摘要：目的基于图像的驾驶员分心行为识别可认为是一种二级图像子分类问题,与传统的图像分类不同,驾驶员分心识别任务中的各类区别比较微小,如区分一幅图像是在弄头发还是打电话完全取决于驾驶员手上是否有手机这个物体,即图像中的较小区域就决定了该图像的类别。对于那些图像差异较小的类别,通常的图像分类方法无法高精度地区分。因此,为了能够学习到不同驾驶行为之间微小的表征区别,提出了一种姿态引导的实例感知学习网络用于驾驶员行为识别。方法首先利用人体检测器检测到人体框,利用人体姿态估计获取具有辨识性的手部相关区域,将人体和手部区域的特征作为实例级别的特征,以此设计一种实例感知学习模块充分获取不同层级的上下文语义信息。其次利用手部相关特征构建双通道交互模块来对关键空间信息进行表征的同时,对视觉特征进行优化,组建成一个多分支的深度神经网络。最后将不同分支的结果进行融合。结果实验结果表明,本文方法在AUC(American University in Cairo)数据集和自建三客一危数据集上的测试准确率分别达到96.17%和96.97%,相较于未使用实例感知模块和通道交互的模型,准确率显著改善,在复杂数据集下识别效果提升明显。结论本文提出的姿态引导的实例感知学习网络,在一定程度上降低了环境的干扰,准确度高,能辅助驾驶员安全行车,减少交通事故的发生。

摘要：长短期记忆网络(LSTM)广泛应用于视频序列的人脸表情识别,针对单层LSTM表达能力有限,在解决复杂问题时其泛化能力易受制约的不足,提出一种层级注意力模型:使用堆叠LSTM学习时间序列数据的分层表示,利用自注意力机制构建差异化的层级关系,并通过构造惩罚项,进一步结合损失函数优化网络结构,提升网络性能.在CK+和MMI数据集上的实验结果表明,由于构建了良好的层次级别特征,时间序列上的每一步都从更感兴趣的特征层级上挑选信息,相较于普通的单层LSTM,层级注意力模型能够更加有效地表达视频序列的情感信息.

摘要：工程教育认证工作存在需要梳理的材料繁多、资料整理工作量巨大等问题,因此亟需信息化手段辅助,从而有效减轻工作人员的压力,提高工作效率.工程教育认证辅助系统可以搜索、上传并导出认证标准要求的量化结果,如专业基本状态数据表、教学过程管理资料和毕业要求支撑材料等.提出了工程教育认证信息化系统的设计思路、功能架构以及实现的关键技术,最后分析了工程教育认证信息化的支持条件.