摘要：本文针对老年黄斑变性(Age-related Macular Degeneration,AMD)这一眼部疾病,设计了一种12层的深度卷积网络(CNN)模型,其目的是在早期能通过患者的眼底图像自动诊断出AMD。结果显示准确率达到了93.1%,能够很好的应用于临床的辅助诊断当中。

摘要：针对类增量学习中的灾难性遗忘问题,提出一种基于多样性样本回放的类增量学习方法。为使类增量学习能够时序、快速地输入任务数据流,在因果卷积网络模型中引入自注意力机制;通过样本分类的不确定性和数据增强抽取多样性回放样本,提升新任务渐进式学习的效果并防止模型对旧任务的遗忘;采用一阶段生成伪特征与真实特征加权对比进行剪枝去除冗余的网络参数。实验结果表明,提出算法的精度优于经典增量学习算法,可有效缓解灾难性遗忘问题并提升增量学习性能。

摘要：为了合理补偿机器人定位误差,提升分类预测精度,提出一种基于改进卷积网络的机器人定位误差补偿方法。以机器人实际与理想关节角度图像作为模型输入,精准提取二者深度特征图,计算实际关节角度与理想关节角度深度特征图之间各特征点欧氏距离,获得并输出机器人定位误差预测结果。将机器人定位误差补偿问题转化为算法优化问题,构建机器人定位误差补偿目标函数及约束条件,通过改进粒子群算法求得最优解,实现机器人定位误差的补偿。实验结果证明:该方法可以有效补偿机器人的角位移误差,分类预测精度最高可达到99.87%,能够实现机器人对目标物体的准确抓取。

摘要：深度学习因其强大的学习能力使得数据驱动的轴承剩余寿命预测方法发展迅速,人工建立性能退化指标费时费力,缺少不同传感器数据之间相关性的考虑;宜采用一种新的深度可分卷积神经网络DSCNN(Deeply Separable Convolutional Neural Network),将多种传感器采集的监测数据作为DSCNN网络输入,基于可分离卷积和信息特征响应自动调节运算,构造具有残差连接功能可分离卷积构造块。通过叠加多个可分离的卷积构造块,从输入数据中自动学习高维表示。通过将学习到的信息输入到完全连接的输出层来估计RUL(Remaining Useful Life)。利用滚动轴承加速退化试验振动数据对所提出的DSCNN进行了验证。实验结果表明,所提出的DSCNN能够基于原始的多传感器数据提供准确的RUL预测结果,并且优于现有数据驱动预测方法。

摘要：为提升变电站巡检机器人视觉导航避障效果,将卷积神经网络与循环神经网络相结合,提出一种轻量级时空网络结构。网络以机器人道路场景视频帧为输入,分别从空间域和时域2个维度对可行道路区域特征进行分析挖掘。针对空间域特征,网络先采用多种图像增强技术来丰富道路特征信息,再利用高效率卷积单元、残差连接以及注意力机制等模块构建卷积网络结构,由浅到深提取可行道路空间位置特征。对于时域特征,网络在空间特征基础上引入基于卷积计算的长短期记忆循环网络,保障时序特征提取的同时避免空间特征被破坏,并结合自注意力结构提升网络对关键信息的聚焦度,降低噪声数据干扰。根据所提时空域特征,设计分类回归预测结构,分别对机器人行驶方向及对应偏转角度进行预测,提升机器人导航避障效果。最后,考虑到实际变电站机器人巡检场景的高度相似性,设计特征差分模块来减少对冗余特征重复计算,保障实际应用效率。多个数据集上的实验结果表明:所提方法可以有效提取道路场景信息的时空特征并准确预测机器人下一步动作;与同类型方法相比,该方法具有更高的鲁棒性,可以更高效智能地实现导航避障。

摘要：为有效解决自然场景下车牌检测的分类效率和分类准确率之间的矛盾,提出一种鲁棒的快速车牌检测方法。以整个车牌作为训练和检测的基本单位,直接使用卷积网络作为检测器,级联多个卷积网络,对自然场景下的车牌进行检测。通过引入卷积网络作为基本的学习子单元,进一步把多个子单元组织成级联结构,满足了自然场景下的车牌检测对检测准确率和检测效率的要求。在现实数据上的实验结果表明,级联卷积网络在保证较低误报率的同时具有较高的检测率和检测效率。

摘要：准确地预测城市蜂窝交通流量对未来大数据驱动下的智能蜂窝网络的管理和公共安全非常重要,同时也非常具有挑战。提出了一种基于深度学习的方法——ST-FCCNet来预测城市范围内的蜂窝流量。设计了一种STFCCNet单元结构,来捕捉城市中任意区域间的空间依赖。通过部署ST-FCCNet网络框架来对蜂窝流量的时间邻近性和周期性进行建模,以此来捕获时间依赖。结合外部因素(时间、天气、假期等)得到最终的预测结果。实验部分,通过实际的蜂窝数据集验证ST-FCCNet的有效性和现有的4种方法进行了对比。结果表明,ST-FCCNet的性能优于其他所有方法,与最优模型相比在预测精度上提高了7.50%到7.76%。

摘要：针对目前电力巡检图像中传统的防振锤检测方法仍存在效率低、精度差、计算成本高等问题,提出一种基于区域全卷积网络(region-based fully convolutional networks,R-FCN)的电力巡检图像防振锤智能识别方法.该方法通过特征提取网络自动提取防振锤特征,省却了传统检测方法特征提取的过程,提高了效率.此外,在R-FCN网络中采用位置敏感池化来引入平移变换,抵消全卷积网络造成的平移不变性问题,在检测精度和效率上均有较大提高.实验结果表明,该方法能准确检测出复杂背景下不同形态的防振锤,平均准确率高达88%,具有较强的鲁棒性.

摘要：为对航拍图像下的行人进行检测,提出一种改进的卷积神经网络模型。通过预处理航拍图像,采用中值滤波和对比度增强方法提升检测有效性;使用改进的卷积网络模型中的克罗内克积对航拍图像上采样,将原图像在保证清晰度的情况下,长和宽放大4倍;提出分块区域提取算法,对放大图像的每个图像块检测行人。实验结果表明,该方法在航拍图像上的行人检测有效。

摘要：一直以来,各种推荐系统关注于如何挖掘用户与物品特征间的潜在关联,特征信息的充分利用有利于用户到物品的精准匹配.基于矩阵分解和分解机的推荐算法是该领域的主流,前者学习用户历史行为而后者分析对象特征关系,但都难以兼顾用户行为与个体特征.而近年来,深度神经网络凭借其强大的特征学习能力和灵活可变的结构被应用到了推荐系统领域.鉴于此,本文提出了一种基于注意力机制的协同卷积动态推荐网络(Attentionbased collaborative convolutional dynamic network,ACCDN),它通过注意力机制实现用户历史行为、用户画像与物品属性的多重交互,再通过卷积网络逐层捕捉更高阶的特征交互.网络同时接受不同组块输出的低阶至高阶信息,最后给出用户对指定物品青睐评分概率的预估.而且本文还提出了一种基于无参时间衰减的用户兴趣标签来量化用户关注的变化.通过比较若干先进模型在两个现实数据集的表现,本文设计的动态推荐模型不但能够缓解推荐时滞性,还能明显提高推荐质量,为用户带来更好的个性化服务体验.