摘要：针对脑电信号(EEG)数据量过少的问题,提出一种基于残差模块(ResBlock)和自注意力(Self-Attention)机制的生成对抗网络(GAN),记为RBSAGAN。该模型首先对ResBlock进行改进,设计了Up ResBlock和Down ResBlock网络用于提取信号中不同尺度感受野的特征并对数据维度进行扩大和缩小;然后根据Self-Attention机制设计1D Self-Attention网络挖掘EEG中各离散时刻之间的时间相关性;最后通过生成器和判别器的对抗训练生成逼真的信号。该模型在公开的BCI Competition IV dataset 2a数据集进行了大量实验,结果表明,RBSAGAN具有生成接近于真实脑电信号样本的能力,并且将分类器1D卷积网络(CNN)的平均识别率提升至96.04%,可以为EEG数据增广任务提供参考。

摘要：为提高小目标检测任务的准确率和稳定性,解决SSD(single shot MultiBox detector)算法在小目标识别和定位过程中准确率较低的问题,基于SSD算法提出一种改进方法。在原始的SSD卷积网络结构上进行修改和优化,通过特征图之间的特征融合,重构卷积预测特征图上的物体特征信息。考虑到网络复杂度增加带来的数据分布变化的影响,加入批量归一化BN(BatchNorm)层。在PASCAL VOC2007数据集和生活用品(Supplies Dataset)数据集上的实验结果表明,改进算法的mAP相比原始SSD分别提高了10.4%、15.1%。鉴于网络融合带来的参数增加,改进算法的检测速度仍表现良好,符合算法的实时性要求。

摘要：在现代工业生产运行中,如何充分挖掘海量的多源异构生产运行数据,实现异常工况的快速检测和故障预测,有效提高工业生产设备的可靠性,仍然是研究的难点。提出一种基于串行分组深度学习的工业生产运行状态分析与故障预测模型,针对时间序列突变故障设计了串行分组深度学习网络框架,实现目标对象的故障检测与预测,及时发出故障预警。通过对某造纸厂数据以及风力发电频率监测数据进行测试,并与传统神经网络预测模型进行对比分析,表明了所提算法的准确性,为提高生产设备使用寿命、减低工业生产成本,提高安全稳定运行起到重要作用。

摘要：面向海上石油钻井井漏事故预测需求,以中国海油乐东10-1油田监测数据构建样本,利用ReliefF算法提取事故关键参量,并计算滑窗内积获取时序特征矩阵,以突出表达事故时序变化及关联耦合特征。设计并搭建深度卷积特征重构网络,训练学习正常钻井的特征表达规律,在测试阶段基于网络模型的特征重构误差捕捉事故前的征兆异常,实现井漏事故预测。结合钻井实际工程需求,研究并定义事故预测准确率和虚警密度指标评价算法结果,实验验证表明所提方法对井漏事故的预测准确率为75%,且虚警率低,表现优于自动编码器等常规算法,可为海上石油事故预警应用提供技术支撑,指导钻井作业安全生产。

摘要：为提升多尺度目标的分割效果,增强特征提取能力,提出了一种基于双重注意力机制的改进U-Net街景图像语义分割方法。在U-Net编码阶段的第5个卷积块之后,添加特征金字塔注意力模块,提取多尺度特征,融合上下文信息,增强目标语义特征。在解码阶段不再采用U-Net的特征拼接方法,而是设计了一个空间域-通道域联合注意力模块,接收来自跳跃连接的低层特征图和来自前一个注意力模块的高层特征图。在Cityscapes数据集上的实验结果表明,引入的注意力模块可有效提升街景图像分割精度,与PSPNet、FCN等方法相比,分割性能指标mIoU提升了2.0%~9.6%。

摘要：针对目前交通模式识别以人工设计特征为主,特征设计主观性强、区分度不高的问题,本文依据深度学习理论,建立了基于卷积神经网络的特征自动学习模型。该模型利用卷积神经网络自动学习深度特征,然后与人工特征共同用于交通模式识别。模型基于微软Geo Life数据,针对不同特征组合与分类方法设计实验,实验结果表明模型能学习到高区分度深度特征、有效提高交通模式识别准确率。

摘要：传统的“试错”型材料研究方法存在周期长、成本高和偶然性大等不足,已经不能满足现代材料研发的需求,提高研发针对性、缩短材料研发周期、降低材料研发成本成为全世界的研究热点。随着数据量的不断累积以及计算机技术的不断发展,数据密集型科学逐渐成为科学研究的第四范式。从大量数据中寻找能反映材料本征的“基因”,是材料现行的研究趋势。人工神经网络方法因具备自学习、联想存储以及高速寻找优化解的能力的优点而被广泛应用于材料科学领域。研究者利用人工神经网络等机器学习模型对材料的试验或理论计算数据进行挖掘,在专家经验和理论指导下转化为可靠的知识并能够辅助智能决策,从而建立材料从微观结构到宏观性能间的一一映射关系。早期,人工神经网络主要被用于寻求材料的宏观参数与材料宏观性能之间的关系,如材料的成分设计,加工过程的工艺参数优化,以及寻找影响材料使用性能的环境参数;人工神经网络通过对第一性原理计算结果进行学习,被用于描述原子尺度下体系之间的作用关系,以此实现计算速度与精度的平衡;而卷积神经网络等深度神经网络方法在图像处理上的独到优势,使得其在材料表征领域得到了更广泛的应用,如SEM、TEM中微结构识别与重构。借助人工神经网络等方法,实现材料微观、介观到宏观性能之间跨尺度的联系,是实现材料设计这一终极目标的可能途径。本文回顾了人工神经网络的发展历史,对目前材料领域应用最为广泛的BP神经网络与卷积神经网络原理进行了阐释,综述了人工神经网络在材料宏观性能、计算模拟、材料表征等领域的应用,探讨了人工神经网络在材料领域应用存在的不足,最后对未来的发展趋势进行了展望。

摘要：近年来,超像素在医学图像处理领域的应用愈加广泛,现有的方法取得了较好的效果,如LAW,SLIC等.然而,这些方法在处理医学图像得到超像素时,位于组织边缘像素点的划分仍存在类别模糊问题.为此,提出一种基于U-Net网络的超像素分割方法.首先,通过双边滤波模型过滤外部噪声,增强超像素信息;然后,结合U-Net卷积网络学习图像特征.该方法为U-Net网络中每个特征尺度的卷积层后嵌入一个规范层,用于增强网络对参数的敏感性.实验结果表明,该方法有效提高了医学图像超像素的分割精度,与groundtruth相比,其改善了超像素边缘分类的准确性,优化了超像素分割结果,在精确度、召回率、F-measure和分割速度等性能指标上均取得了更好的效果.

摘要：AI在各种各样的实际场景中都有相关的应用。比如以卷积网络为核心的图像检测,视频检索技术可应用于下游的安防、医疗诊断、自动驾驶等场景;以强化学习为基础的博弈决策技术,可应用于交通规划等领域;以Transformer为核心的自然语言处理技术,可以应用于搜索推荐、智能人机接口等场景。

摘要：通航河道架设的桥梁普遍存在船舶碰撞的安全风险,但传统的被动防御设施无法实现对船舶的预警。针对当前桥梁防撞安全管理现状问题,提出采用计算机视觉手段和卷积神经网络算法实现船舶目标检测和船舶轨迹追踪,在船舶感知与识别、超限预警分析、数字孪生再现、多方式提醒及预警等方面开展桥梁防撞安全预警设计,建立基于AI技术的桥梁防撞安全预警系统,有助于减少或者避免船舶碰撞事故的发生,为桥梁的运营提供安全防护保障。