基于改进Center Loss函数的行人再辨识

通过改进距离度量函数,在开集测试协议的基础上,对行人再辨识相关问题进行研究,使测量的行人特征满足以下两点:类间最小距离较大和类内最大距离较小。目前还没有存在的算法能够满足这个条件。文中采用Center Loss函数和分类损失函数相结合,使网络在分类损失与Center Loss函数的联合监督下,可以学习出更具判别性的行人特征。其中,行人特征分辨性问题分类损失函数能很好地解决,但常规的Center Loss函数只能使类内最大距离较小,但未能解决类间最小距离较大的问题。因此对Center Loss函数进行改进,在Center Loss函数中加入类间距离变量,使类间中心最小距离较大。最后通过几组再辨识数据集的实验证明了提出的网络与改进Center Loss函数的优越性。

基于深度神经网络的台风中心定位方法

台风中心定位的微小误差会对台风路径预报造成较大的偏离,因此精确定位台风中心是台风路径预测和灾害预报的重要步骤。台风云系随时间不断变化且风力强弱不一,在卫星云图中呈现了多样性和复杂性,现有基于神经网络的模型由于缺少对台风特征图像多维度参数的权重合理分配,在自动提取台风图像特征上受到了限制。为此,提出一种融合通道注意力与坐标注意力的神经网络模型(TY-LOCNet),首先搭建深度卷积神经网络模型提取台风特征;其次引入通道注意力机制从台风特征中捕获通道级别的信息,提升模型对重要通道的关注度;然后将通道注意力结果输入到坐标注意力机制中全局标定台风位置信息,使模型能够在较大的区域关注到台风的形态结构;此外,均方误差损失函数未能融合计算坐标导致定位精度低,因此提出距离损失函数(DISTLoss)通过距离回归提高模型定位精度。实验结果表明,TY-LOCNet的平均位置误差(MLE)、平均定位误差(MAE)和检测速度分别为3.502像素,0.292°和17 FPS,优于其他模型。台风中心定位模型TY-LOCNet可为台风预报提供实时性台风中心定位支持。

半刚接柱脚自复位装配式钢框架拟动力试验研究

为解决刚接柱脚自复位装配式钢框架结构在中震或大震下底层柱可能发生较大的塑性变形的问题,设计一种半刚接柱脚自复位装配式钢框架结构。对其子结构进行拟动力试验,对比框架在Taft地震波、LOS000地震波和El-Centro地震波输入及不同等级地震下的节点开口、耗能能力、刚度退化、预应力损失和应变变化。试验结果表明,钢框架在大震作用下具有良好的自复位功能和耗能能力。钢绞线平均预应力损失最多仅为1.58%,说明施加预应力的方法是可靠的。钢框架柱脚能够始终保持弹性状态,因此震后仅需修复钢梁,大大降低了修复成本。

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明:基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.

基于CNN与Transformer混合模型的口罩人脸识别方法

针对疫情背景下,因佩戴口罩导致普通人脸识别算法失效的问题,提出一种基于卷积神经网络(CNN)与Transformer混合模型的口罩人脸识别方法。结合了CNN与Transformer的优点,能够很好地处理局部和全局信息,使模型拥有更好的性能及泛化能力。在卷积模块引入空间注意力模块,加强模型对于鲁棒人脸特征信息的提取,使用Sub-center Arcface损失函数,进一步提高模型的分类精度。在人工合成的口罩人脸数据集和真实的戴口罩人脸数据集上的实验表明,本文模型能够同时有效处理戴口罩和不戴口罩人脸识别任务,拥有较小的参数量的同时,具备较高的识别精度。

一种配网线损在线监测数据缺失自适应填补方法设计

配网线损在线监测数据缺失点位置难捕捉,导致数据填补误差增加,为了有效解决这一问题,该文提出基于加权类平均的配网线损在线监测数据缺失自适应填补方法。计算配网线损在线监测区域中特征最为明显的线损点,提取线损点参数建立聚类中心。根据聚类中心的聚类簇建立损失函数,确定配网线损数据缺失数据区域。查找损失量最大且与该样本相似性最高的数据点,确定配网线损在线监测数据缺失点位置。采用加权类平均填补法赋予每组缺失数据不同的权重,通过权重匹配实现数据缺失自适应填补。实验数据表明,该方法的数据缺失自适应填补效果好,填补误差较低,填补结果具有可靠性。

基于图卷积网络与自注意力图池化的视频行人重识别方法

针对跨相机网络视频中存在的遮挡、空间不对齐、背景杂波等因素导致视频行人重识别效果较差的问题,提出一种基于图卷积网络(GCN)与自注意力图池化(SAGP)的视频行人重识别方法。首先,通过区块关系图建模挖掘视频中帧间不同区域的关联信息,并利用GCN优化逐帧图像中的区域特征,缓解遮挡和不对齐等问题;然后,通过SAGP机制去除对行人特征贡献较低的区域,避免背景杂波区域的干扰;最后,提出一种加权损失函数策略,使用中心损失优化分类学习结果,并使用在线软挖掘和类感知注意力(OCL)损失解决难样本挖掘过程中可用样本未被充分利用的问题。实验结果表明,在MARS数据集上,相较于次优的AITL方法,所提方法的平均精度均值(mAP)与Rank-1分别提高1.3和2.0个百点。所提方法能够较好地利用视频中的时空信息,提取更具判别力的行人特征,提高行人重识别任务的效果。

基于受试者工作特征pAUC优化的人脸识别系统

基于深度学习的人脸识别技术在大量应用场景中表现出优于传统方法的性能,它们的损失函数大致可分为2类:基于验证的和基于辨识的。验证型损失函数符合开集人脸识别的流程,但实施过程比较困难。因此目前性能较优的人脸识别算法都是基于辨识型损失而设计的,通常由softmax输出单元和交叉熵损失构成,但辨识型损失并没有将训练过程与评估过程统一起来。本文针对开集人脸识别任务提出一种新的验证型损失函数,即最大化受试者工作特征(ROC)曲线下的部分面积(pAUC);同时还提出一种类中心学习策略提高训练效率,使提出的验证型损失和辨识型损失有较强的可比性。在5个大规模非限定环境下的人脸数据集上的实验结果表明,提出的方法和目前性能最优的人脸识别方法相比,具有很强的竞争性。

基于改进DenseNet网络的转炉吹炼时期识别

针对炼钢生产中采用人工经验判断转炉吹炼时期准确率较低的问题,利用某钢厂转炉炉口火焰图像数据,提出一种基于深度学习的改进DenseNet网络转炉吹炼时期识别算法;该算法以DenseNet-121网络结构为基础进行裁剪,同时在分类层引入Center损失函数,并在100次模型训练中选取精度较高、拟合性较好的一次进行测试。结果表明:该算法通过特征复用,保证了分类精度,裁剪后的网络结构能够提升运算速度;在分类层引入Center损失函数能够改进相邻转炉吹炼时期分类模糊的情况,缩短了平均识别时间,分类的平均精度提高至91.75%。

物流配送中心选址的随机数学模型

本文对照传统的物流配送中心选址问题提出了一个随机化的模型 ,并从数学角度对该模型进行了的一些分析 。

装配式零初始索力摩擦耗能复位支撑受力机理分析

为解决结构大震后残余变形过大以及复位索体预应力损失的问题,提出了一种具有耗能及复位功能的装配式零初始索力摩擦耗能复位支撑.对该支撑的工作机理、恢复力模型进行了理论推导,应用ABAQUS有限元软件对其力学性能进行了模拟分析,并将理论推导、有限元模拟与试验分析得到的结果进行了对比.结果表明:利用理论推导、有限元模拟及试验分析得到的滞回曲线吻合较好,加载过程中该支撑无刚度退化现象,索体内力呈线性变化,无内力损失,说明该支撑采用2组初始索力为0 k N的索体交替受力构造,可以有效地避免索体的预应力损失问题;该支撑滞回曲线饱满,耗能规律稳定,表明黄铜-槽孔钢摩擦板耗能器可以提供稳定的耗能能力;该支撑卸载至位移零点时,理论推导、试验分析及有限元模拟得到的残余荷载分别为0,-0.12,0 k N,说明该支撑具有良好的复位能力.

多品种随机数学模型的物流配送中心选址问题

本文对照文[12],提出了一个多品种随机化的模型,并从数学角度对该模型进行了的一些分析,给出了单配送中心选址问题的一个量化的处理方法,当城市商品需求量服从指数分布或者帕累托分布时,我们的计算公式非常简单。

人体平衡功能测试评估和训练系统软件的设计

目的:设计一种具有调节减重功能的平衡能力测试和训练系统软件,改善患者的平衡控制能力。方法:自动调节训练床倾斜角度实现不同程度的减重,采用使用压力传感器组和数据采集卡实时检测双脚受力大小,实现人体平衡能力的测试评估,结合虚拟技术,采用玩游戏的方式进行平衡功能训练。结果:系统减重大小可精确控制,测试评估结果客观快捷,平衡训练过程具有声音、视觉反馈,界面生动有趣,实现了人体重心轨迹实时显示功能,能快速输出检测评估指标和每次训练成绩。结论:评估软件能快速准确评价患者的平衡控制能力,虚拟游戏训练能激发患者的训练热情。

装配式零初始索力摩擦耗能复位支撑抗震性能理论分析

提出了一种具有简单构造形式、既能在震后为结构提供回复力,又能避免索体预应力损失的装配式零初始索力摩擦耗能复位支撑,并对该支撑的抗震性能进行了理论分析。结果表明:该支撑在加载过程中无刚度退化现象,滞回曲线呈四边形状,曲线饱满且耗能规律稳定;支撑复位停止后,放松黄铜-槽孔钢摩擦板耗能器中高强螺栓,可使支撑继续复位至位移零点,该支撑具有很好的复位功能。

基于改进残差网络和数据增强的鞋型识别算法

在监控视频中搜索犯罪现场出现的嫌疑鞋型是目前侦破案件的重要手段,针对该手段自动化程度低、人工筛选易漏查等问题,提出一种基于改进深度残差网络和数据增强的鞋型识别算法。为增强网络特征提取能力,对深度残差网络进行了研究,在不增加任何参数量的前提下改进瓶颈结构,提升算法精度;针对瓶颈结构中下采样操作存在的问题,改进下采样模块,缓解网络下采样时信息丢失问题;引入Mixup和光学变换数据增强算法,建立数据之间的线性关系,丰富数据的多样性,进而增强网络模型的鲁棒性;最后,采取中心损失函数和Softmax损失函数联合训练的方法,使训练数据达到更好的聚类效果。为验证所提算法的有效性和实用性,在多背景鞋型数据集上对所提算法进行测试,测试结果表明,所提算法mAP、Rank-1精度分别达到66.83%、86.77%,可以有效提高网络识别精度。

战时军需物资配送中心选址的随机数学模型

从适应战时部队军需物资需求随机性的特点出发,对照传统的军需物流配送中心选址问题,提出了一个多品种随机化的模型,并从数学角度对该模型进行了分析,给出了军需物资单配送中心选址问题的一个量化的处理方法。

融合自适应感受野与多支路特征的鞋型识别算法

随着监控摄像头的普及和图侦技术的快速发展,“鞋印+监控”技战法成为公安机关侦破案件的重要手段。该技战法根据现场嫌疑鞋印推断出嫌疑鞋型,进而在犯罪现场周围监控视频中查找对应鞋型,锁定犯罪嫌疑人。然而现有鞋型识别算法无法充分提取嫌疑鞋印的重要特征,导致识别准确率降低。针对该问题,提出一种融合自适应感受野模块与多支路特征的鞋型识别算法。通过设计一种自适应感受野模块,使网络自适应选择合适大小的感受野特征,增强网络的特征提取能力,同时构建多支路特征融合模型,融合网络的深层和浅层特征,以充分利用有效特征进行鞋型识别,从而提高识别精度。在此基础上,采用中心损失函数和标签平滑损失函数联合训练的方法,在增大类间差距的同时缩小类内差距,增强模型的泛化能力。在多背景鞋型数据集上进行实验,结果表明,该算法Rank-1和mAP精度分别为79.77%和62.18%,具有较优的识别效果,为公安刑侦实战提供了一种可行方案。

改进残差网络的指静脉识别

在指静脉识别中,如何利用卷积神经网络提取具有类间分离和类内聚合的静脉特征是当前的研究热点,为此提出了在卷积神经网络中采用中心损失(center loss)用于减小指静脉的类内距离,同时采用softmax loss用于约束类间距离,以此作为网络的损失函数。为了进一步提高模型的表达能力,采用swish激活函数代替线性整流(rectified linear unit,ReLU)激活函数,在此基础上,将全局平均池化层的输出向量进行归一化操作后作为指静脉的特征向量,减少网络参数的同时保留了指静脉的高级语义信息。结果表明:改进后的指静脉识别算法在FV-USM和MMCBNU-6000这2个数据集上识别的准确率分别达到98.23%和98.35%,优于传统的卷积神经网络识别算法。

装配式零初始索力摩擦耗能复位支撑力学性能试验研究

提出了一种装配式零初始索力摩擦耗能复位支撑(FZFRB),该支撑具有简单的构造形式,既能在震后为结构提供回复力,又能避免索体预应力损失。设计了两个试件,并对其力学性能进行了数值模拟和拟静力试验研究。结果表明:该支撑采用的两组初始索力为零的镀锌钢丝绳索体交替受力、传力杆带动黄铜-槽孔钢摩擦板耗能器耗能的构造形式切实可行;该支撑在受力过程中无刚度退化现象,滞回曲线饱满,耗能规律稳定;数值模拟与试验得到的滞回曲线吻合较好;当支撑复位停止后,放松黄铜-槽孔钢摩擦板耗能器中高强应变螺栓,使支撑继续复位至位移零点时的残余荷载仅为-0.12 k N,说明支撑具有很好的复位功能。