摘要：针对传统异物入侵检测存在的问题,提出一种基于孪生神经网络的变电站异物入侵检测方法。用孪生神经网络进行运动前景提取,将背景图和待检图同时送入孪生神经网络,并且在后处理网络中引入注意力机制,最后通过连通域处理直接输出异物检测结果。此方法对异物没有预设检测类别的限制,另外设计的数据增强也进一步提高了算法抗抖动和抗光照变化能力。在测试数据集上取得的98.35%的准确率和98.61%的召回率证明了模型的有效性。

摘要：分析面部表情在医疗、教育、刑侦、交通以及人机交互等方面有很高的实用价值。设计了孪生对齐卷积神经网络模型,将面部图像左右分割后进行表情识别,达到了较为理想的识别准确率。FER2013和CK+数据集上的测试结果表明,准确率分别提高了0.9和0.6个百分点。实验结果说明,该模型在识别面部表情时是有效的。

摘要：随着社会的进步,人们生活水平的提高,传统的书法教学模式对少儿的吸引力愈发降低,传统书法文化的传承问题变得十分重要,如何重塑少儿对书法的学习兴趣是一个重要的问题,因此,本文创新性的提出一个全新的人工智能游戏化的新型书法教学模式,极大地提高了少儿的学习兴趣与学习体验。从故事情节设计与深度学习算法两个维度改进少儿学习书法的学习过程,必将为传统书法文化传承问题带来新的突破。

摘要：人脸识别任务中,孪生神经网络被广泛应用于解决样本过少、类别庞大的项目,通过判别输入的人脸相似度达到较高的鲁棒性。通过设计和改造传统孪生神经网络,提出了基于自注意力机制的孪生神经网络,将经典人脸识别任务衍生到亲属关系预测。网络设计思路结合了近期提出的全局上下文非局部注意力模块(GlobalContextNon-local Network,GC Block),使用自注意力机制融合人脸远距离关键特征,且在保持有效计算精度的基础上减少计算量,同时,使用美国西北大学的SMILE人脸数据集进行训练,并在官方于Kaggle举办的基于人脸亲属关系识别数据竞赛中进入前十名。实验表明,全局上下文模块可以有效融合人脸的远距离关键特征间的依赖信息,结合孪生网络,显著提升亲属关系预测任务的精度。

摘要：为考虑边缘视觉的影响,实现对人眼宽视场条件下视觉成像质量的量化,提出一种基于孪生神经网络的多视域成像质量评价方法。构建个性化眼模型,根据波前像差值获得不同视场处的成像图;利用色彩差异分割成像图中的不同区域,将其作为子图像以样本对的形式输入到孪生神经网络中,提取图像的多维特征;模拟人眼对色彩的差异化感知,对区域图像质量评价值进行加权,得到对整幅图像的质量评价。为验证算法的有效性,在TID2013、LIVE和CSIQ这3个图像数据库上进行实验,其结果表明,该方法对多视场处成像质量的量化评估有良好的性能。

摘要：传统基于支持向量机的不平衡数据分类算法包含矩阵运算,无法应用于大规模的不平衡数据集.针对这种情况,提出基于差分孪生卷积神经网络的大规模不平衡数据分类算法.设计差分卷积机制增强卷积神经网络的深度结构表示能力,在不改变滤波器数量的情况下提高模型的判别能力.通过差分孪生卷积神经网络分别优化每个类的特征图,每个类关联多个超平面,根据输入样本与超平面的距离决定输出样本的类标签.基于多组不平衡数据集的实验结果表明,该算法实现了较好的分类性能.

摘要：针对目前小样本下的恶意流量检测方法存在准确度低、特征提取不足和模型过拟合问题,提出了一种小样本下基于改进决策树-孪生神经网络的恶意流量检测算法。为了降低小样本下多分类任务的难度,利用类间中心距离构建二叉决策树将多分类问题转换为二分类问题。将孪生神经网络的对比分支设计为三支一维卷积神经网络并行的结构来解决小样本下特征提取不足问题。引入了通过池化策略和一维卷积操作优化的SE(squeeze-andexcitation)模块,以减少小样本下模型过拟合问题。通过对比样本的相似度实现了恶意流量检测。实验结果表明,所提方法在小样本下的恶意流量检测问题上具有良好的效果。

摘要：遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点,提出同时使用ResNet、U-Net和孪生神经网络3种深度学习算法,设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台,并详细阐述了各功能模块设计思路。实践表明,融合3种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题,有效提升了遥感影像变化检测的查全率,工作效率比目视解译提升超过3倍。研究成果已在湖南省自然资源“1+N”卫星监测工作中广泛应用。

摘要：针对现有的图表示学习在自监督对比学习方法中存在视图差异较大,且依赖于负样本防止模型坍塌,导致节点表示能力弱及空间复杂度加大的问题,提出一种基于双重视图耦合的自监督图表示学习模型(self-supervised graph representation learning model with dual view coupling, DVCGRL),用于学习图数据表示。采用特征空间增广和结构空间扩充相结合生成双重视图,将双重视图作为正样本对输入孪生神经网络;利用图编码器提取图数据特征,通过多层感知器获得映射后的特征向量;采用耦合网络拉近双重视图的特征向量距离,提升节点表示能力,防止模型坍塌。在公开数据集上进行的节点分类实验结果表明,与当前主流图表示学习模型相比,该模型降低了空间复杂度,节点分类精度得到明显提高。

摘要：针对全卷积孪生神经网络(fully-convolutional Siamese network,SiamFC)在目标发生明显外观变化、目标快速运动等复杂场景下跟踪精确度不足,以及在跟踪目标丢失后由于采用局部搜索策略导致无法重新捕获追踪目标的问题,引入YOLO(you only look once)v3作为再检测网络对SiamFC进行改进。改进算法在SiamFC的跟踪点漂移后会启用目标检测网络进行全局搜索,同时在SiamFC跟踪响应图的峰值小于某一确定阈值时启用目标检测网络对跟踪目标位置进行重新检测与判定,从而可以重捕并更精确地判定复杂环境下的运动目标。在公共数据集OTB2013、OTB2015和UAV20L上进行了实验,实验结果表明,与SiamFC相比,改进算法在OTB2015数据集上的精确度提升了2.9%、成功率提升了1.7%,在UAV20L数据集上的精确度提升了1%、成功率提升了2.6%。此外,通过与目前主流的跟踪算法进行比较得出,改进算法达到了领先的性能。对数据集中不同属性的视频序列进行分析,实验表明改进算法在目标形变、尺度变化、严重遮挡、目标离开视野以及背景混淆5种干扰属性上均有较强的准确性和鲁棒性。