基于3DCNN的人体动作识别方法

针对三维卷积神经网络在特征提取过程中,极易出现神经元被抑制直接失去活性的现象,提出一种改进的人体动作识别模型,在卷积过程中使用Leaky ReLU激活函数,对静默神经元恢复更新利用,深层次摄取图像之间的时间和空间信息,丰富神经网络特征结构;并且结合批量归一化处理,使信息素点规则化重新分布,有助于高效完成特征提取,提高收敛速度。在UCF-50公共数据集上的实验结果表明,该模型的准确率达到91.25%,相比其他方法至少提高6%,验证了模型的有效性。

深度学习行为识别的挖掘机生产效率监控系统

为了对大型施工设备的生产率进行准确的实时监测和分析,提出了一种基于计算机视觉的设备识别和生产率监控系统。该方法利用Faster-RNN对视频序列中的挖掘机和卡车进行识别检测,然后通过ASFormer对挖掘机动作进行动作分割。基于行为分割的结果对挖掘机的工作效率进行计算。比较了人工计算与行为分割网络的准确度的差距,对2台不同的挖掘机进行动作的识别和分析,结果显示平均准确度分别为91.7%和94.8%。因此,当多个场景并行处理时,可以大大节省人力成本,验证了本方法的有效性和实用性。本研究为慧工地的数字化管理提供了有效的技术基础,开辟了计算机视觉应用的新场景,提出了一种新的计算挖掘机生产效率的计算因子,更适合于通过统计挖掘机动作来进行效率计算。

基于深度强化学习的干扰资源分配方法

针对干扰机群掩护目标突防组网雷达场景下的干扰资源分配的问题,提出了一种基于深度强化学习的干扰资源分配方法。该文将干扰资源分配模型描述为一个马尔可夫决策过程,并提出了一种基于动作密钥编码的双延迟深度确定性策略梯度(AKE-TD3)网络训练算法,将混合整数优化问题转化为连续变量优化问题,解决了算法难以收敛的问题。仿真结果表明,文中所设计的干扰资源分配方法对组网雷达有更好的干扰效果,且稳定性更高,有效地提升了干扰机群的作战性能。

鄂尔多斯盆地延长期富烃坳陷形成的动力学环境与构造属性

鄂尔多斯盆地丰富的石油资源来自盆地南部中晚三叠世延长期富烃坳陷,其中贡献最大的长7段页状优质烃源岩以富铀、夹多层凝灰岩为特征。延长期大型富烃坳陷具南深北浅的坳陷型结构,内部接受统一的湖相沉积。在富烃坳陷的深湖-较深湖区,为优质烃源岩发育区;亦为烃源岩中较高铀含量(测井高伽马异常)和凝灰岩夹层较厚分布区,在位置上三位一体、彼此交互叠置。盆地上古生界-中侏罗统多层系高热演化区上下同位,早-中侏罗世多期持续沉降区先后叠置,均位于延长期富烃坳陷范围内。综合调查研究揭示,在延长期,特别是长7段沉积期间,各类深部物质上拱挤入构造(如砂岩墙(脉)、泥岩脊和热液碳酸盐岩结核)、同沉积变形构造(如断裂、褶皱、揉皱、滑塌、滑坡等(软)地层变形)和事件沉积(如浊流沉积、震积岩及湖底扇等)发育,主要分布在富烃坳陷深湖-较深湖区。在烃源岩等地层中,检测出多种指示深部热流体活动的岩石矿物和地球化学异常。深部探测显示,在富烃坳陷深部400km以上壳幔各界面呈上拱的结构特征。这表明延长期富烃坳陷和其中优质烃源岩是在构造活动明显、深部作用活跃的地球动力学环境中形成演化的,从深层次揭示了其形成条件与发育环境。延长期富烃坳陷与印支期秦岭造山带的形成演化及其岩浆活动,在空间上相邻、发育时限相当、演化阶段响应、活动兴衰同步,是在华北-扬子两大陆块汇聚碰撞,进而向板内构造环境转换的动力学环境中进行的。延长期富烃坳陷两次较长距离的沉积-沉降中心迁移,是对秦岭碰撞造山环境重大变革始发的响应和纪录。在南北两大陆汇聚碰撞过程中,在仰冲华北板块后陆地带深部积聚的巨量俯冲物质发生熔融和热量转换,促使该区深部物质过饱和聚集、热能及压力超常骤增,形成较小尺度地幔对流,熔融物质与热能上拱,引发地壳表浅层拱张破裂和侧向扩展,于是发生沉降,形成延长期具热-张性特性的富烃坳陷,称其为后陆盆地。后陆盆地与前陆盆地分别位于碰撞造山带两侧仰冲和俯冲板块临山一侧,但其构造属性有质的不同,油气赋存和成藏特征也差别较大。

基于深度学习的不规范驾驶行为智能识别系统

随着公交车和出租车的数量不断增加,司机在开车时的不规范驾驶动作造成很多交通事故。为了有效降低这种交通事故发生的可能性,设计了一个基于深度学习的不规范驾驶行为智能识别系统。本系统将摄像头安装在车内并实时采集司机驾驶状态的图像,控制器与后台电脑服务器远程连接,服务器通过网络通信接收司机图像并通过深度学习对采集的司机图像进行识别并处理,再把处理的结果传给控制器。这样司机在开车时发生喝水、打电话、玩手机等7种危险动作行为时,就可以通过控制器及时对司机进行智能安全语音提示,后台也可以实时监督和警示司机。

基于改进深度学习方法的人体动作识别综述

为了梳理深度学习方法在人体动作识别领域的发展脉络,对该领域近年来最具代表性的模型和算法进行了综述。以人体动作识别任务流程为线索,详细阐述了深度学习方法在视频预处理阶段、网络结构上的最新成果及其优缺点。介绍了人体动作识别相关的两类数据集,并选取常用的几种进行具体说明。最后,对人体动作识别未来的研究方向进行了探讨与展望。

基于深度学习的轻量型人体动作识别模型

针对现有基于深度学习的人体动作识别模型参数量大、网络过深过重等问题,提出了一种轻量型的双流融合深度神经网络模型并将该模型应用于人体动作识别。该模型将浅层多尺度网络和深度网络相结合,实现了模型参数量的大幅减少,避免了网络过深的问题。在数据集UCF101和HMDB51上进行实验,该模型在Image Net预训练模式下分别取得了94.0%和69.4%的识别准确率。实验表明,相较于现有大多基于深度学习的人体动作识别模型,该模型大幅减少了参数量,并且仍具有较高的动作识别准确率。

基于深度学习的目标行为知识发现方法

针对情报处理领域的知识动态更新问题,提出了一种基于深度学习的目标行为知识发现方法。首先,根据已有知识进行目标数据预处理,实现对目标要素补充;其次,基于已掌握行为意图的历史数据,构建目标行为特征模型;然后,基于深度学习方法实现行为规律分析,为目标识别提供知识支撑;最后,通过目标识别及识别结果的变化异常分析进行新知识发现,形成知识使用、发现的良性循环。通过数值仿真,该方法对舰机目标识别准确率在80%左右,且能有效发现新知识。

长江口北槽深水航道回淤相关问题分析

从滩槽泥沙交换角度对长江口北槽深水航道回淤热点问题进行分析。取得新的认识:1)对长江口拦门沙河段滩槽泥沙交换而言,温度、盐度以及上游来水来沙均是独立存在的因素,但都不能独立起作用或作用很弱,对北槽深水航道回淤影响也非常有限;2)在长江口拦门沙河段滩槽泥沙交换中,拦门沙浑浊带、近底高含沙水体、南导堤越堤输沙、坝田淤积、边滩坡度及河床密实度变化以及层化和制紊效应等均是伴随而生的过程,这些现象的变化具有很好的一致性,但均不是独立存在的,不能独立对北槽深水航道回淤产生影响;3)波浪作用是引起长江口拦门沙河段滩槽泥沙交换往"冲滩淤槽"方向发展的根本动力,在北槽深水航道回淤原因分析及减淤研究中应抓住这个关键。

管壳深拉伸模具设计与制造

通过管壳深拉伸的工艺分析及计算,提出了8副模具能完成所需的工序。主要介绍了首次拉伸、4次拉伸、6次拉伸工序及制件落料工序的模具结构特点及主要零部件加工工艺和技术要求。实践证明,此模具设计巧妙、结构精简、制件稳定性好。

基于人工智能图像处理的多人洗手流程自动监管系统

手卫生是医院感染控制的重要手段,根据《医务人员手卫生规范》的要求,医疗机构应定期进行医务人员手卫生依从性的监测与反馈。本文提出了一种基于人工智能图像处理的检测系统,可以对多人洗手流程进行监管,实现洗手行为督导的信息化、自动化、标准化,降低医院感染控制工作的人力成本并提高工作效率。

使用连续动作的近端策略优化算法求解有限产能批量问题

研究了有限产能批量问题,以多产品单机系统为研究对象,以最小化生产总成本(生产成本、库存成本、机器设置成本、缺货积压成本)为优化目标。通过将问题转化为马尔可夫决策过程,利用基于近端策略优化的深度强化学习算法进行求解。由于使用离散动作空间的深度强化学习难以扩展到大型问题,为此本文采用在策略网络中添加映射函数的方法将连续动作表示的深度强化学习应用于求解此问题。实验表明,文中所设计的算法所需的训练时间更少,在实验结果上与直接用CPLEX求解的最优解接近,在求解速度上也更有优势。

基于强化学习的人员轮休调度方法

针对传统调度方法求解效果差、效率低、轮休约束表达不准确的问题,首次提出一种基于强化学习的人员轮休调度方法。该方法将轮休调度过程构建为Markov决策过程,利用动作掩码方法实现轮休约束,通过深度Q网络(DQN)方法对轮休调度的策略进行学习。最后,采用学习得到的调度策略对人员进行快速安排。实验表明,在遵守轮休约束的前提下,该方法能够快速给出匹配每日人力需求的人员安排。对比传统的基于遗传的方法,该方法在人力需求拟合上的安排偏差更小,求解效率更高。

改进的编码-解码时序动作检测算法

时序动作检测作为视频理解中的一项基本任务,被广泛应用于人机交互、视频监控、智能安防等领域。基于卷积神经网络,提出了一种改进的编码-解码时序动作检测算法。改进后的算法分两阶段进行:首先,替换特征提取网络,用残差结构网络提取视频帧的深度特征;之后,构建编码-解码时序卷积网络。采用联接的方式进行特征融合,改进上采样的形式,并运用新的激活函数LReLU进行训练,提高网络的检测精度。实验结果表明,所提算法在时序动作检测数据集MERL Shopping和GTEA上取得了优良的效果。