深度神經(jīng)網(wǎng)絡(luò)
- 圖像處理中基于深度學(xué)習(xí)的圖像語(yǔ)義分割綜述
能 ??深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP391.41;TP18圖像語(yǔ)義分割是計(jì)算機(jī)視覺領(lǐng)域的關(guān)鍵研究方向，通過(guò)精確劃分圖像中不同物體和區(qū)域的語(yǔ)義信息，為無(wú)人駕駛、遙感影像檢測(cè)、醫(yī)療影像等應(yīng)用領(lǐng)域提供了重要支持。本文綜述了基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法的演進(jìn)，重點(diǎn)介紹了FCN、U-Net、DeepLab等經(jīng)典算法，以及最新基于Transformer的方法，如ViT-Adapter和Lawin Transformer。同時(shí)還關(guān)注了幾個(gè)常用的語(yǔ)義分割數(shù)據(jù)集，如PAS
科技資訊 2024年6期2024-06-19
- 中國(guó)手語(yǔ)識(shí)別方法及技術(shù)綜述
主要利用深度神經(jīng)網(wǎng)絡(luò)和人工智能技術(shù)，強(qiáng)調(diào)深度學(xué)習(xí)，遷移學(xué)習(xí)和技術(shù)融合，模型對(duì)樣本數(shù)據(jù)量的依賴程度較高。我國(guó)已經(jīng)開始廣泛建設(shè)各類手語(yǔ)語(yǔ)料庫(kù)，但需要進(jìn)一步規(guī)范和推廣?！娟P(guān)鍵詞】 手語(yǔ)識(shí)別技術(shù)；語(yǔ)料庫(kù)；深度神經(jīng)網(wǎng)絡(luò)；遷移學(xué)習(xí)【中圖分類號(hào)】 G760【作者簡(jiǎn)介】 蔣賢維，副教授，南京特殊教育師范學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院（南京，210038），jxw@njts.edu.cn；孫計(jì)領(lǐng)、張艷瓊、蔣小艷，副教授，南京特殊教育師范學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院（南京，210038）；
現(xiàn)代特殊教育 2024年6期2024-05-18
- 混合動(dòng)力汽車深度強(qiáng)化學(xué)習(xí)分層能量管理策略
化學(xué)習(xí)；深度神經(jīng)網(wǎng)絡(luò)；等效燃油消耗中圖分類號(hào)：U471.15????????? 文獻(xiàn)標(biāo)志碼：A?????????? 文章編號(hào)：1000-582X（2024）01-041-11Deep reinforcement learning hierarchical energy management strategy for hybrid electric vehiclesDAI Kefeng， HU Minghui（College of Mechanical an
重慶大學(xué)學(xué)報(bào) 2024年1期2024-05-15
- 基于多模態(tài)融合的深度神經(jīng)網(wǎng)絡(luò)圖像復(fù)原方法
融合； 深度神經(jīng)網(wǎng)絡(luò)； 三重注意力；? 圖像復(fù)原中圖分類號(hào)： TP391文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1671-5489（2024）02-0391-08Deep Neural Network Image Restoration MethodBased on Multimodal FusionLI Weiwei1， WANG Liyan2， FU Bo2， WANG Juan1， HUANG Hong1（1. School of Information Eng
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2024年2期2024-05-15
- 基于機(jī)器學(xué)習(xí)算法的河南省冬小麥面積提取研究
據(jù)，采用深度神經(jīng)網(wǎng)絡(luò)（DNN）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）算法，自動(dòng)從NDVI時(shí)序數(shù)據(jù)中提取冬小麥特征，分別訓(xùn)練出非線性模型，在250 m尺度對(duì)河南省冬小麥分布和面積進(jìn)行識(shí)別。結(jié)果表明，基于DNN算法的河南省冬小麥面積識(shí)別模型精確率為97.26%，總體一致性為97.97%；基于RF、SVM算法的精確率分別為91.51%和89.31%，總體一致性均在90%以下。和RF、SVM算法相比，DNN算法在精度上有明顯的提升，能夠更好地反映河南省冬小麥的時(shí)
江蘇農(nóng)業(yè)科學(xué) 2024年6期2024-04-30
- 基于大規(guī)模預(yù)訓(xùn)練模型的地質(zhì)礦物屬性識(shí)別方法及應(yīng)用
ER）的深度神經(jīng)網(wǎng)絡(luò)模型，用于識(shí)別和提取礦物類型、地質(zhì)構(gòu)造、巖石與地質(zhì)時(shí)間等關(guān)鍵信息。與傳統(tǒng)方法不同，本次采用了大規(guī)模預(yù)訓(xùn)練模型BERT（Bidirectional Encoder Representations from Transformers，BERT）和深度神經(jīng)網(wǎng)絡(luò)來(lái)捕捉上下文信息，并結(jié)合條件隨機(jī)場(chǎng)（Conditional random field，CRF）以獲得準(zhǔn)確結(jié)果。實(shí)驗(yàn)結(jié)果表明，MNER模型在中文地質(zhì)文獻(xiàn)中表現(xiàn)出色，平均精確度為0.898
新疆地質(zhì) 2024年1期2024-04-17
- 基于多任務(wù)學(xué)習(xí)的軌道交通短時(shí)客流預(yù)測(cè)研究
機(jī)制; 深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：U239.5?? 文獻(xiàn)標(biāo)志碼：A?? 文章編號(hào)：1002-4026（2024）01-0095-12A multitask learning model for the prediction of short-term subway passenger flowAbstract∶An accurate prediction of short-term subway passenger flowscan effectively
山東科學(xué) 2024年1期2024-02-26
- 基于多模態(tài)融合技術(shù)的番茄灰霉病智能協(xié)同診斷模型研究
歸分析；深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：S274.1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：20955553 （2023） 11011508Study on intelligent collaborative diagnosis model of tomato Botrytis based onmulti-mode fusion technologyDu Yaru Huang YuanDu Pengfei Gao Xinna Wu Meng Yang Yingru（1. Shij
- 改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的用戶用電量預(yù)測(cè)方法
要]針對(duì)深度神經(jīng)網(wǎng)絡(luò)對(duì)電能預(yù)測(cè)精度低的問(wèn)題，提出正弦粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法，通過(guò)對(duì)粒子群算法進(jìn)行變異操作和慣性權(quán)重改進(jìn)，來(lái)對(duì)深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)進(jìn)行尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，SPSONN-DNN算法相比于DNN、極度梯度提升、線性回歸、兩種改進(jìn)PSONN-DNN算法的預(yù)測(cè)精度分別提高了1.926%、2.820%、1.500%、0.633%、0.582%；SPSONN-DNN算法相比于兩種改進(jìn)PSONN-DNN算法迭代次數(shù)分別減少6次、4次
湖北工業(yè)大學(xué)學(xué)報(bào) 2023年1期2023-12-02
- 基于特征協(xié)同交互網(wǎng)絡(luò)的商品點(diǎn)擊率預(yù)測(cè)
率預(yù)估；深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP391.3? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）19-0145-06Product Click-through Rate Prediction Based on Co-Action NetworkZOU Yufei， YANG Xin， HU Chenchen（Lanzhou Jiaotong University， Lanzhou 730070，China）Abstract： With the
現(xiàn)代信息科技 2023年19期2023-11-22
- 基于多標(biāo)簽分類器的惡意PowerShell檢測(cè)
分類器；深度神經(jīng)網(wǎng)絡(luò)；惡意代碼；混淆；加密0 引言網(wǎng)絡(luò)空間是現(xiàn)代戰(zhàn)爭(zhēng)中重要戰(zhàn)場(chǎng)，高級(jí)持續(xù)性威脅攻擊（Advanced Persistent Threat，APT） 是一種復(fù)雜且持久的網(wǎng)絡(luò)攻擊，通常為有組織的攻擊者發(fā)起，旨在獲取敏感信息、竊取知識(shí)產(chǎn)權(quán)或破壞目標(biāo)系統(tǒng)。APT攻擊的目標(biāo)通常是政府機(jī)構(gòu)、大型企業(yè)、關(guān)鍵基礎(chǔ)設(shè)施和研究機(jī)構(gòu)等具有高價(jià)值數(shù)據(jù)和資產(chǎn)的實(shí)體。這些APT具有重大威脅，因?yàn)樗鼈兛梢杂糜诟鞣N惡意活動(dòng)，包括數(shù)據(jù)泄露、遠(yuǎn)程訪問(wèn)和系統(tǒng)入侵等。在所有APT
電腦知識(shí)與技術(shù) 2023年19期2023-08-26
- 基于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像特征學(xué)習(xí)研究
題。甚于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像特征學(xué)習(xí)正是為了解決這一問(wèn)題而被提出和廣泛應(yīng)用，旨在通過(guò)自動(dòng)學(xué)習(xí)高層次的特征表示，提高醫(yī)學(xué)圖像分類和診斷的準(zhǔn)確性、降低人力成本、改善普適性、推動(dòng)自動(dòng)化和智能化發(fā)展。文章首先分析基于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像特征學(xué)習(xí)的研究意義，其次闡述醫(yī)學(xué)圖像多元特征提取方法，最后探究基于多層級(jí)特征融合的醫(yī)學(xué)圖像分析方法，以推動(dòng)深度袖經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用深度。關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò);醫(yī)學(xué)圖像;特征學(xué)習(xí)中圖法分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A１ 研究
計(jì)算機(jī)應(yīng)用文摘 2023年15期2023-08-09
- 基于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像特征學(xué)習(xí)研究
題。甚于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像特征學(xué)習(xí)正是為了解決這一問(wèn)題而被提出和廣泛應(yīng)用，旨在通過(guò)自動(dòng)學(xué)習(xí)高層次的特征表示，提高醫(yī)學(xué)圖像分類和診斷的準(zhǔn)確性、降低人力成本、改善普適性、推動(dòng)自動(dòng)化和智能化發(fā)展。文章首先分析基于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像特征學(xué)習(xí)的研究意義，其次闡述醫(yī)學(xué)圖像多元特征提取方法，最后探究基于多層級(jí)特征融合的醫(yī)學(xué)圖像分析方法，以推動(dòng)深度袖經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用深度。關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò);醫(yī)學(xué)圖像;特征學(xué)習(xí)中圖法分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A１ 研究
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年15期2023-08-09
- 高速公路路況感知能力建設(shè)研究
結(jié)構(gòu)化；深度神經(jīng)網(wǎng)絡(luò)；大數(shù)據(jù)分析；高速公路中圖分類號(hào)：TP311.13? 文獻(xiàn)標(biāo)志碼：A0 引言截至2022年初，貴州省全省高速公路通車?yán)锍坛^(guò)8 000km，閉塞村落、工業(yè)廠區(qū)、景區(qū)景點(diǎn)等地交通出行條件大幅提升，但高速公路的運(yùn)營(yíng)管理仍存在行人違法進(jìn)入高速公路、公路沿線路域環(huán)境不佳、收費(fèi)站通行效率不高、高速公路交通事故頻發(fā)等問(wèn)題。為此，貴州高速公路集團(tuán)有限公司凱里營(yíng)運(yùn)管理中心（以下簡(jiǎn)稱“凱里運(yùn)管中心”）結(jié)合貴州經(jīng)濟(jì)基礎(chǔ)相對(duì)薄弱的現(xiàn)實(shí)條件，提出了“因地制宜，
無(wú)線互聯(lián)科技 2023年3期2023-06-15
- 基于深度神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的高精度車輛識(shí)別系統(tǒng)研究
一種基于深度神經(jīng)網(wǎng)絡(luò)算法的高精度車輛識(shí)別系統(tǒng)，利用開源圖形化視覺處理庫(kù)OpenCV和數(shù)據(jù)分析處理庫(kù)NumPy對(duì)車牌進(jìn)行圖像預(yù)處理。基于預(yù)處理后的數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)框架TensorFlow進(jìn)行學(xué)習(xí)訓(xùn)練，實(shí)現(xiàn)了對(duì)車牌的快速精準(zhǔn)識(shí)別。系統(tǒng)首先對(duì)車牌所在位置進(jìn)行定位，其次對(duì)鎖定后的車牌圖像進(jìn)行切割，再次將車牌背景和文字通過(guò)像素點(diǎn)移位算法由彩色圖像轉(zhuǎn)換為灰度圖像，最后實(shí)現(xiàn)字符的切割與識(shí)別，得到所要識(shí)別的車牌數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)識(shí)別系統(tǒng)相比，基于深度學(xué)習(xí)
無(wú)線互聯(lián)科技 2023年5期2023-05-24
- 猛犸象牙與現(xiàn)生象牙的計(jì)算機(jī)視覺鑒定方法
集，基于深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練象牙識(shí)別模型對(duì)象牙紋理圖像進(jìn)行特征提取和分類，從而實(shí)現(xiàn)猛犸象牙與現(xiàn)生象牙鑒定。結(jié)果表明該方法能夠快速、有效地對(duì)象牙制品進(jìn)行鑒定與識(shí)別，解決目前的執(zhí)法難題。關(guān)鍵詞：象牙鑒定；計(jì)算機(jī)視覺；深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)： TP391.4? 文獻(xiàn)標(biāo)志碼： A0 引言現(xiàn)生大象是珍貴的瀕危野生動(dòng)物，非洲象、亞洲象均已列入《瀕危野生動(dòng)植物種國(guó)際貿(mào)易公約》（Convention on International Trade in Endangered S
無(wú)線互聯(lián)科技 2023年24期2023-05-06
- 基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的遙感影像語(yǔ)義分割算法
絡(luò)優(yōu)化;深度神經(jīng)網(wǎng)絡(luò);圖像語(yǔ)義分割;遙感影像中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）17-0070-031 概述航拍圖像和遙感圖像識(shí)別長(zhǎng)期以來(lái)得到了測(cè)繪、國(guó)防、農(nóng)業(yè)等領(lǐng)域的廣泛應(yīng)用，隨著深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的高速發(fā)展，地表覆蓋物分類等基于遙感影像的自動(dòng)化分析技術(shù)也得到了一定程度的發(fā)展。在過(guò)去的10年內(nèi)，視覺模型的發(fā)展主要有兩個(gè)主流方向，分
電腦知識(shí)與技術(shù) 2022年17期2022-08-31
- 工業(yè)場(chǎng)景下AI質(zhì)檢關(guān)鍵技術(shù)及平臺(tái)架構(gòu)研究
器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò);工業(yè)質(zhì)檢;MEC;容器化中圖分類號(hào)：TP391.4 ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2022）05-0149-04Research on Key Technology and Platform Architecture of AI Quality Inspection under Industrial SceneZHOU Hua， ZHENG Rong， XIAO Rong（Shanghai Ideal Inf
現(xiàn)代信息科技 2022年5期2022-07-10
- 基于深度神經(jīng)網(wǎng)絡(luò)的直線二級(jí)倒立擺控制器設(shè)計(jì)
究了基于深度神經(jīng)網(wǎng)絡(luò)的智能控制方法。首先介紹了BP神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)模型及優(yōu)化算法，并且根據(jù)直線二級(jí)倒立擺狀態(tài)方程，研究了基于深度神經(jīng)網(wǎng)絡(luò)的直線二級(jí)倒立擺控制算法。然后設(shè)計(jì)了一個(gè)六輸入單輸出的深度神經(jīng)網(wǎng)絡(luò)控制器模型，并利用Pytorch框架，以LQR作為導(dǎo)師進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后利用MATLAB軟件對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證，并與BP神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行對(duì)比，最后在直線二級(jí)倒立擺實(shí)驗(yàn)平臺(tái)上進(jìn)行實(shí)驗(yàn)驗(yàn)證。仿真與實(shí)驗(yàn)表明，所設(shè)計(jì)的深度神經(jīng)網(wǎng)絡(luò)
技術(shù)與創(chuàng)新管理 2022年3期2022-05-31
- 基于結(jié)構(gòu)化文本及代碼度量的漏洞檢測(cè)方法
率.采用深度神經(jīng)網(wǎng)絡(luò)對(duì)代碼度量的結(jié)果進(jìn)行特征學(xué)習(xí)以擬合代碼度量值與漏洞存在的關(guān)系，并將其擬合的結(jié)果轉(zhuǎn)化為漏洞存在的概率.采用支持向量機(jī)對(duì)由上述兩種表征方式獲得的漏洞存在概率做進(jìn)一步的決策分類并獲得漏洞檢測(cè)的最終結(jié)果，為驗(yàn)證該方法的漏洞檢測(cè)性能，針對(duì)存在不同類型漏洞的11種源代碼樣本進(jìn)行漏洞檢測(cè)實(shí)驗(yàn)，該方法對(duì)每種漏洞的平均檢測(cè)準(zhǔn)確率為97.96%，與現(xiàn)有基于單一表征的漏洞檢測(cè)方法相比，該方法的檢測(cè)準(zhǔn)確率提高了4.89%～12.21%，同時(shí)，該方法的漏報(bào)率和誤
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2022年4期2022-05-30
- 基于卷積神經(jīng)網(wǎng)絡(luò)的生鮮蔬菜精準(zhǔn)識(shí)別系統(tǒng)
識(shí)別; 深度神經(jīng)網(wǎng)絡(luò); 卷積神經(jīng)網(wǎng)絡(luò)；隨機(jī)梯度下降；超市管理中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）30-0007-04開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：1概述隨著人工智能技術(shù)的發(fā)展，智能化產(chǎn)品在人們的生活中被越來(lái)越多地運(yùn)用，與機(jī)器學(xué)習(xí)相結(jié)合的系統(tǒng)在生活中的許多領(lǐng)域都有著廣泛且成熟的使用[1]，如指紋解鎖門鎖、人臉識(shí)別付款等。同時(shí)隨著科技的發(fā)展，超市等購(gòu)物場(chǎng)所的部分環(huán)節(jié)也逐漸從人工操作轉(zhuǎn)換為以機(jī)器為主，例
電腦知識(shí)與技術(shù) 2022年30期2022-05-30
- 基于深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的防火墻攔截效能評(píng)估
征提取和深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的防火墻攔截能力評(píng)估優(yōu)化方法。使用KDD‘99訓(xùn)練集攻擊防火墻，測(cè)試防火墻的攔截能力[1]。云特征提取和本地?cái)r截信息配合深度神經(jīng)網(wǎng)絡(luò)建模威脅文件，對(duì)防火墻進(jìn)行未知威脅攔截測(cè)試，并利用入侵?jǐn)r截信息動(dòng)態(tài)評(píng)估防火墻的未知威脅攔截情況。實(shí)驗(yàn)表明，該模型能有效地評(píng)估防火墻攔截的有效性，提高對(duì)未知威脅的攔截檢測(cè)能力。關(guān)鍵詞：攔截;深度神經(jīng)網(wǎng)絡(luò);防火墻;網(wǎng)絡(luò)安全中圖分類號(hào)：TP393 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（20
電腦知識(shí)與技術(shù) 2022年5期2022-04-11
- 基于人工智能的推薦算法模型及應(yīng)用研究
葉斯網(wǎng);深度神經(jīng)網(wǎng)絡(luò)一、數(shù)據(jù)特征提取和預(yù)處理 在特征提取的階段，不同物品的描述會(huì)被提取出來(lái)。盡管可以使用任意的一種表示，例如多維數(shù)據(jù)表示，但最常見的方法是從底層數(shù)據(jù)中提取關(guān)鍵詞。做出這種選擇是因?yàn)榉墙Y(jié)構(gòu)化文本描述通常在各種領(lǐng)域中廣泛使用，并且它們?nèi)匀皇亲钭匀坏拿枋鑫锲返姆绞?。在很多情況下，可以用多個(gè)字段來(lái)描述物品的各個(gè)方面。特征表示和清洗此過(guò)程在使用非結(jié)構(gòu)化表示時(shí)顯得尤為重要。特征提取階段能夠從產(chǎn)品或者網(wǎng)頁(yè)的非結(jié)構(gòu)化的描述中得到一系列單詞。 過(guò)從物品的
客聯(lián) 2022年1期2022-03-29
- 利用學(xué)習(xí)者畫像實(shí)現(xiàn)個(gè)性化課程推薦
上，利用深度神經(jīng)網(wǎng)絡(luò)建立了教學(xué)資源與學(xué)習(xí)者畫像之間的關(guān)系模型，用該模型預(yù)測(cè)學(xué)習(xí)者新的學(xué)習(xí)需求。實(shí)驗(yàn)結(jié)果表明，當(dāng)學(xué)習(xí)者登錄后，輸入要選擇的課程，模型能夠根據(jù)學(xué)習(xí)者畫像推薦相似學(xué)習(xí)者學(xué)習(xí)過(guò)的課程，提供個(gè)性化課程推薦服務(wù)，且推薦評(píng)價(jià)指標(biāo)也表明該模型能夠提高推薦性能。[關(guān)鍵詞] 學(xué)習(xí)者畫像; 深度神經(jīng)網(wǎng)絡(luò); 個(gè)性化推薦; 非正式學(xué)習(xí)平臺(tái); 教育大數(shù)據(jù)挖掘[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A[作者簡(jiǎn)介] 王莉莉（1994—），女，甘肅蘭
電化教育研究 2021年12期2021-12-14
- 基于DenseNet和ResNet融合的發(fā)動(dòng)機(jī)孔探圖像分類研究
Net;深度神經(jīng)網(wǎng)絡(luò)Abstract：Borescope inspection is one of the most important means of detecting internal engine damage. In order to solve the problem that engineer mainly rely on experience to define damage during borescope inspection， a
計(jì)算技術(shù)與自動(dòng)化 2021年3期2021-10-01
- 基于深度學(xué)習(xí)的教師課堂提問(wèn)分析方法研究
分類; 深度神經(jīng)網(wǎng)絡(luò); 深度學(xué)習(xí)[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A[作者簡(jiǎn)介] 馬玉慧（1974—），女，遼寧錦州人。副教授，博士，主要從事人工智能教育應(yīng)用的研究。E-mail：799493385 @qq.com。一、引? ?言課堂提問(wèn)是教師課堂教學(xué)行為的關(guān)鍵組成部分，是師生進(jìn)行課堂交互的主要方式。有效的課堂教學(xué)提問(wèn)不僅能夠吸引學(xué)生的注意力，激發(fā)學(xué)習(xí)興趣，而且能夠引導(dǎo)學(xué)生深入思考，及時(shí)評(píng)價(jià)教學(xué)效果[1-2]。對(duì)教師的課堂提問(wèn)
電化教育研究 2021年9期2021-09-14
- 基于改進(jìn)Faster R-CNN的自然環(huán)境下麥穗檢測(cè)方法
-CNN深度神經(jīng)網(wǎng)絡(luò)麥穗檢測(cè)方法。針對(duì)傳統(tǒng)Faster R-CNN算法應(yīng)用于麥穗檢測(cè)時(shí)存在漏檢的問(wèn)題，并結(jié)合自然環(huán)境下麥穗重疊和遮擋的特點(diǎn)，本研究采用加權(quán)框融合（Weighted Boxes Fusion，WBF）算法代替原有的非極大值抑制（NMS）算法，通過(guò)區(qū)域建議網(wǎng)絡(luò)產(chǎn)生的所有預(yù)測(cè)框的置信度來(lái)構(gòu)造融合框。試驗(yàn)證明，改進(jìn)后的Faster R-CNN在全球麥穗檢測(cè)數(shù)據(jù)集上的平均精度均值mAP0.5：0.75、mAP0.5分別達(dá)到了74.21%和92.15%
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2021年7期2021-09-13
- 一種改進(jìn)的多任務(wù)級(jí)聯(lián)網(wǎng)絡(luò)人臉檢測(cè)算法研究
展，使用深度神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法在準(zhǔn)確度方面已有很大提升，但使用的模型結(jié)構(gòu)越來(lái)越復(fù)雜，檢測(cè)速度也相對(duì)變慢。本文提出一種改進(jìn)的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（Multi-task convolutional neural networks，MTCNN）算法。在制造數(shù)據(jù)集時(shí)更改IOU閾值參數(shù)，來(lái)獲取更多、更精確的人臉樣本;對(duì)與置信度損失有關(guān)的交叉熵?fù)p失函數(shù)和與偏移量損失有關(guān)的均方差函數(shù)求均值，使得整個(gè)網(wǎng)絡(luò)收斂得更加平穩(wěn)。經(jīng)在AFW、PASCAL以及FDDB數(shù)據(jù)集上實(shí)驗(yàn)，
智能計(jì)算機(jī)與應(yīng)用 2021年3期2021-08-09
- 基于殘差密集塊與注意力機(jī)制的圖像去霧網(wǎng)絡(luò)
像去霧;深度神經(jīng)網(wǎng)絡(luò);編碼器-解碼器;注意力機(jī)制中圖分類號(hào)：TP391.4? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：AImage Dehazing Network Based on Residual DenseBlock and Attention MechanismLI Shuoshi1，2，LIU Hongrui1，GAN Yongdong1，ZHU Xinshan1，2?，ZHANG Jun1（1. School of Ele
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2021年6期2021-08-02
- 基于時(shí)空卷積神經(jīng)網(wǎng)絡(luò)GL-GCN的交通流異常檢測(cè)算法
賴性采用深度神經(jīng)網(wǎng)絡(luò)DeepGLO的方法建模。同時(shí)捕捉時(shí)空特性并建立預(yù)測(cè)交通流模型，利用異常分?jǐn)?shù)來(lái)判斷交通流異常。利用真實(shí)的交通流數(shù)據(jù)，證實(shí)了提出的模型具有有效性和優(yōu)越性。關(guān)鍵詞：交通流;異常檢測(cè);深度神經(jīng)網(wǎng)絡(luò);圖卷積網(wǎng)絡(luò);時(shí)空特征中圖分類號(hào)：TP39? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2021）02-0070-06Abstract：Traffic flow anomaly detection usually considers
現(xiàn)代信息科技 2021年2期2021-07-28
- 深度神經(jīng)網(wǎng)絡(luò)在城市交通預(yù)測(cè)中的應(yīng)用
紅摘要：深度神經(jīng)網(wǎng)絡(luò)能夠有效地捕捉城市區(qū)域間的時(shí)間和空間相關(guān)性，同時(shí)對(duì)于特征工程依賴較少，逐漸成為交通預(yù)測(cè)中的應(yīng)用熱點(diǎn)。首先介紹交通預(yù)測(cè)的主要內(nèi)容和挑戰(zhàn)，從捕捉時(shí)空相關(guān)性的角度歸納近年來(lái)比較流行的基于深度神經(jīng)網(wǎng)絡(luò)的交通預(yù)測(cè)方法，分析各類方法的優(yōu)缺點(diǎn)，最后對(duì)深度神經(jīng)網(wǎng)絡(luò)在交通預(yù)測(cè)中的未來(lái)發(fā)展前景進(jìn)行展望。關(guān)鍵詞：機(jī)器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò);交通預(yù)測(cè)中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）16-0183-03開放科學(xué)
電腦知識(shí)與技術(shù) 2021年16期2021-07-25
- 融入唇語(yǔ)識(shí)別技術(shù)提升人臉識(shí)別安全性的研究
一種基于深度神經(jīng)網(wǎng)絡(luò)的唇語(yǔ)識(shí)別技術(shù)的系統(tǒng)。與現(xiàn)有的唇語(yǔ)識(shí)別技術(shù)不同的是，該系統(tǒng)主要是識(shí)別用戶的唇動(dòng)習(xí)慣。運(yùn)用本系統(tǒng)，用戶在進(jìn)行人臉識(shí)別的同時(shí)可按照檢測(cè)方的提示，讀出相應(yīng)的內(nèi)容，并在對(duì)用戶的人臉進(jìn)行驗(yàn)證的過(guò)程中，對(duì)用戶通過(guò)唇動(dòng)說(shuō)出的內(nèi)容分別實(shí)現(xiàn)唇動(dòng)識(shí)別、比對(duì)，從而有效地提升人臉識(shí)別的安全性水平。實(shí)驗(yàn)結(jié)果表明，在故意針對(duì)人臉識(shí)別系統(tǒng)的攻擊中，融入本技術(shù)的系統(tǒng)有更好的識(shí)別準(zhǔn)確率。關(guān)鍵詞： 唇動(dòng)識(shí)別;人臉識(shí)別安全;深度神經(jīng)網(wǎng)絡(luò);身份認(rèn)證文章編號(hào)： 2095-216
智能計(jì)算機(jī)與應(yīng)用 2021年1期2021-07-11
- 基于深度神經(jīng)網(wǎng)絡(luò)的圖像分辨率增強(qiáng)技術(shù)研究
研究基于深度神經(jīng)網(wǎng)絡(luò)的圖像分辨率增強(qiáng)技術(shù)。本文針對(duì)圖像分辨率增強(qiáng)問(wèn)題，研究了超分辨率的相關(guān)理論和方法，設(shè)計(jì)了針對(duì)實(shí)際圖像進(jìn)行分辨率增強(qiáng)的處理框架，通過(guò)預(yù)處理提高分辨率增強(qiáng)方法的效果，并提出了一個(gè)有效的光照歸一化方法。針對(duì)圖像分辨率增強(qiáng)，提出了基于深度神經(jīng)網(wǎng)絡(luò)的分辨率增強(qiáng)方法，通過(guò)對(duì)各種圖像的增強(qiáng)，有效的提高了實(shí)驗(yàn)結(jié)果的視覺效果。研究結(jié)果表明，圖像分辨率增強(qiáng)處理能夠在一定程度上提高相同硬件條件下的圖像的空間分辨率，改善因?yàn)橛布l件不足而造成的圖像退化及分辨率
科海故事博覽·中旬刊 2021年1期2021-06-23
- 基于深度神經(jīng)網(wǎng)絡(luò)的中國(guó)移動(dòng)營(yíng)業(yè)廳人流量統(tǒng)計(jì)研究
文章提出深度神經(jīng)網(wǎng)絡(luò)的方法，將分治策略引入到人流量統(tǒng)計(jì)問(wèn)題中。這個(gè)方法以VGG16作為特征編碼網(wǎng)絡(luò)，UNet作為解碼網(wǎng)絡(luò)，將人流量統(tǒng)計(jì)變成一個(gè)可拆解的任務(wù)。在統(tǒng)計(jì)圖片上人數(shù)時(shí)，總可以把圖片分解成多個(gè)子區(qū)域，使得每個(gè)區(qū)域的人流量計(jì)數(shù)都是在之前訓(xùn)練集上所見過(guò)的人數(shù)類別。然后再把每個(gè)子區(qū)域上面的人數(shù)加起來(lái)，就是統(tǒng)計(jì)結(jié)果。在對(duì)廣州某個(gè)中國(guó)移動(dòng)營(yíng)業(yè)廳的人流量統(tǒng)計(jì)的實(shí)驗(yàn)中，預(yù)測(cè)的速度能達(dá)到實(shí)時(shí)監(jiān)測(cè)的速度和高精確度。關(guān)鍵詞：分治策略;人流量統(tǒng)計(jì);深度神經(jīng)網(wǎng)絡(luò);VGG16
現(xiàn)代信息科技 2021年24期2021-06-07
- 文本相似度檢索技術(shù)及其應(yīng)用研究
關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò);文本檢索;應(yīng)用研究中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）12-0188-021 前言傳統(tǒng)的文本情感傾向的檢索分析的算法大部分依存于龐大的情感詞典與基于淺層的機(jī)器學(xué)習(xí)，但是特征提取方法用的時(shí)間特別長(zhǎng)，訓(xùn)練難度大，成本很高的不足，不適合當(dāng)今數(shù)據(jù)信息龐大的場(chǎng)合。基于深層的神經(jīng)網(wǎng)絡(luò)的文本情感的檢索分析的算法可以從大數(shù)據(jù)中自動(dòng)地訓(xùn)練包括語(yǔ)義所指向的詞向量，并且經(jīng)過(guò)的深度的神經(jīng)網(wǎng)絡(luò)獲取的句子或文檔的
電腦知識(shí)與技術(shù) 2021年12期2021-05-24
- 基于Web的對(duì)話應(yīng)用設(shè)計(jì)系統(tǒng)
話系統(tǒng);深度神經(jīng)網(wǎng)絡(luò);Web應(yīng)用【Abstract】Thecustomerservicesysteminthefieldofinformationtechnologyhasproblemssuchaslowefficiencyintheuseofhumanresources，whichbringsalotofmaintenancecoststoenterprises，andbringscertainobstaclestoenterpriseinnovati
智能計(jì)算機(jī)與應(yīng)用 2021年2期2021-05-11
- 基于多尺寸特征疊加的SAR艦船目標(biāo)檢測(cè)方法
度特征;深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TN 957.52 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼：AMethod of Vessel Target Detection in SAR Images Basedon Multi-scale Feature SuperpositionWEI Songjie1，ZHANG Zedong1，XU Zhen1，LIU Meilin2，3，CHEN Wei1（1. School of Computer S
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2021年4期2021-05-06
- 基于改進(jìn)的Mask R-CNN的游泳池溺水檢測(cè)研究
檢測(cè); 深度神經(jīng)網(wǎng)絡(luò); 圖像分割; 注意力機(jī)制; 目標(biāo)檢測(cè)中圖分類號(hào)： TP391.413; TP183文獻(xiàn)標(biāo)識(shí)碼： A作者簡(jiǎn)介： ?井明濤（1994-），男，山東人，碩士研究生，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)和圖像處理。通信作者： ?楊國(guó)為（1964-），男，教授，主要研究方向?yàn)槿斯ぶ悄芗皺C(jī)器學(xué)習(xí)等。 Email： ygw_ustb@163.com近年來(lái)，游泳池中溺水事故[1]頻發(fā)，溺水事故與游泳場(chǎng)所[2]的環(huán)境[3]有關(guān)，尤其在光線不足和人滿為患的深水復(fù)雜環(huán)境
- 基于深度學(xué)習(xí)的電力網(wǎng)絡(luò)終端負(fù)荷預(yù)測(cè)方法
行指令 深度神經(jīng)網(wǎng)絡(luò)Abstract： The adaptive sensing perception ability of terminal load forecasting of power network is relatively poor， so errors or problems are prone to occur in the process of execution， causing large-scale or relevance f
科技創(chuàng)新導(dǎo)報(bào) 2021年28期2021-03-16
- 基于深度神經(jīng)網(wǎng)絡(luò)的行為識(shí)別算法
的提升，深度神經(jīng)網(wǎng)絡(luò)得到了長(zhǎng)足發(fā)展，計(jì)算機(jī)視覺性能超越了以往，但是當(dāng)前方法也存在一些局限。本文就深度神經(jīng)網(wǎng)絡(luò)中的行為識(shí)別算法展開研究，首先闡述了行為識(shí)別現(xiàn)狀，其次分布分析了RGB視頻行為識(shí)別和人體骨架3D行為識(shí)別。關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò);行為識(shí)別算法;集成學(xué)習(xí)中圖分類號(hào)：TP393? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）03-0017-02隨著科技的發(fā)展，日常生活中的行為會(huì)被攝像頭記錄下來(lái)，大量視頻網(wǎng)站紛紛涌現(xiàn)。近年來(lái)，隨著智能手機(jī)
電腦知識(shí)與技術(shù) 2021年3期2021-03-15
- 基于大數(shù)據(jù)深度神經(jīng)網(wǎng)絡(luò)與Agent的大規(guī)模任務(wù)處理方法
一種基于深度神經(jīng)網(wǎng)絡(luò)的計(jì)算模型進(jìn)行大規(guī)模任務(wù)部署，并引用Agent強(qiáng)化學(xué)習(xí)效用進(jìn)行評(píng)價(jià)，實(shí)現(xiàn)最佳虛擬網(wǎng)絡(luò)映射方案。實(shí)驗(yàn)結(jié)果表明，這種BDTard方法法能滿足大規(guī)模任務(wù)請(qǐng)求，穩(wěn)定系統(tǒng)長(zhǎng)期收益，保障了大數(shù)據(jù)環(huán)境下大規(guī)模任務(wù)處理的高效執(zhí)行。關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò);強(qiáng)化學(xué)習(xí);虛擬網(wǎng)絡(luò)映射中圖分類號(hào)：TP319 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：AAbstract：Since the large-scale task processing model is usually bas
計(jì)算技術(shù)與自動(dòng)化 2021年4期2021-01-06
- 基于深度神經(jīng)網(wǎng)絡(luò)的糖尿病預(yù)測(cè)分析與研究
框架構(gòu)建深度神經(jīng)網(wǎng)絡(luò)算法診斷糖尿病，并與KNN模型、邏輯回歸模型、高斯貝葉斯模型、SVM模型、隨機(jī)森林模型、AdaBoost模型和XGBoost模型七種傳統(tǒng)機(jī)器學(xué)習(xí)模型從模型準(zhǔn)確率、精確率、召回率、AUC值和F1-Score五項(xiàng)指標(biāo)進(jìn)行對(duì)比分析，發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)算法所構(gòu)建的預(yù)測(cè)模型準(zhǔn)確率最高，更適合于糖尿病預(yù)測(cè)問(wèn)題的分析研究。關(guān)鍵詞：糖尿病預(yù)測(cè)模型;數(shù)據(jù)預(yù)處理;機(jī)器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò)（DNN）;模型評(píng)估中圖分類號(hào)： TP181? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A
電腦知識(shí)與技術(shù) 2020年32期2020-12-29
- 網(wǎng)絡(luò)頂點(diǎn)表示學(xué)習(xí)方法
陣分解：深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A DOI：10.3969/j，issn，1000-5641.2020910070引言現(xiàn)實(shí)世界中普遍存在類型豐富多樣的網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)，如社交網(wǎng)絡(luò)、通信網(wǎng)絡(luò)、生物網(wǎng)絡(luò)等，這些網(wǎng)絡(luò)表示實(shí)體之間的關(guān)系，規(guī)模從數(shù)百個(gè)頂點(diǎn)到數(shù)百萬(wàn)個(gè)甚至數(shù)十億個(gè)頂點(diǎn)，分析網(wǎng)絡(luò)在許多應(yīng)用中都發(fā)揮著至關(guān)重要的作用，因此也得到學(xué)術(shù)界和工業(yè)界越來(lái)越多的關(guān)注，對(duì)網(wǎng)絡(luò)進(jìn)行有效分析首先要對(duì)網(wǎng)絡(luò)頂點(diǎn)進(jìn)行表示，鄰接矩陣、拉普拉斯矩陣等傳統(tǒng)表示方法展
- 基于深度學(xué)習(xí)的毫米波Massive MIMO信道估計(jì)
多輸出;深度神經(jīng)網(wǎng)絡(luò);信道估計(jì);導(dǎo)頻開銷doi：10.3969/j.issn.1006-1010.2020.10.008? ? ? ? 中圖分類號(hào)：TN91文獻(xiàn)標(biāo)志碼：A? ? ? ? 文章編號(hào)：1006-1010（2020）10-0043-06引用格式：馬珊珊，劉紫燕. 基于深度學(xué)習(xí)的毫米波Massive MIMO信道估計(jì)[J]. 移動(dòng)通信， 2020，44（10）： 43-48.0? ?引言大規(guī)模多輸入多輸出（Massive MIMO， Massive
移動(dòng)通信 2020年10期2020-11-30
- Tensorflow框架在高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型中的設(shè)計(jì)與應(yīng)用
low;深度神經(jīng)網(wǎng)絡(luò);卷積神經(jīng)網(wǎng)絡(luò);實(shí)驗(yàn)教學(xué)評(píng)價(jià)中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）09-0151-030 引言實(shí)驗(yàn)教學(xué)是本科教學(xué)的重要組成部分，是培養(yǎng)大學(xué)生實(shí)踐能力和創(chuàng)新精神的重要實(shí)踐性教學(xué)環(huán)節(jié)。通過(guò)實(shí)驗(yàn)教學(xué)，有助于對(duì)理論知識(shí)進(jìn)行科學(xué)有效的驗(yàn)證和提升，對(duì)提高學(xué)生的動(dòng)手操作能力、分析能力、觀察能力和思維能力方面有著重要的作用[1]。目前，國(guó)內(nèi)高校的實(shí)驗(yàn)教學(xué)評(píng)價(jià)體系通常由幾部分構(gòu)成：實(shí)驗(yàn)教學(xué)大綱、實(shí)驗(yàn)教材、師
數(shù)字技術(shù)與應(yīng)用 2020年9期2020-11-16
- 基于深度神經(jīng)網(wǎng)絡(luò)的腫瘤細(xì)胞分類器的研究
年來(lái)隨著深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks， DNN）的模型不斷完善，DNN在腫瘤的數(shù)字圖像識(shí)別方面精度越來(lái)越高，DNN受到了國(guó)內(nèi)外醫(yī)學(xué)界的廣泛研究和重視，DNN為識(shí)別良性腫瘤與惡性腫瘤的臨床診斷提供了客觀、準(zhǔn)確、快速、經(jīng)濟(jì)的解決方案。本文主要綜述了DNN技術(shù)在識(shí)別良性腫瘤與惡性腫瘤方向上使用的幾種常見分類器：卷積神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)。分析了這幾種分類器的原理及其應(yīng)用的效果，分析了基于不同神經(jīng)網(wǎng)絡(luò)分類器的精
軟件工程 2020年10期2020-10-23
- 基于機(jī)器學(xué)習(xí)的服裝“品牌基因”分析方法研究
像識(shí)別;深度神經(jīng)網(wǎng)絡(luò);服裝品牌Abstract： The research work in this paper aims to explore a method to identify and analyze fashion brand gene intensity based on machine learning. Historical product image data of brand fashion were used as the char
絲綢 2020年8期2020-08-31
- 基于深度神經(jīng)網(wǎng)絡(luò)的視線跟蹤技術(shù)研究
一種基于深度神經(jīng)網(wǎng)絡(luò)的視線跟蹤算法。利用卷積神經(jīng)網(wǎng)絡(luò)，能快速且準(zhǔn)確地定位輸入圖片上的人眼區(qū)域和虹膜中心位置，再利用多項(xiàng)式擬合估計(jì)視線方向。實(shí)驗(yàn)結(jié)果表明，該算法在MPIIGaze數(shù)據(jù)庫(kù)中對(duì)虹膜中心和眼角位置的標(biāo)定有著98%的準(zhǔn)確性，在Swith數(shù)據(jù)庫(kù)中對(duì)視線的估計(jì)準(zhǔn)確率達(dá)到了90%左右，證明了該算法在低分辨率圖像上有著良好的可行性。關(guān)鍵詞： 視線跟蹤; 深度神經(jīng)網(wǎng)絡(luò); 人眼定位; 虹膜中心; 多項(xiàng)式擬合; 視線方向估計(jì)Abstract： Sight trac
現(xiàn)代電子技術(shù) 2020年16期2020-08-14
- 基于深度神經(jīng)網(wǎng)絡(luò)的移動(dòng)通信網(wǎng)絡(luò)優(yōu)化研究
識(shí)別; 深度神經(jīng)網(wǎng)絡(luò); 通信建模; 多特征提取; 信號(hào)控制; 數(shù)據(jù)分類中圖分類號(hào)： TN926?34; TP393? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）10?0083?03Mobile communication network optimization based on deep neural networkLI Li1，2（1. College of
現(xiàn)代電子技術(shù) 2020年10期2020-07-14
- 目標(biāo)檢測(cè)方法簡(jiǎn)要綜述
器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)的目的可分為檢測(cè)圖像中感興趣目標(biāo)的位置和對(duì)感興趣目標(biāo)進(jìn)行分類。目標(biāo)檢測(cè)比低階的分類任務(wù)復(fù)雜，同時(shí)也是高階圖像分割任的重要基礎(chǔ);目標(biāo)檢測(cè)也是人臉識(shí)別、車輛檢測(cè)、路網(wǎng)檢測(cè)等應(yīng)用領(lǐng)域的理論基礎(chǔ)。傳統(tǒng)的目標(biāo)檢測(cè)算法是基于滑窗遍歷進(jìn)行區(qū)域選擇，然后使用HOG、SIFT等特征對(duì)滑窗內(nèi)的圖像塊進(jìn)行特征提取，最后使用SVM、AdaBoost等分類器對(duì)已提取特征進(jìn)行分類。手工構(gòu)建特征較為復(fù)雜，檢測(cè)精度提升有限，基于滑窗的算法計(jì)算復(fù)雜度較高，此類方
科技風(fēng) 2020年18期2020-07-06
- 基于航拍影像的車輛檢測(cè)簡(jiǎn)要綜述
器學(xué)習(xí);深度神經(jīng)網(wǎng)絡(luò)航拍影像包含豐富的地物信息，如道路、樓宇、車輛等，對(duì)這些信息進(jìn)行有效處理，尤其對(duì)車輛信息的有效處理（以車輛為主體處理對(duì)象，道路、樓宇作為重要上下文信息），對(duì)城鄉(xiāng)道路的交通規(guī)劃、安全預(yù)警具有重要指導(dǎo)作用。與傳統(tǒng)的人工方式統(tǒng)計(jì)交通信息數(shù)據(jù)相比，通過(guò)航拍影像檢測(cè)車輛信息具有如下優(yōu)點(diǎn)：（1）不需要人工設(shè)卡來(lái)統(tǒng)計(jì)交通流量信息、發(fā)現(xiàn)交通事故及違章停車等。（2）與監(jiān)控?cái)z像互為補(bǔ)充，并能獲取監(jiān)控?cái)z像未觸及區(qū)域的車輛信息。（3）減少人工讀圖工作量，減少因
科技風(fēng) 2020年17期2020-07-04
- 基于深度神經(jīng)網(wǎng)絡(luò)的雷達(dá)幅度序列目標(biāo)識(shí)別
一種基于深度神經(jīng)網(wǎng)絡(luò)的雷達(dá)幅度序列目標(biāo)識(shí)別的方法。該方法通過(guò)提取目標(biāo)在運(yùn)動(dòng)過(guò)程中的幅度序列作為識(shí)別目標(biāo)的特征，再利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。最后，利用實(shí)測(cè)數(shù)據(jù)對(duì)該方法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地對(duì)目標(biāo)進(jìn)行識(shí)別。關(guān)鍵詞：雷達(dá)目標(biāo)識(shí)別;幅度序列;深度神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）13-0020-021引言在現(xiàn)代雷達(dá)技術(shù)中，雷達(dá)目標(biāo)識(shí)別被視作重要的技術(shù)發(fā)展方向，它是一項(xiàng)集傳感器、目標(biāo)、環(huán)境和現(xiàn)代信
電腦知識(shí)與技術(shù) 2020年13期2020-07-04
- 深度卷積神經(jīng)網(wǎng)絡(luò)模型發(fā)展綜述
關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò)：特征提?。耗繕?biāo)識(shí)別：網(wǎng)絡(luò)結(jié)構(gòu)DOI： 10.11907/rjdk.191659開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：中圖分類號(hào)：TP3-0文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2020）004-0084-05Review of the Development of Deep Convolutional Neural Network ModelHONG Qi-feng， SHI Wei-bing， WU Di， LUO Li-y
軟件導(dǎo)刊 2020年4期2020-06-19
- 基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別算法
經(jīng)網(wǎng)絡(luò);深度神經(jīng)網(wǎng)絡(luò);遞歸神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2020）10-0193-03語(yǔ)音識(shí)別是指通過(guò)信息技術(shù)將語(yǔ)音這一音頻轉(zhuǎn)化成文字。如今互聯(lián)網(wǎng)急速發(fā)展，語(yǔ)音識(shí)別也是人工智能方面炙手可熱的一個(gè)重要研究分支，在近些年來(lái)也在不斷地進(jìn)步發(fā)展。在現(xiàn)實(shí)應(yīng)用的過(guò)程中，語(yǔ)音識(shí)別經(jīng)常與翻譯，交流，聲控等實(shí)際應(yīng)用相結(jié)合，提供一個(gè)通過(guò)語(yǔ)音實(shí)現(xiàn)人與機(jī)器之間的自由交互方法。1933年，西班牙的神經(jīng)生物學(xué)家Rafael Lorente
電腦知識(shí)與技術(shù) 2020年10期2020-06-08
- 基于深度神經(jīng)網(wǎng)絡(luò)的在線協(xié)作學(xué)習(xí)交互文本分類方法
采用基于深度神經(jīng)網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長(zhǎng)短時(shí)記憶（LSTM）、雙向長(zhǎng)短時(shí)記憶（Bi-LSTM）等模型構(gòu)建面向在線協(xié)作學(xué)習(xí)交互文本的分類模型，以Word2Vec作為詞向量，提出了包含數(shù)據(jù)收集整理、文本標(biāo)簽標(biāo)注、數(shù)據(jù)預(yù)處理、詞嵌入、數(shù)據(jù)采樣、模型訓(xùn)練、模型調(diào)參和模型評(píng)價(jià)等步驟的在線協(xié)作學(xué)習(xí)交互文本自動(dòng)分類方法。以知識(shí)語(yǔ)義類、調(diào)節(jié)類、情感類、問(wèn)題類和無(wú)關(guān)信息類等作為交互文本的類別劃分，對(duì)51組大學(xué)生所產(chǎn)生的16047條在線協(xié)作學(xué)習(xí)交互文本進(jìn)行分類后發(fā)現(xiàn)：
現(xiàn)代遠(yuǎn)程教育研究 2020年3期2020-06-01