摘要：针对目前在铁路场景语义分割中存在的数据获取成本高、分割精度低、泛化能力差等问题,提出了一种基于改进动态图卷积神经网络的铁路场景语义分割方法.首先利用高分辨率的无人机采集铁路场景的多视角图像,并通过结构运动恢复与基于面片的多视角立体视觉算法生成铁路场景的三维点云;然后在动态图卷积神经网络中引入空间注意力模块,增强网络结构的分割精度与泛化性;最后通过改进后的图卷积神经网络对预处理后的铁路场景点云完成高精度的语义分割.实验阶段采用的铁路场景包括桥梁段、路基段与联络线,共计11个区域.以平均交并比为评价指标,与动态图卷积神经网络、PointNet++进行对比,研究结果表明,基于图像点云训练的改进动态图卷积神经网络对于铁路场景语义分割具有更高的精度,与动态图卷积神经网络、PointNet++相比,分割精度分别提高3.3个百分点与6.0个百分点,且具有更好的泛化能力.

摘要：精准检测棉花中混杂的小型异纤是保障纱线与织物质量的基础和关键。针对现有算法在棉花小型异纤检测中存在的漏检率高、网络结构复杂等问题,提出一种基于卷积神经网络轻量化的改进单步多框检测器(SSD)的棉花异纤检测方法。首先,通过引入深度可分离卷积、倒残差结构等创新性设计,将SSD算法中原有骨干特征提取网络VGGNet16替换为MobileNetv2网络;然后,对于SSD算法中生成的候选框尺寸与棉花异纤大小不匹配导致棉花背景占比过高,从而引起正负样本不均衡的问题,采用K-means++算法对棉花异纤尺寸进行聚类分析,根据聚类结果修正候选框尺寸。通过算例进行验证,结果显示所提方法在实现模型轻量化的同时有效提升了异纤检测效果和计算效率。

摘要：在实际场景中,车辆目标往往会被其他车辆、建筑物等对象遮挡,背景也可能非常复杂,为了保障检测精度,提出一种基于融合卷积神经网络的车辆多目标检测方法。采用激光雷达采集车辆目标图像,将采集的车辆行驶图像根据其车道线特征划分为两侧区域,将车道线以内的区域作为车辆多目标检测初始感兴趣区域(ROI),在ROI中采用车底阴影假设区域分割法获取车辆检测目标的假设区域。在原始卷积神经网络的基础上作进一步优化,设计可变形卷积神经网络(DF-R-CNN)模型,将得到的假设区域作为网络模型所需的车辆多目标检测候选区域,通过该模型实现车辆多目标的精准检测。实验结果表明,所提方法的召回率最高值达到了85%,损失函数最低值约为1.8,说明其具有较高的检测精度和检测效果。

摘要：针对传统图像分类在泛化性能上的局限性,采用了一种包含两层卷积和池化操作的卷积神经网络来进行图像分类任务。为了验证卷积神经网络的性能,研究从分类精准度和运行时间来对比BP神经网络、支持向量机(SVM)及卷积神经(CNN)网络的3种算法的性能。实验结果表明,CNN的分类准确率优于其他两种分类算法,但训练时间及测试时间相对较长。

摘要：在基于深度学习的立体匹配问题中,模型的网络结构、参数设置对匹配精度和匹配效率起到决定性作用。针对现有模型参数量大,精度低的问题,设计一种基于卷积神经网络的视差回归模型。首先,提出了基于扩张卷积和空间池化金字塔的多尺度特征提取网络,提高弱纹理区域的匹配精度;其次,改进了代价体相似度计算步骤,在保证匹配精度的同时,降低模型的参数量;最后,通过采取视差梯度信息和视差回归损失函数相结合的策略,有效地解决了在视差不连续区域中存在的边界信息保留不完整的问题。使用Middlebury数据集对模型进行验证,实验结果表明,相较于现有的立体匹配算法,在精度和速度方面都有所提升。

摘要：为了解决交通拥堵现象日益严重的问题,如何使用智能预测手段对交通流量进行预测并提供可视化操作的研究变得至关重要。在传统卷积神经网络的基础上做出改进,提出一种基于时空卷积网络的短时交通流量预测模型。对提出的模型性能进行检测,发现模型在进行预测到5 min时,能够取得最佳效果。随着时空卷积层数的增加,模型的MAE值、RMSE值、MAPE值均有所降低,预测性能越来越好。但当卷积层数超过3时,MAE值、RMSE值、MAPE值开始回升。因此,当模型中的时空卷积层数为3时,模型的性能最好。比较不同模型在同一数据集下的预测情况,随着预测时间的增加,该模型的MAE值和RMSE值远小于其他模型。

摘要：当立柱高度、载荷、结构尺寸等变量因素耦合影响堆垛机立柱结构性能时,数值模拟计算会变得非常复杂且工作量剧增,难以应对企业堆垛机大规模个性化敏捷设计的实际需求。文中通过数值模拟手段并结合正交试验法,对25~40 m高层堆垛机变截面立柱的力学性能进行分析;以此为基础,通过卷积神经网络算法建立了立柱性能智能化预测模型,与有限元计算结果比较平均相对误差低于10%而计算效率大幅提高,可以为高层变截面立柱个性化设计的快速评估提供新的使能工具。

摘要：针对河湖“四乱”辐射面积广、人工识别难、监测效率低等特点,设计河湖“四乱”遥感识别系统,精准识别河湖“四乱”。以北京市为研究区,通过高分二号卫星航片建立测试集和训练集,采用卷积神经网络模型对100000张训练样本影像进行学习,提取“四乱”的地物光谱、空间位置、几何分形等特征,建立解译标志,并通过测试集中随机获取的永定河、潮白河遥感影像验证系统识别“四乱”的整体识别率。结果表明:系统对永定河、潮白河“四乱”的整体识别率分别为96.7%和95.7%,能够有效识别高分遥感影像中的“四乱”现象,可为卷积神经网络模型在河湖“四乱”中的识别和分类提供参考。

摘要：为实现翻译机器人交互语音降噪,研究提出了一种新的语音降噪模型。该模型首先进行语音活动检测。然后使用卷积神经网络对噪声场景进行分类,根据分类结果设定降噪算法参数。最后利用模糊控制滤波进行进一步降噪处理。实验结果表明,研究设计模型的客观语音质量评估、短时客观可懂度、分段信噪比指标数值分别为2.254、0.748、6.83。研究设计模型能够实现有效的交互语音降噪,为英语语言学习者提供更好的学习环境。

摘要：如何从农田机载高光谱遥感影像中精细提取不同农作物是精准农业中的基本问题。鉴于此,提出一种面向农作物精细提取的高光谱影像分类框架。首先,结合主成分分析,将计算机视觉中用于目标检测的局部协方差矩阵流形学习方法引入到农田高光谱影像的降维和特征提取中;然后,设计了一个轻量化卷积神经网络对地物进行分类。以方麓茶场和龙口农田等2个数据集为例,开展了小样本的监督分类实验,基于卷积神经网络前端可以有效提取输入数据的高级特征,并能不断优化特征提取性能,后端可以有效挖掘高级特征与分类类别之间的非线性映射,并避免过拟合。结果表明,所提方法在各类农作物上均取得了最优的分类精度,农作物平均分类精度比次优方法分别提高了3.63和4.75个百分点。