期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到10篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于深度时空域卷积神经网络的表情识别模型 被引量：14
1
作者 杨格兰 邓晓军 刘琮 《中南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2016年第7期2311-2319,共9页
基于特征抽取是表情识别算法中的重要步骤,但是现有算法依赖手工设计特征且适应性差等问题,提出基于深度时空域卷积神经网络的表情识别模型,采用数据驱动策略直接从表情视频中自动抽取时空域中的动静态特征。使用新颖的卷积滤波器响应... 基于特征抽取是表情识别算法中的重要步骤,但是现有算法依赖手工设计特征且适应性差等问题,提出基于深度时空域卷积神经网络的表情识别模型,采用数据驱动策略直接从表情视频中自动抽取时空域中的动静态特征。使用新颖的卷积滤波器响应积替代权重和,使得模型能同时抽取到动态特征和静态特征。引入深度学习的多层设计,使得模型能逐层学习到更抽象、更宏观的特征。采用端对端的有监督学习策略,使得所有参数在同一目标函数下优化。研究结果表明:训练后的卷积核类似于Garbor滤波器的形态,这与视觉皮层细胞对激励的响应相似;该模型能对表情视频进行更准确分类;通过与其他几种近年出现的算法进行比较,验证该算法的优越性。 展开更多
关键词 情感计算 表情识别 时空域 卷积神经网络 深度学习
在线阅读 下载PDF
基于深度学习的钢轨伤损智能识别方法 被引量：23
2
作者 孙次锁 刘军 +1 位作者 秦勇 张玉华 《中国铁道科学》 EI CAS CSCD 北大核心 2018年第5期51-57,共7页
基于钢轨探伤车检测数据通道设计、B显数据生成原理和钢轨伤损分类,对比钢轨探伤车检测数据伤损识别与普通图像识别特点的不同,将检测数据视为由16个通道二进制矩阵叠加成的图像;设计包含1个输入层、3个卷积层、3个池化层、2个全连接层... 基于钢轨探伤车检测数据通道设计、B显数据生成原理和钢轨伤损分类,对比钢轨探伤车检测数据伤损识别与普通图像识别特点的不同,将检测数据视为由16个通道二进制矩阵叠加成的图像;设计包含1个输入层、3个卷积层、3个池化层、2个全连接层、1个输出层的深度学习架构,并通过噪声和通道预处理,将钢轨伤损的"物体检测"问题转换为"分类"问题。以某地人造钢轨伤损检测数据扩充后作为训练集,得到基于深度学习的钢轨伤损智能识别模型,以另一地的人造钢轨伤损检测数据作为测试数据分析该模型的识别效果,并与钢轨探伤车既有系统识别结果和人工分析结果进行对比。结果表明:基于深度学习的钢轨伤损智能识别模型在准确率、误报率指标上均优于钢轨探伤车既有系统,达到人工分析的指标要求,提高了准确率。 展开更多
关键词 钢轨 超声波 探伤 深度学习 卷积神经网络 钢轨伤损识别
在线阅读 下载PDF
基于FMCW雷达的多维参数手势识别算法 被引量：33
3
作者 王勇 吴金君 +2 位作者 田增山 周牧 王沙沙 《电子与信息学报》 EI CSCD 北大核心 2019年第4期822-829,共8页
该文提出一种基于调频连续波(FMCW)雷达多维参数的卷积神经网络手势识别方法。通过对雷达信号进行时频分析,估计手势目标的距离、多普勒和角度参数,构建出手势动作的多维参数数据集。同时,为了进行手势特征提取和精确分类,提出多分支网... 该文提出一种基于调频连续波(FMCW)雷达多维参数的卷积神经网络手势识别方法。通过对雷达信号进行时频分析,估计手势目标的距离、多普勒和角度参数,构建出手势动作的多维参数数据集。同时,为了进行手势特征提取和精确分类,提出多分支网络结构和高维特征融合的方案,设计出具有端到端结构的RDA-T多维参数卷积神经网络。实验结果表明,结合手势动作的距离、多普勒和角度信息进行多维参数学习,所提方法有效解决了单维参数手势识别方法中手势描述信息量低的问题,且手势识别准确率相较于单参数方法提高了5%～8%。 展开更多
关键词 FMCW雷达 手势识别 深度学习 卷积神经网络
在线阅读 下载PDF
使用深度长短时记忆模型对于评价词和评价对象的联合抽取 被引量：11
4
作者 沈亚田 黄萱菁 曹均阔 《中文信息学报》 CSCD 北大核心 2018年第2期110-119,共10页
评价词和评价对象抽取在意见挖掘中是一个重要的任务,我们在句子级评价词和评价对象联合抽取任务上研究了长短时记忆(long short-term memory)神经网络模型的几种变种应用。长短时记忆神经网络模型是一种循环神经网络模型,该模型使用长... 评价词和评价对象抽取在意见挖掘中是一个重要的任务,我们在句子级评价词和评价对象联合抽取任务上研究了长短时记忆(long short-term memory)神经网络模型的几种变种应用。长短时记忆神经网络模型是一种循环神经网络模型,该模型使用长短时记忆模型单元作为循环神经网络的记忆单元,它能够获得更多的长距离上下文信息,同时避免了普通循环神经网络的梯度消失和梯度爆炸的问题。我们对比了传统的方法,实验结果证明长短时记忆神经网络模型优于以前的方法,在细粒度评价词和评价对象的联合抽取中达到更好的性能。 展开更多
关键词 循环神经网络 长短时记忆模型 评价词与评价对象联合抽取 深度学习 序列标注
在线阅读 下载PDF
改进的弹性网模型在深度神经网络中的应用 被引量：6
5
作者 冯明皓 张天伦 +2 位作者 王林辉 陈荣 连少静 《计算机应用》 CSCD 北大核心 2019年第10期2809-2814,共6页
由于具有较高的模型复杂度,深层神经网络容易产生过拟合问题,为了减少该问题对网络性能的不利影响,提出一种基于改进的弹性网模型的深度学习优化方法。首先,考虑到变量之间的相关性,对弹性网模型中的L1范数的不同变量进行自适应加权,从... 由于具有较高的模型复杂度,深层神经网络容易产生过拟合问题,为了减少该问题对网络性能的不利影响,提出一种基于改进的弹性网模型的深度学习优化方法。首先,考虑到变量之间的相关性,对弹性网模型中的L1范数的不同变量进行自适应加权,从而得到L2范数与自适应加权的L1范数的线性组合。其次,将改进的弹性网络模型与深度学习的优化模型相结合,给出在这种新正则项约束下求解神经网络参数的过程。然后,推导出改进的弹性网模型在神经网络优化中具有群组选择能力和Oracle性质,进而从理论上保证该模型是一种更加鲁棒的正则化方法。最后,在多个回归问题和分类问题的实验中,相对于L1、L2和弹性网正则项,该方法的回归测试误差可分别平均降低87.09、88.54和47.02,分类测试准确度可分别平均提高3.98、2.92和3.58个百分点。由此,在理论和实验两方面验证了改进的弹性网模型可以有效地增强深层神经网络的泛化能力,提升优化算法的性能,解决深度学习的过拟合问题。 展开更多
关键词 神经网络模型 深度学习 正则化方法 弹性网模型 过拟合
在线阅读 下载PDF
卷积神经网络在风洞天平静态校准中的应用 被引量：4
6
作者 汪运鹏 聂少军 +1 位作者 王粤 姜宗林 《空气动力学学报》 CSCD 北大核心 2023年第3期25-32,I0001,共9页
风洞天平是气动试验中用于测量作用在模型上的空气动力载荷(力与力矩)的大小、方向和作用点的装置,测量结果的精准度与天平的静态校准性能直接相关,天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量... 风洞天平是气动试验中用于测量作用在模型上的空气动力载荷(力与力矩)的大小、方向和作用点的装置,测量结果的精准度与天平的静态校准性能直接相关,天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰,并且通常二次干扰和组合干扰会出现非线性特性,采用线性拟合方法会产生一定的误差,使得风洞天平静态校准性能因受到数据处理方法(线性拟合)的局限而较难进一步提高。因此,为了进一步提升应变天平静态校准的性能,本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS,对六分量应变天平开展基于卷积神经网络的静态校准研究,采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时,对人工智能建模方法在天平静态校准中的适用条件、有效性及可靠性等方面进行了讨论和评估分析。数据结果显示:相较于传统的基于最小二乘多项式的拟合方法,卷积神经网络天平校准方法有效降低了天平各个分量间的载荷干扰,使校准结果的精准度得到了较大幅度的提升。 展开更多
关键词 气动测量 风洞 应变天平 静态校准 深度学习 卷积神经网络
在线阅读 下载PDF
融合多层卷积特征的双视点手势识别技术研究 被引量：8
7
作者 张哲 孙瑾 杨刘涛 《小型微型计算机系统》 CSCD 北大核心 2019年第3期646-650,共5页
在人机交互技术领域,基于视觉的手部交互技术凭借其良好的舒适性和自然性被广泛研究和应用.手势识别是手势交互技术的核心内容之一.本文提出一种基于深度学习网络的识别方法,构建双视点网络框架,采用支持向量机对各视点下提取的特征进... 在人机交互技术领域,基于视觉的手部交互技术凭借其良好的舒适性和自然性被广泛研究和应用.手势识别是手势交互技术的核心内容之一.本文提出一种基于深度学习网络的识别方法,构建双视点网络框架,采用支持向量机对各视点下提取的特征进行分类识别,降低手势自遮挡的影响,提高识别精度;同时对各视点卷积网络,根据训练样本卷积特征的累计贡献率实现不同深度层的卷积特征的融合,补充深层网络丢失的浅层特征信息,增强特征鲁棒性.实验结果表明,较传统方法本文方法能有效提高手势识别准确率,同时基于预训练的学习方法能有效提高手势识别的时间效率. 展开更多
关键词 人机交互 手势识别 深度学习 多层卷积特征 双视点深度学习网络 支持向量机分类器
在线阅读 下载PDF
一种面向时空神经网络的潜在情绪识别方法 被引量：4
8
作者 宋剑桥 王峰 +2 位作者 牛锦 师泽洲 马军辉 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2021年第4期159-167,共9页
微表情对情绪识别有着一定的作用,但在人为隐藏的情况下则容易出现误判。生理信号的识别效果虽然较为准确,但其数据的采集往往复杂,不便于用于快速的人员情绪检测中。针对上述问题,采用非接触基于色度模型的方式采集脉搏信号,并根据脉... 微表情对情绪识别有着一定的作用,但在人为隐藏的情况下则容易出现误判。生理信号的识别效果虽然较为准确,但其数据的采集往往复杂,不便于用于快速的人员情绪检测中。针对上述问题,采用非接触基于色度模型的方式采集脉搏信号,并根据脉搏信号提取特征,融合提出的时空神经网络实现潜在情绪识别,平均识别率约78.59%和76.91%。实验结果表明,提出的双路潜在情绪识别框架可以很好地融合微表情和生理信号中所包含的情绪信息,在微表情识别中的效果较现阶段常用的微表情识别算法的效果有一定提升。 展开更多
关键词 潜在情绪识别 色度模型 人脸脉搏信号 深度学习 神经网络 决策融合
在线阅读 下载PDF
基于卷积神经网络的行人检测方法研究新进展 被引量：4
9
作者 邢志祥 顾凰琳 +2 位作者 钱辉 张莹 汪李金 《安全与环境工程》 CAS 北大核心 2018年第6期100-105,共6页
深度学习在行人检测领域有重大的应用价值,可及时预测客流,避免安全事故的发生。概述了卷积神经网络的发展历史及其主要组成模块,包括各部分模块的研究现状,介绍了卷积神经网络在行人检测中所需要的行人检测数据库及其应用现状。结果表... 深度学习在行人检测领域有重大的应用价值,可及时预测客流,避免安全事故的发生。概述了卷积神经网络的发展历史及其主要组成模块,包括各部分模块的研究现状,介绍了卷积神经网络在行人检测中所需要的行人检测数据库及其应用现状。结果表明:基于卷积神经网络的行人检测方法发展迅速,可大大提高行人检测的准确性和实用性,并在实际问题的应用中可有效分析人流拥堵的状态,从而对行人进行有效的疏散,以避免拥挤踩踏安全事故的发生,具有实际运用的意义。 展开更多
关键词 卷积神经网络 行人检测方法 行人检测数据库 深度学习算法
在线阅读 下载PDF
融合多层次视觉信息的人物交互动作识别 被引量：1
10
作者 李宝珍 张晋 +1 位作者 王宝录 余平 《计算机科学》 CSCD 北大核心 2022年第S02期643-650,共8页
基于计算机视觉的人体动作识别技术在视频监控、智能驾驶、人机交互、多媒体内容审核等领域均有着广阔的应用前景,其中人体动作中的人物交互是动作识别的核心内容之一。现有的人物交互动作识别模型对人物关系的提取仅仅停留在表层视觉... 基于计算机视觉的人体动作识别技术在视频监控、智能驾驶、人机交互、多媒体内容审核等领域均有着广阔的应用前景,其中人体动作中的人物交互是动作识别的核心内容之一。现有的人物交互动作识别模型对人物关系的提取仅仅停留在表层视觉特征之上,并未充分挖掘人体关键区域以及人物之间的深层语义关系。针对此问题,文中提出了层次化的图神经网络模型(HGNN)对人物交互动作建模。HGNN模型从局部到整体显式地对人体关键区域以及人和物构成的场景图进行建模,并利用注意力图池化机制(AttPool)剔除层次图中冗余的信息和噪声,再通过图卷积网络提取图结点之间的深层语义关系,对卷积网络提取的特征进行聚合与优化,从而得到反映人物交互动作本质的特征表示。另外,HGNN模型在中层图进行的临时监督分类也能够约束网络更好地学习到交互动作的人体模式,避免网络对交互对象产生“偏见”。最后,针对HGNN模型,设计了多任务损失函数,用于有效进行模型训练。为了验证HGNN模型的有效性,在公开的大型数据集V-COCO上进行了广泛的实验,结果均显示所提出的HGNN模型对常见的人物交互动作具有广泛的适应性和鲁棒性,精度(mAP)超过了现有的基于图神经网络的模型,同时领先于大部分最新的多流卷积模型。 展开更多
关键词 计算机视觉 人体动作识别 人物交互 深度学习 图神经网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部