运动想象是基于脑电图信号构造脑机接口的重要手段之一,当前主流方法依赖于单任务的特征提取方法或卷积神经网络模型,无法同时兼顾时空、频段特征的复杂变化。为此,提出一种基于多任务卷积神经网络的运动想象脑电解码方法。该模型包含...运动想象是基于脑电图信号构造脑机接口的重要手段之一,当前主流方法依赖于单任务的特征提取方法或卷积神经网络模型,无法同时兼顾时空、频段特征的复杂变化。为此,提出一种基于多任务卷积神经网络的运动想象脑电解码方法。该模型包含时空特征提取任务和频段提取任务;采用卷积操作分别提取时域、空域特征,以及小波卷积提取深度频段特征;最终构建多任务目标函数优化卷积神经网络模型,实现多种特征类型的互补。在BCI Competition IV 2a和2b公开数据集上的实验结果表明,与现有单任务方法或模型相比,所提出的新模型提高了脑电特征学习能力,在两个数据集上分别获得了84.7%和80.6%的平均分类准确率,提升了运动想象解码性能。展开更多
在智能监控领域,实现人群计数具有重要价值,针对人群尺度不一、人群密度分布不均及遮挡等问题,提出一种多尺度多任务卷积神经网络(MMCNN)进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息,消除人群遮挡影响;...在智能监控领域,实现人群计数具有重要价值,针对人群尺度不一、人群密度分布不均及遮挡等问题,提出一种多尺度多任务卷积神经网络(MMCNN)进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息,消除人群遮挡影响;其次通过构建多尺度卷积神经网络解决人群尺度不一问题,以多任务学习机制同时估计密度图及人群密度等级,解决人群分布不均问题;最后设计一种加权损失函数,提高人群计数准确率。在UCF_CC_50和World Expo'10数据库上进行了评估,验证了自适应人形核的有效性。实验结果表明:所提算法比Sindagi等的方法 (SINDAGI V A,PATEL V M. CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting. Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance. Piscataway,NJ:IEEE,2017:1-6)在UCF_CC_50数据库上平均绝对误差(MAE)数值和均方误差(MSE)数值分别降低约1. 7和45;与Zhang等的方法(ZHANG Y,ZHOU D,CHEN S,et al. Single-image crowd counting via multi-column convolutional neural network. Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington,DC:IEEE Computer Society,2016:589-597)相比,在World Expo'10数据库上所提算法的MAE值降低约1. 5,且在真实公共汽车数据库上仅0～3人的计数误差,表明其实用性较强。展开更多
文摘运动想象是基于脑电图信号构造脑机接口的重要手段之一,当前主流方法依赖于单任务的特征提取方法或卷积神经网络模型,无法同时兼顾时空、频段特征的复杂变化。为此,提出一种基于多任务卷积神经网络的运动想象脑电解码方法。该模型包含时空特征提取任务和频段提取任务;采用卷积操作分别提取时域、空域特征,以及小波卷积提取深度频段特征;最终构建多任务目标函数优化卷积神经网络模型,实现多种特征类型的互补。在BCI Competition IV 2a和2b公开数据集上的实验结果表明,与现有单任务方法或模型相比,所提出的新模型提高了脑电特征学习能力,在两个数据集上分别获得了84.7%和80.6%的平均分类准确率,提升了运动想象解码性能。
文摘在智能监控领域,实现人群计数具有重要价值,针对人群尺度不一、人群密度分布不均及遮挡等问题,提出一种多尺度多任务卷积神经网络(MMCNN)进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息,消除人群遮挡影响;其次通过构建多尺度卷积神经网络解决人群尺度不一问题,以多任务学习机制同时估计密度图及人群密度等级,解决人群分布不均问题;最后设计一种加权损失函数,提高人群计数准确率。在UCF_CC_50和World Expo'10数据库上进行了评估,验证了自适应人形核的有效性。实验结果表明:所提算法比Sindagi等的方法 (SINDAGI V A,PATEL V M. CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting. Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance. Piscataway,NJ:IEEE,2017:1-6)在UCF_CC_50数据库上平均绝对误差(MAE)数值和均方误差(MSE)数值分别降低约1. 7和45;与Zhang等的方法(ZHANG Y,ZHOU D,CHEN S,et al. Single-image crowd counting via multi-column convolutional neural network. Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington,DC:IEEE Computer Society,2016:589-597)相比,在World Expo'10数据库上所提算法的MAE值降低约1. 5,且在真实公共汽车数据库上仅0～3人的计数误差,表明其实用性较强。
