摘要：为了提高机器学习算法对手写字文本识别能力,克服个体手写字风格多变的干扰,设计了一种基于贝叶斯与生成式对抗网络的手写字文本识别算法。首先,建立10000个汉字的手写字数组头,每个汉字数组头后面依附100种手写体,构建起1000000帧汉字文本图像帧,作为后续学习训练的训练集数据输入。然后,利用贝叶斯线性模型,结合线性回归和先验分布,基于手写字图像样本数据库,进行有监督的机器学习训练,得到机器学习算子,完成针对手写字的粗识别。随后,根据生成式对抗网络原理,创建生成模型和判别模型,设计自适应潜在损失函数和迭代终止函数,解决深度学习普遍存在的过拟合问题,完成生成式对抗网络算子,完成针对手写字的深度识别。最后基于QTcreator开发的集成平台来实现所提算法的功能,其中,机器学习算子由OpenCV视觉函数实现,深度学习算子由TensorFlow框架实现。实验数据显示,相较于传统手写字识别算法而言,所提算法具有更高的手写字识别能力。

摘要：近年来,针对行人重识别问题的深度学习技术研究取得了很大的进展。然而,在解决实际数据的特征样本不平衡问题时,效果仍然不理想。为了解决这一问题,设计了一个更有效的模型,该模型很好地解决了目标的不同姿态的干扰以及数据集中的图片数量不足的问题。首先,通过迁移姿态生成对抗网络生成行人不同姿势的图片,解决姿态干扰及图片数量不足的问题。然后利用两种不同的独立卷积神经网络提取图像特征,并将其结合得到综合特征。最后,利用提取的特征完成行人重识别。采用姿势转换方法对数据集进行扩展,有效地克服了由目标不同姿势引起的识别误差,识别错误率降低了6%。实验结果表明,该模型在Market-1501和DukeMTMC-Reid上达到了更好的识别准确度。在DukeMTMC-Reid数据集上测试时,Rank-1准确度增加到92.10%,m AP达到84.60%。

摘要：卷积神经网络在解决物体定位问题时,经常需要使用物体级别标签的数据集对网络模型进行训练,这样的标签工作量极大,往往无法实现。本文在对CAM思想及基于CAM的多种弱监督学习的物体定位方法比较研究的基础上,设计了基于GAN方法的草莓白粉病病斑定位DAG网络模型。通过实验验证了DAG网络模型可以实现草莓白粉病病斑的定位。

摘要：现有三维模型识别网络对特征分布和扰动特性的关注不到位,导致识别稳定性和灵活性差。因此,提出一种新的对抗样本生成算法,以探究深度网络模型容易受到攻击的原因。算法以点云为对象,首先利用生成网络有效地学习点云关键点的特征,兼顾原始点云分布及其对抗特性,以生成对抗点的特征表示。此外,生成器能够根据不同的输入点云调整对抗点的生成,以达到欺骗原始三维模型识别网络的目的,进而实现对三维模型深度识别网络稳定性的探究。不同于传统攻击模型的损失函数,算法引入误分类损失扩大攻击力学习的可见范围。同时,还在原有对抗损失函数的基础上提出了感知损失函数,通过对比原始输入与生成样本的相似度来提高对抗样本的质量,从而更加逼真地模拟可能出现的对抗样本。基于该设计,算法所生成的对抗样本不仅可以欺骗三维识别网络,甚至可以在视觉上欺骗人类,从而实现对三维模型识别网络对抗鲁棒性的测试,完成对深度网络模型脆弱性原因的探索。在ModelNet10和ModelNet40数据集上的对比实验及消融实验证明,生成式对抗网络和感知损失的有机结合使算法可以有效地生成高质量的对抗样本。

摘要：针对实际设备运行中轴承故障样本往往比较匮乏,传统的人工智能算法越来越难以满足实际情况故障诊断需要的问题,提出了一种改进的生成对抗神经网络模型,并结合迁移学习提出了一种智能故障诊断方法。该方法将机械故障时所采集的原始数据与大量源域数据通过生成对抗网络中得到大量与原始数据相似的新样本数据,然后从新样本数据中学习特征优化神经网络的参数,并通过样本的分布相应的调节神经网络的结构,最后,将部分原始故障数据输入已训练好的神经网络,得到诊断结果。实验结果表明,所提方法较传统的深度学习和迁移学习在诊断准确率上分别提高了28.10%和24.42%,能够为实际制造中轴承故障诊断任务提供可行的解决方案。

摘要：传统手工蜡染工艺以丰富的色彩、精美的制作闻名世界,中国自古以来就拥有手工蜡染最先进的技艺与设计。然而,在产业化进程中,手工蜡染面临着诸多挑战,如生产周期长、难以实现大规模生产以及成本高昂等。这些问题的根源在于手工蜡染需要依赖专业工匠的精湛技艺。人工智能与染整工艺的进步与发展打破了这一僵局,拓展了蜡染图案冰裂风格的数字图案生成途径。分别从平面设计、分形设计及神经网络3个维度对当前蜡染图案冰裂风格的数字图案技术进行了系统的归纳与比较,并深入分析了各种方法的优势与不足,以及相应的图形评价方法。论述了蜡染图案的分类与特征,讨论分析了基于计算机模拟的蜡染图案仿真方法,最后提出了蜡染这项传统手工艺的未来的发展趋势与研究方向。

摘要：类比推理是设计师在产品外形设计阶段最常用的设计方法之一,然而设计结果严重依赖设计师经验,具有不确定性与随机性。为了辅助设计师进行创意生成,优化设计流程,提出一种基于类比推理的设计生成方法,结合循环一致性对抗网络(CycleGAN)以及相关图像处理技术,实现产品外形类比推理过程的智能化。首先,通过爬虫框架、主体目标检测与计算机视觉库(OpenCV)等处理汽车前脸轮廓,构建设计对象数据集。其次,收集图像构建启发源数据集。然后,使用CycleGAN对启发源数据集和设计对象数据集中的图像进行训练。最后,进行设计评价并整合训练数据,设计并实现原型系统推理者(Analogist),实现类比推理方案的智能生成。本项研究以猫的正面轮廓图像作为汽车前脸轮廓图像的类比推理对象,通过Analogist可以生成新的具有显著类比推理特征的汽车前脸轮廓图像。结果表明,该方法可以有效便捷地辅助设计师进行产品外形的类比推理设计,在一定程度上提升了设计效率,并为智能设计领域的发展提供了理论依据和实践基础。

摘要：为了降低目标遭受遮挡、光照变化、运动模糊等外界挑战性因素造成跟踪失败的风险,提出了一种基于多损失生成式对抗网络的目标跟踪算法.在生成式对抗网络中,针对遮挡、光照变化和运动模糊3种挑战性场景设计了相应的解码器结构,编码器则共享网络参数.跟踪时,编码器作为特征提取器来提取目标的特征,在粒子滤波框架下完成对目标的定位.从内容损失、类内损失和身份保留损失方面定义了损失函数,将对抗训练得到的先验知识和目标固有知识相结合,重构清晰图像.实验结果表明,在遮挡、光照变化和运动模糊情况下,所提跟踪算法取得了良好的跟踪性能.

摘要：针对数据不平衡分类问题,提出了一种基于主动生成式过采样与深度堆叠网络(DSN)的故障诊断方法。首先,在带有分类器的生成式对抗网络(ACGAN)的训练过程中,将Wasserstein距离作为新目标函数,为生成器提供有效梯度,并根据损失值之比自适应地调整迭代过程中生成器与判别器的训练次数,克服训练不协调所导致的模型收敛困难,以提高ACGAN的训练稳定性,改善生成样本的质量。其次,采用基于委员会查询(QBC)的主动学习算法,并设计多样性评价指标Diversity,对ACGAN生成的高信息熵样本进行二次筛选,以保证所挑选样本的多样性;同时利用筛选出的样本训练判别器,引导生成器生成信息量丰富的少数类样本。最后,在平衡数据集的基础上,训练基于DSN的故障分类模型。通过对比实验验证了所提出方法的有效性。

摘要：目的为应对智能时代汉字字体设计的困境,思考汉字字体的未来属性,探索机器学习为字体设计思维与方法带来的多种可能。方法基于Sternberg提出的创意三层次,分别开展初步探索、深入融合与交叉突变三个层级的基于机器学习的汉字字体设计探索。结果通过三个实验分别实现了颜宋体设计、字体族群设计和枯枝体设计三种具有不同目的与功能的设计结果。结论基于不同的设计实验与结果发现,机器学习不仅可以通过改变汉字字体设计的流程与方法来提高设计效率,实现传统设计方法不可能完成的字体设计内容,而且可以与设计师协同探索新的汉字字体设计思维方式,形成新的设计形态,满足逐渐多元化的运用情境。