检索结果-内蒙古大学图书馆

作者：张子汉内蒙古农业大学

学位级别：硕士

牛只个体脸部识别技术在推动精细化牛养殖模式的发展中扮演了重要角色。传统的侵入式牛只个体识别方法,如耳标、电子标识等,存在设备容易丢失、损坏、可被复制和篡改等弊端。牛脸作为一种显著的生物特征,为牛只个体身份识别提供了一种... 详细信息

牛只个体脸部识别技术在推动精细化牛养殖模式的发展中扮演了重要角色。传统的侵入式牛只个体识别方法,如耳标、电子标识等,存在设备容易丢失、损坏、可被复制和篡改等弊端。牛脸作为一种显著的生物特征,为牛只个体身份识别提供了一种便捷的非侵入式方法。在目前的牛脸识别任务中,存在的挑战包括牛脸图像数据量少、因牛只头部晃动在图像中呈现出牛脸位置与角度多样、复杂背景干扰以及模型对新的牛只个体脸部识别困难等问题。综上所述,本文深入研究基于一次性学习的牛脸识别算法,开展的主要工作和取得成果如下: (1)构建了包含240个牛只个体的脸部图像数据集。针对目前缺乏高质量、标准化的牛脸图像数据集,制定了一套牛脸图像采集、制作流程,并且提出了一个用于牛脸检测的数据预处理算法ECA-YOLOX。按照牛脸图像采集流程获取原始牛脸图像,利用ECA-YOLOX算法对原始牛脸图像进行牛脸检测并截取,最后通过牛脸图像制作流程构建牛脸图像数据集。 (2)提出了一种基于孪生分组分块胶囊网络(SGCCN)模型的牛脸识别算法,以应对因牛只个体脸部图像数据量少、复杂背景干扰造成识别困难的问题。本文提出的孪生分组分块胶囊网络(SGCCN)模型,通过孪生结构实现一次性学习,采用分组分块结构作为底层胶囊的特征提取器,并且使用修正余弦相似度来衡量牛脸特征向量之间的差异,从而增强模型的鲁棒性。SGCCN在对比识别实验中表现出良好的性能,封闭牛脸数据集识别准确率可达到92.67%,开放牛脸数据集识别准确率达到89.33%。与其他孪生胶囊网络相比,SGCCN在识别精度和鲁棒性方面有了显著的提高,并且拥有更少的参数量。 (3)提出了基于RIC-DConv-Dense Net模型的牛脸识别算法,以应对牛脸识别任务中因牛只头部晃动在图像中呈现出牛脸位置与角度多样,而造成识别困难的问题。牛只的头部晃动可以看作是以牛只脖子为中心的局部旋转问题,本文提出的基于RIC-DConv-Dense Net模型的牛脸识别算法,将融合了旋转不变性坐标的可变形卷积与Dense Net进行结合,对因牛只头部晃动形成不同的图像以一致的方式进行特征提取,由此解决因牛只头部晃动造成识别困难的问题。RIC-DConv-Dense Net通过度量函数Arc Face Loss实现一次性学习,使模型学习到更具判别性的牛脸特征。RIC-DConv-Dense Net模型在验证集上达到了93.66%的准确率,在封闭牛脸数据集的对比实验中,识别准确率达到99.77%。在开放牛脸数据集的对比实验中,识别准确率达到89.53%。结果验证了RIC-DConv-Dense Net网络模型在牛脸识别任务中出色的性能,为解决牛只头部晃动导致的识别问题提供了一种思路。 (4)设计并开发了一套牛脸对比识别系统。该系统集成了牛脸检测算法与特征提取算法,能够对牛脸进行检测和对比识别,为用户提供了一个牛只个体管理的便捷工具。

关键词：牛脸识别一次性学习孪生网络胶囊网络 ArcFace Loss

来源：评论

学校读者我要写书评

暂无评论

基于多语言任务的口语词的一次性学习

引用

信息工程大学学报 2018年第3期19卷 331-337页

作者：王蓉蓉张连海沈君信息工程大学 32168部队

一次性学习(one-shot learning)是一种仅从一个或少数例子中学习新概念的人类的能力。首先提出口语词上的一次性学习任务的计算模型——基于HHMM模型的口语词的一次性学习框架;然后利用非参贝叶斯方法从多语言语音数据中发现语言间通用... 详细信息

一次性学习(one-shot learning)是一种仅从一个或少数例子中学习新概念的人类的能力。首先提出口语词上的一次性学习任务的计算模型——基于HHMM模型的口语词的一次性学习框架;然后利用非参贝叶斯方法从多语言语音数据中发现语言间通用的类音素声学单元;最后将自动获得的声学单元用于一次性学习任务,对英语、日语和汉语的口语词进行一次性分类实验。实验结果表明,从多语言中获取的类音素声学单元可以作为基本的概念组合生成复杂的概念(词),实现口语词分类,表明了从一种语言中学到的基本声学单元的知识可以迁移到另一种语言的学习中去。

关键词：非参贝叶斯多语言声学单元发现一次性学习迁移学习

来源：评论

学校读者我要写书评

暂无评论

一次性学习的时代已经过去

引用

江西教育（管理版）（A） 2003年第7期 13-13页

来源：评论

学校读者我要写书评

暂无评论

获取深度一次性学习模型的方法、图像识别方法及装置

获取深度一次性学习模型的方法、图像识别方法及装置

引用

作者：史方邹佳运王标樊强 518057 广东省深圳市南山区高新区南环路29号留学生创业大厦22楼04号

本发明公开了一种获取深度一次性学习模型的方法、图像识别方法及装置，获取深度一次性学习模型的方法包括：将包含少量目标图像和背景图像的预设数据集中每一幅目标图像输入预设CNN模型，选择预设CNN模型隐含层中任一层输出图像作为该... 详细信息

标准号: CN106372656A

本发明公开了一种获取深度一次性学习模型的方法、图像识别方法及装置，获取深度一次性学习模型的方法包括：将包含少量目标图像和背景图像的预设数据集中每一幅目标图像输入预设CNN模型，选择预设CNN模型隐含层中任一层输出图像作为该目标图像的特征图像集；采用预设数据集中背景图像，通过PCA方法确定降维矩阵，对所有特征图像集进行降维，生成降维特征图像集；将所有降维特征图像集输入预设贝叶斯学习模型，对降维特征图像集对应的目标图像进行识别，构建深度一次性学习模型；采用预设数据集对深度一次性学习模型进行训练，直到模型收敛，获取收敛后的深度一次性学习模型。采用收敛后的深度一次性学习模型对图像进行识别，识别率较高。

关键词：一次性学习特征图像降维目标图像预设数据预设收敛背景图像矩阵输出图像图像识别贝叶斯识别率隐含层构建图像学习

来源：评论

学校读者我要写书评

暂无评论

获取深度一次性学习模型的方法、图像识别方法及装置

获取深度一次性学习模型的方法、图像识别方法及装置

引用

作者：史方邹佳运王标樊强 518057 广东省深圳市南山区高新区南环路29号留学生创业大厦22楼04号

标准号: CN106372656B

关键词：一次性学习特征图像降维目标图像预设数据预设收敛背景图像矩阵输出图像图像识别贝叶斯识别率隐含层构建图像学习

来源：评论

学校读者我要写书评

暂无评论

基于非参贝叶斯方法的声学单元建模技术及其应用研究

基于非参贝叶斯方法的声学单元建模技术及其应用研究

引用

作者：王蓉蓉战略支援部队信息工程大学

学位级别：硕士

随着人们获取语音数据的便利化,使得我们生活在一个可以无限获取语音数据的时代,尽管如此,我们并不能充分有效地使用未标注语音数据,而对语音数据进行标注是一项耗时长且费用高的过程。为了使语音识别任务能够取得更广泛的成功,需要降... 详细信息

随着人们获取语音数据的便利化,使得我们生活在一个可以无限获取语音数据的时代,尽管如此,我们并不能充分有效地使用未标注语音数据,而对语音数据进行标注是一项耗时长且费用高的过程。为了使语音识别任务能够取得更广泛的成功,需要降低对大规模标注数据的依赖性。语音信号的无监督的声学单元发现旨在从未标注语音数据中发现声学单元,在自动语音识别和认知科学领域有着广泛的应用前景。本文基于非参贝叶斯方法,对语音中的声学单元发现技术及其应用展开研究,主要工作及创新点如下:1.基于不同语言的语音中有相似的声学单元的特性,提出了一种基于多语言的声学单元发现技术。采用狄利克雷过程(Dirichlet Process,DP)作为先验,建立狄利克雷隐马尔科夫模型(Dirichlet Process Hidden Markov Model,DPHMM)进行声学单元发现。测试语言采用另一种不同的语言,即TIMIT语料库。实验结果表明,采用多语言训练的非参贝叶斯模型能够发现与英语音素集高度相关的声学单元。2.提出一种基于多语言的口语词的一次性学习方法。采用一个贝叶斯层次隐马尔科夫模型(Hierarchical Hidden Markov Model,HHMM)进行声学单元发现,不仅获取声学单元的一元统计分布,还得到了声学单元间的二元转移概率。由于每个词均可用这种声学单元组合得到,基于发现的声学单元,实现了口语词的一次性学习分类实验。在分类任务中,仅仅基于一个口语词样例对新的词分类,分类词采用与训练语言不同的英语、日语和汉语。实验结果表明,每种语言的分类实验都获得了不错的分类结果,即采用多语言获取的声学单元模型能够较好地指导不同目标语言的口语词分类。3.提出一种基于非参贝叶斯方法的语言学层次结构发现方法。以自适应语法(Adaptor Grammar,AG)模型作为基础,将其与噪声信道模型、声学模型整合成一个新的概率框架模型,实现语音数据中语言学层次结构发现。该框架模型不仅可以从连续语音中发现声学单元,同时能直接从声学信号中学习更高层的结构,例如音节和词汇单元。在TIMIT语料库上测试结果表明,该模型可以学习子词,单词和多词短语的词汇单元。主观对比分析表明,发现的语言结构与实际句子的语言结构具有较好的一致性。4.提出一种基于变分非参贝叶斯方法的声学单元发现方法。在贝叶斯模型的推理算法中,一般采用吉布斯采样(Gibbs Sampling,GS)的随机近似方法,该方法中模型参数的采样不能并行计算且收敛速度慢,对于处理大数据是受限制的问题,本文采用一种确定性近似方法,即变分贝叶斯(Variational Bayesian,VB)方法。变分贝叶斯推断能够进行并行化训练,通过一组相互依赖的等式进行不断的迭代来获得最优解。实验结果表明,由于并行化,VB训练比GS更快。VB训练过程是完全不需要边界信息的,而GS过程需要对语音数据预分段,且VB训练性能仍然是优于GS的。

关键词：非参贝叶斯声学单元发现多语言一次性学习层次语言学结构变分贝叶斯迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的视觉单目标跟踪方法研究

基于深度学习的视觉单目标跟踪方法研究

引用

作者：麦智钧电子科技大学

学位级别：硕士

视觉目标跟踪是计算机视觉领域中最具挑战性的研究课题之一,它可以为机器人提供对指定目标的跟踪、定位和识别,并将目标或环境的参数提供给控制器供后续使用。为了研究视觉目标跟踪问题的本质和适应其在现实流行场景中的广泛应用,许多... 详细信息

视觉目标跟踪是计算机视觉领域中最具挑战性的研究课题之一,它可以为机器人提供对指定目标的跟踪、定位和识别,并将目标或环境的参数提供给控制器供后续使用。为了研究视觉目标跟踪问题的本质和适应其在现实流行场景中的广泛应用,许多大规模的基准数据集已建立,针对目标跟踪领域中的不同问题,相当多针对性的方法也被提出。近年来取得的重大进展主要是通过基于深度学习(Deep Learning)的方法。虽然目标追踪的应用前景非常广泛,但还是有一些问题限制了它的应用,对于一个运动的物体,由于物体本身加上镜头的运动,其运动轨迹非常复杂并且经常发生变化,给视觉目标跟踪带来许多挑战:·形态尺寸变化。在跟踪过程中,目标物体由于远离或者靠近镜头会发生尺寸的变换,同时,由于物体的刚体旋转运动,其呈现在画面上的形态也会发现变化。·目标丢失。目标在运动过程中可能出现丢失或者被其他物体环境遮挡的情况。当这种情况发生时,跟踪器容易错误跟踪相似的遮挡物,会导致后续序列中的跟踪结果偏移到错误的物体上。若目标在画面中消失,还需要重新检测。·背景干扰。目标在跟踪过程中,可能出现的背景具有多样性和不可预测性,很有可能出现与目标外观颜色相似的背景场景对跟踪系统会造成了干扰。·图像模糊。由于环境亮度的变化,图像的清晰度低或者目标物体运动速度过快等情况会影响跟踪器模型的判断。因此,提高特征提取器的判别性对目标和背景进行区分非常重要。为此,本文针对跟符合现实应用场景的长时间单目标跟踪任务的核心问题,提出新的模块设计和系统框架设计,同时对基础网络架构提出改进的训练方法,进一步的提高整体系统的性能,对相关研究进行了实验设计,完成实验并在权威测试数据集上验证系统性能。通过元学习结合MixUp[1]数据增强方法,提高特征提取骨架网络的性能。提出了 one-shot目标检测方法,解决目标丢失后再定位和再识别的问题。采用多短时跟踪器融合的方式提高跟踪的精度和对目标大小尺寸的适应性。通过级联回归方法提高了短时跟踪器的性能。实际时序记忆模块和在线更新模板模块作为目标再检测的验证器,提高跟踪系统对目标判别的鲁棒性。论文选择了最权威和具有挑战性的多个数据集,VOT2020-LT[2]、Lasot[3]、VOT2018[4],GOT10k进行了测试验证实验。实验结果表明本文模型在多个目标跟踪指标下都达到了当前具有竞争力的性能,本文提出的方法模型和系统具有应用和研究价值,可被广泛应用在安防,无人机,无线设备等领域的科研工作中。

关键词：深度学习视觉单目标跟踪元学习双层优化一次性学习

来源：评论

学校读者我要写书评

暂无评论

多长度哈希联合学习方法

多长度哈希联合学习方法

引用

作者：聂秀山尹义龙刘兴波 250014 山东省济南市舜耕路42号

本发明提供了一种多长度哈希联合优化方法，包括以下步骤：(1)原始数据特征提取：提取数据的人工定义特征或是深度语义特征；(2)多长度哈希的联合优化：利用多长度哈希之间的关联关系，原始特征和有监督或无监督的强化关系，构建目标函... 详细信息

标准号: CN109508320A

本发明提供了一种多长度哈希联合优化方法，包括以下步骤：(1)原始数据特征提取：提取数据的人工定义特征或是深度语义特征；(2)多长度哈希的联合优化：利用多长度哈希之间的关联关系，原始特征和有监督或无监督的强化关系，构建目标函数，联合优化得到多长度哈希。与现有技术相比，本发明实现多长度哈希的一次性学习，与现有哈希学习每次训练仅能够得到一个哈希序列的方法相比，本发明的方法充分利用了多长度哈希之间的关联互助关系，不仅提高了哈希检索的精度，还有效节省了训练的时间。

关键词：哈希联合优化一次性学习定义特征关联关系互助关系目标函数特征提取提取数据语义特征原始数据原始特征无监督构建检索关联监督学习

来源：评论

学校读者我要写书评

暂无评论

一种可实现全民免费无限学习的方法

一种可实现全民免费无限学习的方法

引用

作者：周毅 635100 四川省达州市大竹县月华镇蔡家安村7组

本发明公开了一种可实现全民免费无限学习的方法，包括以个人网络视频媒体帐号形式发布到网络视频媒体平台上，以自建网络视频媒体公司帐号形式发布到网络视频媒体平台上，自建网络视频媒体公司并开发APP软件自我投放生产内容，和现有... 详细信息

标准号: CN117834927A

本发明公开了一种可实现全民免费无限学习的方法，包括以个人网络视频媒体帐号形式发布到网络视频媒体平台上，以自建网络视频媒体公司帐号形式发布到网络视频媒体平台上，自建网络视频媒体公司并开发APP软件自我投放生产内容，和现有网络视频媒体公司合作，在他的APP软件上建立新目录或和他共建旗下子公司及帐号形式自我发布推广。本发明具有社会价值和商业价值，这是历史上学习成系统大规模传播的唯二模式。有了这个免费平台项目，将彻底打破这一局面让学习变得更公平，更贴近生活。全民免费的无限系统学习胜过一切一次性学习和有偿辅教，学习永不过时，此发明除了巨大的学习导流，媒介价值，他本身拥有海量流量和海量带货价值，足以自持和发展。

关键词：网络视频媒体平台学习发布一次性学习个人网络生产内容视频媒体系统学习新目录导流媒介过时投放传播开发合作

来源：评论

学校读者我要写书评

暂无评论

一种基于深度学习的机械振动故障诊断方法

一种基于深度学习的机械振动故障诊断方法

引用

作者：赵骥陈子健付晓燕 114000 辽宁省鞍山市立山区千山中路189号

本发明提供一种基于深度学习的机械振动故障诊断方法，将首层宽卷积深度神经网络WDCNN与长短期记忆网络相结合的故障诊断方法即WDCNN‑LSTM；该模型将预学习的特征信息由CNN自适应地从一维原始振动信号中提取，并通过长短期记忆网络中的... 详细信息

标准号: CN116592993A

本发明提供一种基于深度学习的机械振动故障诊断方法，将首层宽卷积深度神经网络WDCNN与长短期记忆网络相结合的故障诊断方法即WDCNN‑LSTM；该模型将预学习的特征信息由CNN自适应地从一维原始振动信号中提取，并通过长短期记忆网络中的控制门对卷积提取后的特征进行进一步的特征增强提取，再通过分类检测模块尽最大程度获取预检测的故障特征信息。将经典的卷积神经网络模型进行了改进，使得模型提高了对于短距离特征的学习效率，通过较大的卷积核来一次性学习多个机械故障特征，减少了模型训练时长。不仅可以有效地提取故障特征信息而且可以防止过拟合，对于复杂环境下的机械振动故障检测也有一定的提升作用。

关键词：故障特征信息故障诊断机械振动记忆网络卷积分类检测模块卷积神经网络原始振动信号一次性学习复杂环境故障检测机械故障模型训练神经网络特征信息特征增强学习效率卷积核有效地自适应拟合时长学习检测改进

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：