融合密集卷积与空间转换网络的手势识别方法

手势识别作为人机交互的方式之一,在人工智能日益发展的今天备受瞩目。针对手势旋转、平移、缩放等形变导致识别率偏低的问题,该文基于密集卷积网络(Densenet)与空间转换网络(STN)提出了一种新型的网络结构Densenet_V2,先利用空间转换网络对输入的样本和特征图进行空间变换和对齐,再利用密集卷积网络自动提取手势的有效特征,最后通过线性分类器对手势进行分类。为防止网络模型对样本数据集过度拟合,对网络进行训练时在损失函数中加入L2正则项以实现权重衰减。在Marcel手势库上进行多次实验。实验结果表明,Densenet_V2可以提高对静态形变手势的识别率。

基于GBDT-Ridge的短期电力负荷预测

数据和特征决定着预测精度的上限,为了提高电力负荷预测精度,本文提出了两种增加输入特征向量的方法。其中第一种是人为添加数理统计里面的均值,方差,极差等因素,第二种用GBDT算法构造数据位置组合特征。为了避免引入不必要的特征带来新的误差,本文采取限制树的深度等来修剪树枝,同时采用带有L2正则项的Ridge算法作为模型,让L2正则项来调整各特征权重,降低过拟合。算例结果表明,相比单一的Ridge模型,本文提出的两种模型,预测平均误差降低了0.24%和0.40%。

改进胶囊网络的小样本图像分类算法

为了解决胶囊网络不能对复杂的小样本图像进行有效分类的问题,提出一种将Darknet进行改进融入胶囊网络的分类模型。首先将Darknet改进为同时包含浅层与深层特征提取器的模型,浅层特征提取器采用5×5的卷积核以捕捉长距离的边缘轮廓特征,深层特征提取器采用3×3的卷积核以捕捉更深层的语义特征,再将图像的浅层边缘特征与深层语义特征进行融合,以保留图像的有效特征;接着利用胶囊网络对图像有效特征进行向量化处理,解决特征空间表征能力缺失的问题;最后在损失函数中加入L2正则化项,避免模型的过拟合问题。实验结果表明,在小样本数据集上,该模型相比胶囊网络、DCaps模型分类准确率分别提升28.51个百分点和24.40个百分点,相比ResNet50、Xception等卷积神经网络分别提升21.57个百分点和18.02个百分点,显示该方法对复杂小样本图像分类性能提升明显;同时在大样本数据集上,该模型的分类性能也获得了一定程度的提升。

基于卷积核优化的运动图像盲去模糊算法

引用了一种新的L1/L2的正则项形式,这种形式对清晰图像分布状况的描述比传统范数形式更好.本文创新之处在于提出一种加入不等式约束的模糊核估计的优化更新算法,该算法通过保持卷积核的支撑区域并消除周围噪声的方法使得对于模糊卷积核的估计变得更加精确,最终达到针对运动模糊图像的更好的复原效果.