,什么是“上帝”需要的允诺,如何去实现允诺.如何提供“上帝”需要的允诺许多生产者并不十分清楚自己生产和销售的是什么.总认为自己生产的不就是洗衣粉吗?顾客买的不就是这样一些袋装的白色粉状的化学物质吗?那么面对各种白色粉状物质.可却想不明白为什么顾客从货架上拿起的是“汰渍”、“碧浪”等而不是你的品牌?因为当顾客从货架上拿起汰渍时供一个允诺.顾客购买海飞丝,不是想要买到一瓶浅兰色的液体,而是因为它能使“头屑去无踪,秀发更出众”,买到一种更美更靓的希望,顾客购买康泰克,不是想要买到一粒胶襄,而是因为它能“消除感冒困扰”,买到治愈的舒适.杨森公司说“我们柜台上卖的是药品。

基于潜在有价值样本挖掘的半监督三维目标检测

为了解决当前半监督三维目标检测算法中,传统的固定阈值方法在过滤伪标签时不够灵活,舍弃了大量有价值的伪标签,没有充分利用潜在有价值样本的问题,提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先,不再使用固定阈值过滤伪标签,采用基于得分聚类的自适应阈值生成方法,分别为不同的类别生成过滤伪标签时需要的阈值,保留更多有价值的伪标签;其次,由于标签由类别和边界框信息组成,提出了一种联合置信度过滤伪标签的方法,使用对象置信度、分类置信度和IoU置信度的乘积来过滤伪标签,改善伪标签的质量;最后,对样本数量较少的类别生成稠密伪标签,筛选未通过联合置信度过滤的部分数据,以软伪标签的形式保留伪标签,更充分地利用潜在有价值的样本。在KITTI数据集上,与PV-RCNN方法相比,所提方法在仅1%标记数据的情况下,汽车类提高了6.5百分点,行人类提高了9百分点,自行车类提高了25百分点,实验结果证明了所提方法的有效性。

潜力股前瞻

★★★★中瑞思创(300078)业绩有待爆发公司主要从事EAS产品的开发和生产,传统主导产品是硬标签,同时也生产射频软标签、声磁软标签等产品。公司未来将逐步加大国内业务的开拓,并尝试涉入系统集成商业务。