基于目标检测和迁移时间序列的教室人员检测

为了解决教育智能化重构中对于教室人员的高效监督管理和数据分析,结合单阶段目标检测算法的优良特性和卷积神经网络(convolutional neural networks,CNN)良好的特征提取能力,提出了一种基于注意力机制网络和迁移时间序列改进YOLO目标检测算法的教室人员目标检测算法.首先,对源视频流进行逐帧抽取和非畸变的图像放缩,通过生成对抗网络(generative adversarial network,GAN)进行图像超分辨处理;其次,对每帧图像进行多尺度采样和初步目标检测;然后,根据不同尺度得到的候选结果进行非极大抑制(non maximum suppression,NMS)以去除置信度较低的个体;之后,对候选结果进行融合,再使用交并比(intersection over union,IoU)进行重叠度计算以更新数据、去除重合或过于紧密的定位位置,然后将当前帧的检测结果与先前时间区间中的检测结果作为时间序列进行统计学数据迁移融合(time series migration,TSM)获得最后的检测结果.实验结果表明,本文方法不仅有效地提升了教室人员目标检测的准确率,并且可以进行实时检测.

基于时序迁移与双流加权的ONLSTM软测量建模

实际化工过程建模具有多变量、非线性和动态性等特点,会导致模型复杂度提高且提取特征时产生冗余信息和时序分布漂移问题,因此提出一种基于时序迁移和双流加权的有序神经元长短时记忆网络(ONLSTM)模型。首先,利用时序迁移对特征分布进行匹配以自适应表征特征分布信息,采用划分特征分布差异最大时间域进行训练,减小时序分布失配,从而解决时序分布漂移问题;其次,在时序迁移框架内嵌入双流加权ONLSTM模型,通过对ONLSTM主遗忘门和主输入门分别加权,更精确控制传递信息;进一步结合双流结构设计双信息流控制相应门控单元,减小参数调节过程中的耦合影响,降低模型复杂度,提高其预测性能;最后,将所提模型应用于硫回收过程以及某火电厂脱硫过程排放烟气SO_(2)浓度软测量建模,并与其他深度学习网络进行对比,验证了模型有效性。