摘要：针对实际中轴承的故障数据少难以满足深度学习数据大量训练模型的要求,利用卷积神经网络的微小特征提取优势和模糊聚类不需要训练即可完成分类的特点,提出了一种基于模糊聚类和改进Densenet网络的小样本轴承故障诊断方法。首先将预训练微调的Densenet网络去掉分类只保留特征提取层,设计一个维度自适应全局均值池化层(GAP)代替全连接层(FC),其次利用模糊聚类代替Densenet网络的softmax分类层,不需要训练即可完成分类。实验结果表明:该算法利用小样本数据训练网络中的GAP参数,模型需要的训练样本大大减少,诊断时将轴承时域图像输入到网络中,在GAP层输出1 920个特征数据,不同故障状态的特征数据构建特征向量矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵,当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,从而实现轴承故障分类。

摘要：为了实现水稻害虫的快速、准确识别,提出了一种基于迁移学习和卷积神经网络相结合的水稻害虫识别方法。首先对水稻害虫图像进行平移、翻转、旋转、缩放等预处理,并按照害虫特征由人工分为稻纵卷叶螟、稻飞虱、二化螟、三化螟、稻蝗、稻象甲等6个类别。然后基于迁移学习方法,将VGG16模型在图像数据集ImageNet上训练得到的权重参数迁移到水稻害虫的识别当中,将VGG16的卷积层和池化层作为特征提取层,同时将顶层重新设计为全局平均池化层和一个softmax输出层,训练时冻结部分卷积层。实验结果表明:所提模型的平均测试准确率为99.05%,训练时间约为原有模型的1/2,模型大小仅为74.2 MB;在稻蝗、稻飞虱、稻象甲、二化螟、稻纵卷叶螟、三化螟等6类害虫的F1值分别为0.98、0.99、0.99、0.99、1.00、0.99。所提方法识别效率高,识别效果好,可移植性强,可为农作物的害虫高效快速诊断提供参考。

摘要：超分辨率技术可提升遥感图像空间分辨率,为基于遥感图像的目标检测、场景分类等任务提供更加清晰的数据集,具有广泛的应用价值。然而,现有基于深度学习的超分辨率方法存在监督次数不足的问题,导致超分辨率重建图像中易出现细节损失和伪细节。针对这一问题,本文提出基于分级监督的遥感图像超分辨率方法(MSSR)。首先,提出了一个分级监督网络架构,通过引入多级真值图像作为监督,为超分辨率过程提供充足的图像细节恢复指引,进而减少超分辨率结果中细节损失和伪细节的出现。其次,为了便于构建级数可变、超分辨率倍数可变的分级监督网络,设计了一个轻量化的、超分辨率倍数可灵活调整的同构超分辨率模块(BSRC)。各级BSRC的网络结构基本相同,便于迁移网络权重,缩短训练时间。最后,针对分级网络超分辨率倍数一定时,网络级数及各级分辨率倍数有多种组合方式的问题,对比多种分级方式下的超分辨率结果,给出最佳网络分级方式。此外,构建了一个包含世界各地复杂细节地面场景的遥感图像数据集(RSSRD)。在该数据集和UCMerced、AID两个公开数据集上进行超分辨率实验,实验结果显示本文方法优于现有常用超分辨率方法。

摘要：铁路扣件对保障铁路运输安全尤为重要,为了实现对铁路扣件缺陷形态快速准确地检测,提出一种基于DenseNet201的深度迁移学习扣件检测方法。该方法通过研制设计的数据采集平台多手段获取WJ-8型扣件包含扣件正常、扣件弹条偏移、扣件弹条丢失、扣件丢失在内的4种不同缺陷形态数据图像,构建铁路扣件缺陷形态专有数据集。采用Retinex算法对获取到的数据图片进行去雾降噪处理以提高其质量。结合迁移学习的思想,引入原网络在ImageNet公共数据集上习得的权重,并对其卷积神经网络结构进行重组改进。此外,嵌入Grad-CAM技术对模型最后一层卷积输出的特征作映射处理,以探寻模型特征提取注意力分布。最后基于pytorch深度学习框架开展实验,在相同条件下与5种经典的深度学习网络模型VGG16,VGG19,ResNet50,AlexNet和GoogLeNet进行对比实验验证。研究结果表明:在真实铁路环境工况下,改进的DenseNet201深度迁移学习模型感受野主要集中在扣件区间内,有效检出率达98.1%,且对于不同工况下的各类型扣件,模型表现出较强的鲁棒性和泛化性能,相比于其他5种经典的深度学习网络模型检测精度和准确率更高。该方法能适用于实际铁路扣件不同缺陷形态的快速检测,具有一定的实用价值,可为后续相关研究提供技术参考和理论支撑。

摘要：为解决苹果叶部病害识别效率低、精度低的问题,展开苹果叶片病害识别模型的研究。通过收集并整理网络公共数据集,获取苹果黑腐病、苹果黑星病、苹果锈病和苹果健康叶部四类图像,随机选取1 200张图像建立数据集,采用数据增强的手段对数据进行预处理,提高模型的鲁棒性,降低其他因素对模型识别的影响。将迁移学习与卷积神经网络相结合,在InceptionV3、Xception、NasNetmobile、Inception-ResNetV2这4种预训练模型的基础上,弃用全连接层,通过全局平均池化层来完成特征整合工作,同时对模型采取微调,对比各模型的识别效果。通过微调前后8种模型训练对比结果表明,微调后的Inception-ResNetV2模型在测试集上能达到98.83%的准确率,可以准确、快速地识别出病害类型,为相关病害识别提供参考。

摘要：针对滚动轴承保持架由于故障频率太小容易被噪声干扰,振动分析等传统故障检测方法检测困难,特征较难提取的问题,提出一种基于迁移学习的轴承保持架的故障诊断算法。利用数据量较多但缺少保持架故障相关数据的凯斯西储大学的轴承振动加速度数据集进行模型训练,提取出重要的模型参数信息,然后在此基础上,利用此模型参数在少量的齿轮箱轴承保持架振动加速度数据上进行迁移学习,实现对齿轮箱轴承保持架的故障识别,实验表明该迁移学习方法在识别滚动轴承保持架上是有效的。

摘要：迁移学习能以相关领域中的标注数据为基础,提升目标领域的学习效果。当领域间的数据分布差异很大时,会导致严重的负迁移问题。如何充分捕获源域和目标域之间的相似性,进一步挖掘更多有效信息,最终提高目标域的预测精度,是一个值得探索的问题。该文从细粒度主动迁移的视角,提出一种深度子领域迁移学习(Deep subdomain transfer learning,DSTL)算法,能迭代优化源域和目标域之间的相似性,提升模型预测性能。该文首先提出一种伪标签生成策略,对所有样本进行子领域的划分;制定中心+边缘的主动查询策略,获得关键代表性实例的真实标签;设计一种迭代分布优化策略,实现源域和目标域的子领域对齐,避免负迁移。将DSTL算法与传统迁移学习算法以及当前最新的深度迁移学习算法在主流的基准数据集上进行了测试。统计分析的结果表明,该文所提算法能实现性能的有效提升,扩大模型在实际应用中的适用范围。

摘要：猪个体识别技术可以有效提高大规模猪场的管理效率,降低饲养成本,减少养殖场的经济损失。真实养殖场景中猪个体姿态多变,样本采集困难,且很难获取含有全部猪脸信息的端正姿态。为实现真实猪舍环境下的小样本的非接触式猪个体的快速准确识别,提出一种基于迁移学习和改进神经网络模型的猪个体识别方法,在ResNet34网络模型基础上,优化部分卷积层,设计新的全连接层并且引入Dropout方法,再结合迁移学习方法以及参数调优对模型进行训练。试验结果表明改进ResNet34模型对单张图片平均识别耗时为0.0032 s,验证准确率及测试准确率分别为98.7%、97.8%,改进后模型的浮点运算量降低了约25.3%,总参数量降低了约10.3%,识别准确率提高1.9%,平均检测时间和训练时间分别减少15.8%和14.3%,并且,改进后的ResNet34模型综合性能优于AlexNet、GoogleNet、VGG16等模型。本文提出的方法在30头猪的测试试验中,准确率和精确率分别为97.8%和98.1%。因此,本文提出的模型可以较为精准地实现真实复杂猪舍背景下的猪个体实时识别,为生猪智能化养殖以及追根溯源的研究提供参考。

摘要：[目的/意义]在计算化学中,化学键能是重要的化学领域科学数据,目前化学键能数据抽取工作主要是由领域专家手动抽取,效率低下,大多数化学键能科学数据被湮没于海量文献中,无益于深入的、创新的科学数据分析。[方法/过程]为了解决该问题,本研究以ChemBE化学键能语料为实验对象,设计在较少专家支持的情况下,使用迁移学习的方法在化学论文中自动抽取与化学键能相关的科学数据。本文提出了一种端到端的BERT-CRF模型,通过构建领域高频子词的方法来解决大量未登录词的问题,并在后续深度学习模型的训练中,将构建好的领域高频子词作为领域特征输入到深度学习模型中,实现了对论文中的化学键能科学数据自动、高效地抽取。[结果/结论]实验表明,端到端的BERT-CRF模型与需要专家构建规则的基线模型相比,取得了理想的实验结果,F1值达到了88.56%。本文通过构建领域高频子词来解决大量未登录词的问题,降低了对领域专家的要求,可以较为容易地、低成本地迁移到其他领域。本文的研究结果是情报分析技术在化学领域的实践,为化学键能的智能知识检索提供了重要支撑。

摘要：在以图像分类为目标任务的迁移学习场景下,针对攻击者能力和需求对应模型不一致的情况下攻击准确率较低的问题,提出面向特征向量差异性的成员推理攻击方案,构建阴影模型获取不同层次的特征向量,采用欧氏距离对不同特征向量之间的距离进行计算,提出阈值比较步骤对欧氏距离细化分类,并设计阈值选择策略。实验结果表明:在不访问教师模型的情况下,对教师模型实施成员推理攻击,所提攻击方案仍能实现较好的攻击性能。本文方案在Cats vs Dogs、Flowers102和CIFAR-100数据集上成员推理攻击准确率分别达到0.728、0.632和0.581,揭示了迁移学习场景下成员推理攻击的有效性。随着学生模型训练时冻结层数的增加,本文方案在Cats vs Dogs数据集上的攻击性能得到提升。