摘要：人脸表情是人类内心情绪最真实最直观的表达方式之一,不同的表情之间具有细微的类间差异信息。因此,提取表征能力较强的特征成为表情识别的关键问题。为提取较为高级的语义特征,在残差网络(ResNet)的基础上提出一种注意力金字塔卷积残差网络模型(APRNET50)。该模型融合金字塔卷积模块、通道注意力和空间注意力。首先用金字塔卷积提取图像的细节特征信息,然后对所提特征在通道和空间维度上分配权重,按权重大小定位显著区域,最后通过全连接层构建分类器对表情进行分类。以端到端的方式进行训练,使得所提网络模型更适合于精细的面部表情分类。实验结果表明,在FER2013和CK+数据集上识别准确率可以达到73.001%和94.949%,与现有的方法相比识别准确率分别提高了2.091个百分点和0.279个百分点,达到了具有相对竞争力的效果。

摘要：鉴于气象资料风向自记图中存在背景文字干扰和特征所在区域固定等特点,导致卷积神经网络只考虑风向自记图局部近邻特征的问题,使卷积神经网络不能准确识别风向自记图。针对上述存在问题,提出残差网络和自注意力机制相结合的风向自记图识别模型。采用一维和二维风向自记图作为输入数据,通过残差网络进行风向自记图特征提取,引入自注意力机制对特征赋予不同的权重,增强风向自记图分类特征并抑制背景特征。实验结果表明,使用上述方法能有效增加特征信息区分度,风向识别准确率可达76.34%。对比实验结果表明,模型在风向识别准确率方面优于其它风向识别模型。

摘要：近年来,基于视图的3D模型检索已经成为计算机视觉领域的重点研究方向。3D模型检索算法包括特征提取和检索算法两个部分,且鲁棒的特征对于检索算法起着决定性的作用。目前,研究者们已经提出了许多人工设计特征和深度学习特征,但是很少有人比较它们的异同。因此,文中对不同的人工设计特征和深度学习特征的性能进行了评估分析,基于充分对比的前提,采用了多个数据集、多样的评价标准和不同的检索算法进行了实验,并进一步比较了深度网络不同层特征对性能的影响,从而提出了基于残差网络的三维模型检索算法。在多个公开数据集上的实验表明:1)残差网络所提取的深度特征相较于传统特征,综合性能提升了1%～20%;2)与VGG网络所提取的深度特征相比,残差网络的综合性能提升了1%～5%;3)VGG网络中不同层特征的性能也有差异,深层特征与浅层特征相比,综合性能提升了1%～6%;4)随着网络深度的增加,残差网络所提取的特征的综合性能得到了有限提高,且比其他对比特征均更加鲁棒。

摘要：针对矿山图像重建中细节损失导致重建质量低下的问题,提出了一种基于多尺度特征复用残差网络的矿山图像重建算法,旨在提高矿山场景下图像重建的精度和效率。首先,设计了一个多尺度特征提取模块,通过堆叠多个并行的卷积层和池化层,结合局部残差网络构建图像特征提取模块,通过不同尺度的多路组合网络,从输入图像中充分提取图像的多尺度细节特征。这些特征表示具有不同的语义信息和空间分辨率,能够捕捉到图像中的不同细节和纹理结构。然后,引入了特征复用模块,将不同尺度的特征进行融合和复用,以增强图像重建的准确性。通过多尺度的特征交互和信息传递,可以有效地利用全局和局部的上下文信息,提高图像的重建性能。通过在自建的矿山图像重建数据集上进行试验,结果表明:所提出的算法在重建精度和效率方面均得到了显著提升,与其他深度学习模型相比,该算法在重建图像的细节保留和结构准确性方面表现出更好的性能。此外,该算法具有较快的训练和推断速度,适用于实际应用场景。

摘要：基于模糊函数(Ambiguity Function,AF)赋型的恒模波形设计是雷达系统中的一项关键技术。该问题可构造为一个非线性的复四次问题(NP-hard)。现有的方法可分为两类:第一类方法通过松弛方式来求解该问题,但不可避免地会引入近似误差;第二类方法直接求解该问题,但该类方法的参数选取较为困难。我们注意到深度神经网络是一个天然的非线性系统,与上述的非线性问题模型高度契合。因此,本文提出了一种基于深度学习残差网络的方法来对AF赋型,该方法不需要松弛操作以及复杂的参数选取。具体步骤为:1)将该问题转化为一个无约束的相位优化问题;2)将该无约束问题的非凸目标函数构造为网络的损失函数;3)使用残差网络直接优化波形的相位。仿真结果表明,所提方法的信干比(Signal-to-Interference Ratio, SIR)有显著提升并且有着更好的目标探测性能。

摘要：针对常规深度学习的人脸识别方法训练数据量巨大和训练难收敛的问题,提出一种基于残差网络与中心损失的人脸识别方法。利用生成对抗网络方法解决训练数据分布不均衡问题,利用数据增强方法解决数据不足问题;改进残差网络,使其匹配较小数据集,解决训练难收敛问题;将交叉熵损失与中心损失结合,作为模型训练过程中的监督信号,使类间分散、类内聚合。实验结果表明,在小数据的前提下,识别算法能够准确地识别出人脸。模型在测试集上的准确率达97.46%。

摘要：为解决现有车牌识别算法在面对旋转倾斜车牌以及双行车牌图像时识别精度偏低的问题,提出一种基于深度残差网络和注意力机制的特殊车牌识别算法。优化深度残差网络结构,使模型更好提取低分辨率车牌图像的特征;取消对特征图平均池化操作,在保留图像全局特征的前提下,将多维特征化为特征序列;引入注意力机制对特征序列并行解码,加快模型推理速度,提升特殊车牌的识别精度。实验结果表明,与现有的文字识别模型CRNN、DAN、ASTER对比,在公开车牌数据集CCPD上取得了更高的准确率,验证了模型的有效性。

摘要：为实现小样本数据下的葡萄病害图像识别,基于迁移学习和数据增强技术,实现了葡萄叶部病害图像的精准分类。在ResNet50模型的基础上,保留了卷积层并设计了全新的全连接层。对葡萄病害数据集原图进行亮度变换、旋转、添加高斯噪声等操作,以扩充数据集,防止模型过拟合,且将数据集按1:4划分为验证集与训练集,训练模型的全连接层。试验结果表明:ResNet50模型对葡萄黑腐病叶、褐斑病叶、轮斑病叶及健康叶的平均识别准确率达97.87,比VGG16和VGG19模型分别高出4.02%和1.86%,分类效果优于其他模型;葡萄叶片黑腐病、褐斑病、轮斑病和健康的召回率分别为97%、96%、99%及99%,均在96%以上。由此表明,模型具有较好的鲁棒性和识别性能,可为果园自动化喷药提供技术参考。

摘要：为解决小样本中文语音情感识别准确度低的问题,提出一种基于残差网络改进的中文语音情感识别网络结构AResnet。使用时域增强和频域增强生成更复杂的模拟样本扩充语音情感数据,将注意力机制引入至残差网络(residual networks)中,关注谱图中情感特征分布,提升情感识别率。在CASIA中文语音数据集上训练、测试,其结果显示,对比DCNN+LSTM、Trumpt-6网络结构,识别率分别提升约14.9%、3%,验证了AResnet在中文语音情感识别中的有效性。该方法也在英语语音数据集eNTERFACE’05上进行实验,识别准确率为92%,验证了AResnet有较好的泛化能力。

摘要：针对窃电检测中因窃电样本不足导致模型识别精度低的问题,提出了一种基于有监督样本生成和残差网络的窃电检测方法。首先,基于依据生成对抗网络的结构原理,设计并实现了辅助分类生成式对抗网络(auxiliary classifier generative adversarial network,ACGAN),旨在精确捕捉并模拟真实窃电样本的固有特征分布。在ACGAN的判别器模块中,通过引入窃电分类作为辅助任务嵌入,从而实现了有监督学习机制的有效引入,从而提高了生成窃电样本的质量。采用Hinge损失函数来优化网络训练过程中的损失,显著提升了生成窃电样本的逼真度与实用性。其次,利用ACGAN网络的生成器来扩充数据集,生成额外的窃电样本。最后,在ACGAN判别器网络基础上,通过添加残差结构来构建窃电检测模型,以增强模型的对大量窃电样本的学习能力。同时,为了减少窃电检测模型的训练时间,采用ACGAN判别器网络的权重参数对窃电检测模型进行初始化。实验结果表明,所提出的ACGAN网络能够有效地学习真实样本的概率分布。与现有方法相比,有监督样本生成方法有效提高了窃电模型的识别精度,在正确率、检出率、综合性能指标(F1分数)等性能指标上均表现更优。