摘要：传统基于深度神经网络的人体姿态估计方法主要集中于网络模型的设计,对关节点、人体结构信息的建模关注较少。从人体结构建模的角度来看,现有的人体姿态估计方法仍然存在不足。首先,为了提升网络对人体结构信息的感知能力,提出了一种基于上下文注意力机制的人体姿态估计网络,通过注意力机制对人体关节点之间的相对位置关系进行建模。其次,为了增强训练数据集的规模和质量,提出了基于语义分割的数据增强方法。实验结果表明,对关节点相对位置的建模可以提升神经网络的感知能力。使用数据增强策略能够生成大量难样本,增强了网络的泛化能力。所提出的方法在COCO验证集上的人体姿态估计精度为79.5%,在COCO test-dev数据集上的精度为76.7%,高于其他具有相近复杂度网络的精度。

摘要：目的采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别。方法以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net(DU-Net)。采用区域重叠分割法将数据集分割成若干小块图片,然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割,并使用图片分类器清除假阳性样本,重新合成新样本。采用重复学习的方法使用新样本进行多次重复训练,将得到的结果应用全连接条件随机场(CRF)进行后续处理。最终得到胃癌分割图片并验证结果。结果经过3次重复学习后,DU-Net网络模型的平均精度为91.5%,平均交叉联合度量(IoU)为88.4%;相比于未经重复学习的基础DU-Net模型,其平均精度提升了5.6%,平均IoU提升了2.9%。结论基于深度学习的胃癌病理切片分割算法实现了精准的分割,提高了模型的泛化能力和鲁棒性,可用于辅助胃癌病理诊断。

摘要：随着物联网和信息技术的飞速发展,基于移动位置的服务近年来日益受到关注,同时也促进了室内定位技术的发展。基于WiFi指纹的室内定位技术以其部署广泛、成本低廉等优点受到了学术界的广泛研究。针对移动设备在室内环境中的定位问题,提出了一种层级学习室内定位系统(hierarchical deep learning indoor localization framework,HDLIL)。为获取和学习可靠的指纹特征,采用基于变分自编码(variational autoencoder,VAE)的特征提取模块来表征训练数据的潜在表示。通过构建多层神经网络来分析输入特征与位置输出之间的关系,并在输出层连接Softmax分类器,预测移动设备的位置。在定位阶段,移动设备接收测试数据并发送定位请求,然后通过加载HDLIL估计该测试指纹的位置。最后通过实验对HDLIL的定位性能进行了评估,讨论了不同定位因素对结果的影响,验证了该定位算法的精度及鲁棒性。

摘要：为了增强4D互动立体游戏仿真模拟平台的刚度和运动性能,将带冗余结构的3RPS/UPS并联机器人应用其中。首先对其结构进行介绍及逆运动学分析,然后针对传统PID控制在控制精度方面的不足,提出了一种基于神经网络观测器的反演控制方法。最后利用MATLAB对其进行建模以及系统仿真实验,并与传统PID控制以及一般的RBF神经网络自适应控制进行对比。由仿真结果可以看出,根据RBF神经网络观测器估计系统状态值,并应用反演控制理论设计控制器,能实现很好的状态观测,从而实现无需速度信号的位置跟踪。该方法也能够在一定程度上提高精度,且其整体控制效果优于传统PID控制器,相比于一般的RBF神经网络自适应控制也有了一定的改进。

摘要：课程体系是改进和保障教育质量的关键要素之一。针对自动化学科发展对人才培养模式所提出的最新问题,介绍了湖南大学自动化专业的课程体系现状,具体分析了课程体系与工程教育认证标准的吻合度课程设置具体情况、实践教学体系设置情况、毕业设计(论文)设置等。最后对自动化专业课程体系建设提出了若干思考。

摘要：在饮料食品行业中饮品的包装标签包含了饮品的各种信息,其好坏关系着饮品是否合格。针对近似圆柱的饮品包装标签设计了一种基于机器视觉的标签缺陷检测方法,能够多方位的采集到柱面饮品标签的图像信息。针对柱面饮品标签存在的形状畸变,提出了一种柱面反投影校正算法;将经柱面反投影后相邻标签图像进行配准,采用非线性权重融合成完整的柱面标签展开图;最后对标签展开图的颜色空间进行信息提取,采用双阈值和形态学处理来判断该饮品标签是否合格。实验结果表明该方法能较好的实现柱面饮品包装标签的缺陷检测,有望应用于饮品灌装生产线。