-
题名基于稀疏自动编码机的场景识别算法
被引量：8
- 1
-
-
作者
谢林
李菲菲
陈虬
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《电子科技》
2019年第1期38-41,51,共5页
-
基金
上海市高校特聘教授(东方学者)岗位计划(ES2012XX
ES2014XX)~~
-
文摘
针对场景识别中低级特征与高级概念之间的语义鸿沟问题,提出了一种基于稀疏自动编码机的场景识别方法。采用了稀疏自动编码机和空间金字塔池化相结合的特征编码技术。首先对场景图像提取局部的HOG特征,然后利用改进的稀疏自动编码机对HOG特征进行编码,得到稀疏特征,通过空间金字塔池化和局部归一化得到整张场景图像的表示,最后利用线性SVM实现分类。在标准的场景图像数据集Scene-15上进行的实验表明,该算法可以将识别的准确率提升至81. 97%。
-
关键词
场景识别
稀疏自动编码机
空间金字塔池化
局部归一化
HOG特征
SVM
-
Keywords
scene recognition
sparse autoencoder
spatial pyramid pooling
local normalization
HOG
SVM
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于稀疏降噪自动编码机的心律失常自动分类
被引量：5
- 2
-
-
作者
熊鹏
李鑫
时亚松
杨国杰
刘明
刘秀玲
-
机构
河北大学电子信息工程学院数字医疗工程重点实验室
河北大学附属医院
-
出处
《激光杂志》
北大核心
2018年第4期152-156,共5页
-
基金
国家自然科学基金(No.61703133,61673158)
河北省杰出青年科学基金(No.F2016201186)
+1 种基金
河北省研究生创新资助项目(No.CXZZSS2017010)
保定市科技计划项目(No.17H01)
-
文摘
心律失常是导致心肌缺血、心衰和心脏性猝死等疾病的主要因素之一,对心律失常进行准确高效的检测和分类具有重要的研究价值。本文提出了一种基于堆叠稀疏降噪自动编码机构建深度神经网络的心电信号特征检测算法,从而实现了心律失常的自动分类。分类系统利用稀疏降噪自动编码机获取心电信号的低维深度结构特征,其无监督学习方式使得特征具有更好的区分度和一定的抗干扰能力,然后将特征输入Softmax分类器进行信号分类。采用美国麻省理工MIT-BIH心律失常数据库对所提方法进行验证,总分类精度可达99.43%,实验结果表明该方法具有对心律失常自动分类的有效性。
-
关键词
心律失常
特征提取
稀疏降噪自动编码机
Softmax分类器
-
Keywords
arrhythmia
feature detection
sparse de-noising auto-encoder
softmax regression
-
分类号
TN911.7
[电子电信—通信与信息系统]
-
-
题名周围神经MicroCT图像中神经束区域的自动分离
被引量：2
- 3
-
-
作者
李芳
钟映春
戚剑
罗鹏
-
机构
广东财经大学信息学院
广东工业大学自动化学院
中山大学附属第一医院显微外科
深圳市第六人民医院骨科
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2019年第3期359-368,共10页
-
基金
广东省自然科学基金(No.2018A0303130137)
广东省高性能计算重点实验室开放课题项目基金(No.TH1528)
广东省哲学社会科学“十三·五”规划项目基金(No.GD17XGL20)资助
-
文摘
针对经过饱和氯化钙染色的四肢周围神经MicroCT扫描图像,提出了一种自动分离神经束区域的方法. 1)手工标注第1幅扫描图像中的神经束轮廓和非轮廓区域;2)采用稀疏自动编码机方法提取神经束轮廓和非轮廓的特征并训练神经网络,进而自动识别分离第2幅图像中神经束区域;3)将第2幅图像中的神经束轮廓作为标注样本去训练新的神经网络;4)不断循环该过程直至序列图像全部处理完成.实验结果表明,所提出的神经束轮廓自动分离方法可以达到手工分离精度的84.7%,处理完成522幅图像需要花费0.3~0.4 h.此外,该方法不仅能快速准确地分离出序列图像中的单根神经束,而且还能分离出分裂与合并阶段的神经束轮廓,具有比较强的适应性.
-
关键词
周围神经
神经束
MICROCT
深度学习
稀疏自动编码机
-
Keywords
peripheral nerve
fascicular groups
MicroCT
deep learning
sparse auto encoder
-
分类号
P751.1
[交通运输工程—港口、海岸及近海工程]
-
-
题名一种融合实例和聚类信息的网络入侵攻击分类研究
被引量：1
- 4
-
-
作者
谢从贵
-
机构
中冶赛迪信息技术(重庆)有限公司
-
出处
《常熟理工学院学报》
2023年第5期29-35,共7页
-
文摘
针对现有网络攻击识别方法仅学习独立样本实例特征而缺少类别信息指导的问题,提出了一种融合实例和聚类信息的稀疏自编码特征学习的网络攻击行为识别方法FIC-SAE.每次迭代过程中,利用独立样本构造实例级的稀疏自编码网络误差项、网络权重惩罚项和稀疏项损失函数,同时每批样本进行K-mean聚类划分以构造聚类级的稀疏自编码网络交叉熵损失函数.NSL-KDD和CICIDS2017数据集上的实验结果表明,本文方法FIC-SAE在平均准确率、召回率、查全率和F_(1)分数等4个指标上均优于其他几个自编码器方法.
-
关键词
稀疏自动编码
网络入侵检测
损失函数
K-mean聚类
-
Keywords
sparse auto-encoders
network intrusion detection
loss function
K-mean clustering
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
