-
题名基于深度去噪自编码器的RGB-D视频目标跟踪
被引量：1
- 1
-
-
作者
姜明新
潘志庚
王兰芳
胡铸鑫
-
机构
淮阴工学院电子信息工程学院
玖的虚拟现实研究院
杭州师范大学数字媒体与人体交互研究中心
淮阴工学院计算机与软件工程学院
温州大学教师教育学院
-
出处
《系统仿真学报》
CAS
CSCD
北大核心
2018年第11期4276-4283,共8页
-
基金
国家重点科技支撑项目(2017YFB1002803)
国家自然科学基金(61332017)
-
文摘
提出了一种基于跨模式特征深度学习的RGB-D视频目标跟踪算法。构建跨模式稀疏去噪自编码器深度学习网络,提取RGB-D视频数据中样本的跨模式特征。将样本的跨模式特征输入到逻辑回归分类器中,获得置信分数,利用逻辑回归分类器的输出来构建观测似然模型。通过粒子滤波算法来实现RGB-D视频数据中的目标跟踪。实验结果表明,提出的视频目标跟踪算法对遮挡、旋转、光照变化等具有较强的鲁棒性,能够稳定的跟踪目标,具有较高的成功率。
-
关键词
跨模式特征
稀疏去噪自编码器
深度学习
RGB-D视频目标跟踪
-
Keywords
Cross-modal features
sparse denoising autoencoder
deep learning
visual object tracking over RGB-D data
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于混合深度神经网络的异常检测方法
- 2
-
-
作者
邱鹏
刘汉忠
黄晓华
-
机构
南京工程学院计算机工程学院
南京工程学院先进工业技术研究院
-
出处
《实验室研究与探索》
CAS
北大核心
2023年第9期73-77,共5页
-
基金
国家自然科学基金面上项目(62076122)
南京工程学院先进工业技术研究院开放基金(XJY202112)。
-
文摘
为提高监控与数据采集中的异常检测精度和效率,对数据进行归一化特征标准、拆分、均衡以及独热编码等预处理,构建栈式稀疏去噪自编码器深度神经网络模型作为混合深度神经网络,重建网络模型中自编码器的输入特征值,进行无监督特征学习,再添加监督分类器。通过训练异常检测引擎模块来完成异常检测。仿真结果表明,在检测异常攻击特征上,无论是精度与召回率协调值还是假阳性率相较于其他检测算法都更有优势;采用分布式训练模型提高了异常检测效率,证明本方法可行且有效。
-
关键词
混合深度神经网络
无监督特征学习
栈式稀疏去噪自编码器
监督分类器
异常检测
-
Keywords
hybrid deep neural networks
unsupervised feature learning
stacked sparse de-noising auto-encoder
supervised classifier
anomaly detection
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于边缘云框架的高效安全人脸表情识别
被引量：1
- 3
-
-
作者
张娴静
褚含冰
刘鑫
-
机构
郑州工业应用技术学院信息工程学院
中南大学商学院
-
出处
《计算机工程与设计》
北大核心
2021年第5期1472-1478,共7页
-
基金
河南省科技厅科技攻关计划基金项目(162102210119、182102310961、172102210532)。
-
文摘
针对物联网环境下数据量大且人脸表情识别率低的问题,提出基于边缘云框架的高效安全人脸表情识别方法。物联网设备通过多秘密共享技术获取用户信息,并分发到不同的边缘云。边缘云利用语谱图和局部二值模式的方法提取语音特征,采用差值中心对称局部二值模式获得图像特征,将特征送至核心云。基于栈式稀疏去噪自编码器融合语音和图像特征,实现人脸表情的识别,并在RML和eNTERFACE’05数据库上进行实验。实验结果表明,该方法的识别准确率明显高于对比方法,抵御网络攻击的能力较强。
-
关键词
边缘云框架
多秘密共享技术
差值中心对称局部二值模式
人脸表情识别
栈式稀疏去噪自编码器
-
Keywords
edge cloud framework
multi secret sharing technology
difference centrosymmetric local binary pattern
facial expression recognition
trestle sparse denoising self-encoder
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
