人工智能相关文章

基于双流卷积神经网络和生成式对抗网络的行人重识别算法

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%，mAP 达到84.60%。

发表于：2020/12/15

干线动态协调控制的深度Q网络方法

为有效降低城市交通干线的车均延误与停车次数，将深度Q网络引入干线协调控制，给出了一种干线动态协调控制的DDDQN(Dueling Double Deep Q Network)方法。该方法结合双重深度Q网络与基于竞争架构深度Q网络，并将干线作为整体处理，通过深度神经网络挖掘干线各交叉口协调控制的相关性，基于Q学习进行交通信号控制决策。通过仿真实验，在近饱和流量和干线存在初始排队的情况下，将DDDQN方法与现有绿波方法，以及经典深度Q网络、双重深度Q网络、基于竞争架构深度Q网络的干线协调控制算法进行对比，实验结果表明基于DDDQN的干线动态协调控制算法性能优于其他四种方法。

发表于：2020/12/15

具有关系敏感嵌入的知识库错误检测

准确性与质量对于知识库而言尤为重要，尽管已经有很多关于知识库不完整性的研究，但是很少有工作者考虑到对于知识库存在的错误进行检测，按照传统方法通常无法有效捕捉知识库中错误事实内在相关性。本文提出了一种知识库具有关系敏感嵌入式方法NSIL，以获取知识库各关系之间的相关性，从而检查出知识库中的错误，以此提高知识库的准确性与质量。该方法分为相关性处理和错误检测两阶段。在相关性处理阶段，使用NSIL的相关函数以分值形式获取各关系之间的相关度；在错误检测阶段，基于相关度分值进行错误检测，对于缺失主体或客体的三元组进行缺失成分预测。最后在知识库之一Freebase生成的基准数据集“FB15K”上进行了广泛验证，证明了该方法在知识库错误知识检测方面有着很高的性能。

发表于：2020/12/15

基于交点的新层次聚类算法

介绍了一种新的分层聚类算法，该聚类算法的主要目的是利用交点提供更好的聚类质量和更高的准确性。为了验证该聚类算法，对基准数据集进行了几次实验，并与其他五种广泛使用的聚类算法进行对比。使用纯度作为外部标准来评估聚类算法的性能，并计算了由聚类算法得出的每个聚类的紧密度，以评估聚类算法的有效性。实验结果表明，在大多数情况下，该算法的错误率低于研究中使用的其他聚类算法。

发表于：2020/12/15

基于图卷积网格自编码器的网格参数化

网格参数化作为数字几何处理的基本工具，在游戏娱乐、工程设计、仿真模拟等多种领域有着广泛的应用背景。传统的网格参数化方法大多通过求解线性系统或者非线性系统获得结果，存在着求解速度慢、不够鲁棒的问题。提出了一个基于图卷积网格自编码器的网格参数化模型，采用了图卷积网格自编码器的编码部分与自行构建的参数化解码部分结合的方式生成网络，使用一类人脸网格数据集作为网络训练数据，并与传统优化算法进行对比。结果表明，使用建立的网格参数化模型，在保证参数化效果的同时，获得参数化结果的速度比SLIM(Scalable Locally Injective Mappings，SLIM)算法快68%，比PP(Progressive Parameterizations)算法快约4倍。

发表于：2020/12/15

微型仿生扑翼飞行器研究综述

基于仿生学原理的扑翼飞行器因质量轻、体积小、灵活性好、隐蔽性高等优点在军事和民用领域应用广泛，实现扑翼飞行器的微型化是未来发展方向。首先介绍了微型仿生扑翼飞行器的概念和特点，分析了研究背景和国内外研究现状及成果，在此基础上，就实现微型仿生扑翼飞行器需要解决的关键技术和难题进行了讨论，最后对我国微型仿生扑翼飞行器的应用前景作出展望。

发表于：2020/12/15

Raw格式岩心图像超分辨率重建

在岩心面阵相机开发中，可以使用基于学习的超分辨率技术来提升岩心图像的分辨率。针对现有超分辨率技术在重建岩心图像时存在的细节模糊或色彩偏差等问题，提出了一种基于深度卷积神经网络的Raw格式岩心图像超分辨率重建算法。首先，模拟相机图像处理器的线性处理部分合成线性图像数据集；然后，通过一个双层卷积神经网络，分别训练高低分辨率图像之间的纹理、色彩映射关系；最后，用重建出的线性高分辨率图像模拟相机图像处理器的非线性处理部分，获得纹理清晰且色彩逼真的岩心重建图像。实验结果表明，本文提出的重建算法提升了岩心图像的重建效果。

发表于：2020/12/15

基于混合注意力机制的表情识别研究

针对目前传统人脸表情识别算法存在特征提取复杂、表情识别率低等问题，提出一种基于混合注意力机制的ResNet人脸表情识别方法。该方法把通道注意力模块和空间注意力模块组成混合注意力模块，将混合注意力模块嵌入ResNet残差学习分支中。针对CK+人脸表情数据集过小问题，采用数据增强策略扩充数据集。实验结果表明，改进后的ResNet在CK+数据集上表情识别准确率为97.04%，有效提高了表情识别准确率。

发表于：2020/12/15

一种融合注意力和记忆网络的序列推荐算法

传统基于协同过滤和矩阵分解的静态表示推荐算法，不能很好地体现用户的动态兴趣。循环神经网络能够进行序列推荐，但存在序列之间的长距离依赖性差、各项目的区分度差等问题。由此提出一种融合注意力和记忆网络的序列推荐算法，根据Word2vec算法，引申item2vec和user2vec，初始化用户和项目的固定表示嵌入矩阵，通过结合注意力机制和长短期记忆网络(Long ShortTerm Memory,LSTM)解决序列之间的长距离依赖性差和区分度差问题。利用记忆网络获取用户的动态邻居，加强用户的动态表示，实现更准确的推荐。通过在MovieLens数据集上的实验结果表明，所提出的算法相比其他算法推荐效果显著提高。

发表于：2020/12/15

融合惩罚因子和时间权重的协同过滤推荐算法

协同过滤算法是一种经典的推荐算法，思想是依据近邻用户或者相似物品对目标进行推荐，常被应用在各类推荐系统中。但传统算法过分考虑热门物品对评分的影响，而忽略了冷门物品对用户兴趣特征度量的贡献，也未考虑用户兴趣动态变化的问题。对此，提出一种新的相似度改进算法，改进后的协同过滤算法将物品热门惩罚因子和时间数据权重进行加权计算，优化了用户相似度计算方法，形成了一种新的相似性度量模型。利用MovieLens电影推荐数据集验证改进后的算法，实验结果表明，该算法将推荐平均绝对误差(MAE)与传统算法相比降低了13.2%，推荐质量有了明显提升。

发表于：2020/12/15

认知升维与实践加速：解读“与众不同”的城市智能体

　　第二十二届中国国际高新技术成果交易会在今年的“双 11”隆重开幕。本届盛会可以说结出了累累硕果。 　　据了解，3300 多家海内外展商参展，展示高新技术项目超过 9000 项，其中有 1790 项新产品和 767 项新技术是首次亮相，涵盖了现在主流的人工智能、智能制造、智能驾驶、5G 商用、8K 超高清等诸多领域，这不仅是一场高新科技成果的展示和交易，更是一个全新未来的开启节点。

发表于：2020/12/15

智慧彩超，做幸福家庭的守护神

　　在新冠抗疫的前线，超声诊断正起着越来越重要的作用，因为它无损伤、非介入的特点，可以在更短时间内检测病人的同时，保障医护人员安全，还能发现血凝块等严重症状。

发表于：2020/12/14

基于Star-Gan的人脸互换算法

基于Star-Gan的人脸互换算法易旭，白天(中国科学技术大学 软件学院，安徽 合肥 230026)基于深度学习的人脸互换算法会因背景人脸环境的明亮程度、人脸表情、姿势等因素影响换脸效果，现阶段的人脸互换模型存在固有的弊端。采用Patch-Gan(Generative Adversarial Networks)的判别器结构能通过全卷积网络增强人脸局部一致性的效果。生成器将Unet结构的编码器的特征输出作为输入，能考虑多层信息细节。整体模型架构采用Star-Gan的模型，引入实例归一化层能保证图像的独立性。最后在Face-Forensics++人脸互换数据集上进行验证，结果表明，融合的模型有较好的生成效果和细节。

发表于：2020/12/14

基于改进VGG16的猴子图像分类方法

为提高对细粒度图像分类的准确性和分类速度，提出基于改进VGG16和迁移学习的图像分类方法。首先从kaggle平台中获取十种不同猴子数据集，并对数据集进行标准化处理，包含图片去椒盐噪声、将数据集转换为TensorFlow中提供的统一TFRecord数据格式。然后迁移学习改进的VGG16卷积神经网络，模型的优化包括利用Swish作为激活函数、将softmax loss与center loss相结合作为损失函数以实现更好的聚类效果、采用性能完善的Adam优化器。用训练集训练模型以确定微调参数信息，再用测试集检验模型准确性。结果表明，该方法对猴子图像分类的准确度可达到98.875%，分类速度也得到了显著提升。与其他传统卷积神经网络模型相比，该方法具有更高的准确性和适用性。

发表于：2020/12/14

一种基于卷积神经网络的立体匹配算法设计

为了解决传统立体匹配算法对立体图像在低纹理以及遮挡区域匹配效果较差的问题，设计了一种端到端的基于卷积神经网络(Convolutional Neural Network,CNN)的立体匹配算法。该算法采取了残差卷积神经网络对图像特征进行提取，之后利用空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块来获取图像的上下文信息，并结合多尺度的三维卷积神经网络对代价空间进行规整，最终实现了高精度的立体匹配算法。所获取的视差图在KITTI2015测试平台上的误匹配率为2.42%，与几何上下文(Geometry and Context,GC)网络相比较，视差图的精度提高了0.45%，且运行时间缩短了一半。

发表于：2020/12/14